Мақта маңызды ақшалай дақыл және мақта тоқыма өнеркәсібінің шикізаты ретінде, халық тығыз қоныстанған аудандардың ұлғаюымен мақта, дәнді және майлы дақылдардың жер бәсекелестігі мәселесі барған сайын күрделі болып отыр, мақта және дәнді дақылдарды пайдалану мақта және дәнді дақылдарды өсіру арасындағы қайшылықты тиімді түрде жеңілдетеді, бұл дақылдардың өнімділігі мен әртүрлілігін жақсартуға мүмкіндік береді. Сондықтан дақыл аралық режимде мақтаның өсуін тез және дәл қадағалаудың маңызы зор.
Үш құнарлылық кезеңіндегі мақтаның көп спектрлі және көрінетін суреттері UAV орнатылған мультиспектрлі және RGB датчиктерімен алынды, олардың спектрлік және кескіндік ерекшеліктері алынды және жердегі мақта өсімдіктерінің биіктігімен біріктіріліп, мақтаның SPAD дауыс беру регрессиялық интеграцияланған оқыту (VRE) арқылы бағаланды және үш модельмен салыстырылды, атап айтқанда, Regressedion (Regressedion) Регрессия (GBR) және Векторлық машина регрессиясын (SVR) қолдау. . Біз мақтаның салыстырмалы хлорофилл құрамы бойынша әртүрлі бағалау модельдерінің бағалау дәлдігін бағаладық және мақта мен соя арасындағы аралық егістердің арақатынасын таңдауға және мақтаның жоғары дәлдіктегі SPAD бағалауына негіз болу үшін мақта мен соя арасындағы аралық егістердің мақтаның өсуіне әсерін талдадық.
RFR, GBR және SVR үлгілерімен салыстырғанда, VRE үлгісі мақта SPAD бағалауда ең жақсы бағалау нәтижелерін көрсетті. VRE бағалау моделіне негізделген мультиспектрлі кескін мүмкіндіктері, көрінетін кескін мүмкіндіктері және кірістер ретінде өсімдік биіктігін біріктіру үлгісі сәйкесінше R2, RMSE және RPD 0,916, 1,481 және 3,53 сынақ жинағымен ең жоғары дәлдікке ие болды.
Дауыс беру регрессиясының интеграциялық алгоритмімен біріктірілген көп дереккөзді деректерді біріктіру мақтада SPAD бағалаудың жаңа және тиімді әдісін қамтамасыз ететіні көрсетілді.
Жіберу уақыты: 03 желтоқсан 2024 ж