سنجش از دور چندطیفی با پهپاد برای نظارت بر رشد پنبه

تصاویر چند طیفی و مرئی از پنبه در سه مرحله باروری توسط حسگرهای چند طیفی و RGB نصب شده بر روی پهپاد اخذ شد، ویژگی‌های طیفی و تصویری آنها استخراج شد و با ترکیب ارتفاع گیاهان پنبه روی زمین، SPAD پنبه با استفاده از یادگیری تلفیقی رگرسیون رأی‌گیری (VRE) تخمین زده شد و با سه مدل، یعنی رگرسیون جنگل تصادفی (RFR)، رگرسیون درختی تقویت‌شده با گرادیان (GBR) و رگرسیون ماشین بردار پشتیبان (SVR) مقایسه شد. ما دقت تخمین مدل‌های مختلف تخمین را بر روی محتوای کلروفیل نسبی پنبه ارزیابی کردیم و اثرات نسبت‌های مختلف کشت مخلوط بین پنبه و سویا را بر رشد پنبه تجزیه و تحلیل کردیم تا مبنایی برای انتخاب نسبت کشت مخلوط بین پنبه و سویا و تخمین دقیق SPAD پنبه فراهم کنیم.

در مقایسه با مدل‌های RFR، GBR و SVR، مدل VRE بهترین نتایج تخمین را در تخمین SPAD پنبه نشان داد. بر اساس مدل تخمین VRE، مدلی که ویژگی‌های تصویر چندطیفی، ویژگی‌های تصویر مرئی و ادغام ارتفاع گیاه را به عنوان ورودی داشت، بالاترین دقت را با مجموعه آزمون R2، RMSE و RPD به ترتیب 0.916، 1.481 و 3.53 داشت.