പരുത്തി വളർച്ച നിരീക്ഷിക്കാൻ യുഎവി മൾട്ടിസ്പെക്ട്രൽ റിമോട്ട് സെൻസിംഗ്

മൂന്ന് ഫലഭൂയിഷ്ഠതാ ഘട്ടങ്ങളിലുള്ള പരുത്തിയുടെ മൾട്ടി-സ്പെക്ട്രൽ, ദൃശ്യ ചിത്രങ്ങൾ UAV-മൗണ്ടഡ് മൾട്ടി-സ്പെക്ട്രൽ, RGB സെൻസറുകൾ ഉപയോഗിച്ച് ലഭിച്ചു, അവയുടെ സ്പെക്ട്രൽ, ഇമേജ് സവിശേഷതകൾ വേർതിരിച്ചെടുത്തു, കൂടാതെ നിലത്തെ പരുത്തി ചെടികളുടെ ഉയരവുമായി സംയോജിപ്പിച്ച്, വോട്ടിംഗ് റിഗ്രഷൻ ഇന്റഗ്രേറ്റഡ് ലേണിംഗ് (VRE) വഴിയും റാൻഡം ഫോറസ്റ്റ് റിഗ്രഷൻ (RFR), ഗ്രേഡിയന്റ് ബൂസ്റ്റഡ് ട്രീ റിഗ്രഷൻ (GBR), സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ റിഗ്രഷൻ (SVR) എന്നീ മൂന്ന് മോഡലുകളുമായി താരതമ്യം ചെയ്തും പരുത്തിയുടെ SPAD കണക്കാക്കി. . പരുത്തിയുടെ ആപേക്ഷിക ക്ലോറോഫിൽ ഉള്ളടക്കത്തെക്കുറിച്ചുള്ള വ്യത്യസ്ത എസ്റ്റിമേഷൻ മോഡലുകളുടെ എസ്റ്റിമേഷൻ കൃത്യത ഞങ്ങൾ വിലയിരുത്തി, പരുത്തിയും സോയാബീനും തമ്മിലുള്ള ഇടവിളയുടെ വ്യത്യസ്ത അനുപാതങ്ങൾ പരുത്തിയുടെ വളർച്ചയിൽ ചെലുത്തുന്ന സ്വാധീനം വിശകലനം ചെയ്തു, അങ്ങനെ പരുത്തിയും സോയാബീനും തമ്മിലുള്ള ഇടവിളയുടെ അനുപാതവും പരുത്തി SPAD യുടെ ഉയർന്ന കൃത്യതയുള്ള എസ്റ്റിമേഷനും തിരഞ്ഞെടുക്കുന്നതിന് ഒരു അടിസ്ഥാനം നൽകി.

RFR, GBR, SVR മോഡലുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, പരുത്തി SPAD കണക്കാക്കുന്നതിൽ VRE മോഡൽ മികച്ച എസ്റ്റിമേഷൻ ഫലങ്ങൾ കാണിച്ചു. VRE എസ്റ്റിമേഷൻ മോഡലിനെ അടിസ്ഥാനമാക്കി, മൾട്ടിസ്പെക്ട്രൽ ഇമേജ് സവിശേഷതകൾ, ദൃശ്യമായ ഇമേജ് സവിശേഷതകൾ, സസ്യ ഉയര സംയോജനം എന്നിവ ഇൻപുട്ടുകളായി ഉള്ള മോഡലിന് യഥാക്രമം 0.916, 1.481, 3.53 എന്നീ ടെസ്റ്റ് സെറ്റ് R2, RMSE, RPD എന്നിവ ഉപയോഗിച്ച് ഏറ്റവും ഉയർന്ന കൃത്യത ഉണ്ടായിരുന്നു.