कापसाच्या वाढीवर लक्ष ठेवण्यासाठी यूएव्ही मल्टीस्पेक्ट्रल रिमोट सेन्सिंग

तीन प्रजनन टप्प्यांवर कापसाच्या बहु-स्पेक्ट्रल आणि दृश्यमान प्रतिमा UAV-माउंटेड मल्टी-स्पेक्ट्रल आणि RGB सेन्सरद्वारे मिळवल्या गेल्या, त्यांची वर्णक्रमीय आणि प्रतिमा वैशिष्ट्ये काढली गेली आणि जमिनीवरील कापसाच्या रोपांच्या उंचीसह एकत्रित करून, कापसाच्या SPAD चा अंदाज मतदान प्रतिगमन एकात्मिक शिक्षण (VRE) द्वारे केला गेला आणि रँडम फॉरेस्ट रिग्रेशन (RFR), ग्रेडियंट बूस्टेड ट्री रिग्रेशन (GBR) आणि सपोर्ट व्हेक्टर मशीन रिग्रेशन (SVR) या तीन मॉडेल्सशी तुलना केली गेली. . आम्ही कापसाच्या सापेक्ष क्लोरोफिल सामग्रीवरील वेगवेगळ्या अंदाज मॉडेल्सच्या अंदाज अचूकतेचे मूल्यांकन केले आणि कापूस आणि सोयाबीनमधील आंतरपीकांच्या वेगवेगळ्या गुणोत्तरांचा कापसाच्या वाढीवर होणाऱ्या परिणामांचे विश्लेषण केले, जेणेकरून कापूस आणि सोयाबीनमधील आंतरपीकांच्या गुणोत्तराच्या निवडीसाठी आणि कापूस SPAD च्या उच्च-परिशुद्धता अंदाजासाठी आधार मिळेल.

RFR, GBR आणि SVR मॉडेल्सच्या तुलनेत, VRE मॉडेलने कापसाच्या SPAD चा अंदाज लावण्यात सर्वोत्तम अंदाज निकाल दाखवले. VRE अंदाज मॉडेलवर आधारित, मल्टीस्पेक्ट्रल प्रतिमा वैशिष्ट्ये, दृश्यमान प्रतिमा वैशिष्ट्ये आणि वनस्पती उंची फ्यूजन इनपुट म्हणून असलेल्या मॉडेलमध्ये अनुक्रमे 0.916, 1.481 आणि 3.53 चाचणी संच R2, RMSE आणि RPD सह सर्वाधिक अचूकता होती.