ຝ້າຍເປັນວັດຖຸດິບທີ່ສຳຄັນຂອງອຸດສາຫະກຳແຜ່ນແພຝ້າຍ, ດ້ວຍການເພີ່ມຂຶ້ນຂອງເຂດທີ່ມີປະຊາກອນຢ່າງໜາແໜ້ນ, ບັນຫາການແຂ່ງຂັນຂອງດິນປູກຕົ້ນຝ້າຍ, ເມັດພືດ ແລະ ນ້ຳມັນແມ່ນນັບມື້ນັບຮ້າຍແຮງຂຶ້ນ, ການນຳໃຊ້ຝ້າຍແລະການປູກພືດສາມາດຫຼຸດຜ່ອນຄວາມຂັດແຍ່ງກັນໄດ້ຢ່າງມີປະສິດທິຜົນ. ການປູກພືດຝ້າຍ ແລະ ເມັດພືດ, ເຊິ່ງສາມາດປັບປຸງຜົນຜະລິດຂອງພືດ ແລະ ການປົກປ້ອງຄວາມຫຼາກຫຼາຍທາງດ້ານນິເວດວິທະຍາ ແລະ ອື່ນໆ. ດັ່ງນັ້ນ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຍິ່ງໃຫຍ່ທີ່ຈະຕິດຕາມກວດກາການຂະຫຍາຍຕົວຂອງຝ້າຍໄດ້ໄວແລະຖືກຕ້ອງພາຍໃຕ້ຮູບແບບ intercropping.
ຮູບພາບຫຼາຍ spectral ແລະສັງເກດເຫັນຂອງຝ້າຍໃນສາມຂັ້ນຕອນການຈະເລີນພັນແມ່ນໄດ້ມາໂດຍ UAV-mounted multi-spectral ແລະ RGB sensors, spectral ແລະຮູບພາບຂອງເຂົາເຈົ້າໄດ້ຖືກສະກັດ, ແລະສົມທົບກັບຄວາມສູງຂອງພືດຝ້າຍຢູ່ໃນພື້ນດິນ, SPAD ຂອງຝ້າຍແມ່ນ. ຄາດຄະເນໂດຍການລົງຄະແນນສຽງແບບປະສົມປະສານການຮຽນຮູ້ (VRE) ແລະປຽບທຽບກັບສາມຕົວແບບ, ຄື, Random Forest Regression (RFR), Gradient Boosted Tree Regression (GBR), ແລະສະຫນັບສະຫນູນ Vector Machine Regression (SVR). . ພວກເຮົາໄດ້ປະເມີນຄວາມຖືກຕ້ອງຂອງຕົວແບບຄາດຄະເນທີ່ແຕກຕ່າງກັນກ່ຽວກັບເນື້ອໃນ chlorophyll ທີ່ກ່ຽວຂ້ອງຂອງຝ້າຍ, ແລະວິເຄາະຜົນກະທົບຂອງອັດຕາສ່ວນທີ່ແຕກຕ່າງກັນຂອງການປູກພືດລະຫວ່າງຝ້າຍແລະຖົ່ວເຫຼືອງຕໍ່ການເຕີບໂຕຂອງຝ້າຍ, ເພື່ອສ້າງພື້ນຖານສໍາລັບການຄັດເລືອກອັດຕາສ່ວນຂອງການປູກພືດ. ລະຫວ່າງຝ້າຍແລະຖົ່ວເຫຼືອງແລະການປະເມີນຄວາມແມ່ນຍໍາສູງຂອງຝ້າຍ SPAD.
ເມື່ອປຽບທຽບກັບແບບຈໍາລອງ RFR, GBR, ແລະ SVR, ຮູບແບບ VRE ໄດ້ສະແດງໃຫ້ເຫັນຜົນການປະເມີນທີ່ດີທີ່ສຸດໃນການປະເມີນຝ້າຍ SPAD. ອີງໃສ່ຮູບແບບການປະເມີນ VRE, ຮູບແບບທີ່ມີລັກສະນະຮູບພາບຫຼາຍສີ, ລັກສະນະຮູບພາບທີ່ເຫັນໄດ້, ແລະການປະສົມຄວາມສູງຂອງພືດເປັນວັດສະດຸປ້ອນຂໍ້ມູນມີຄວາມຖືກຕ້ອງສູງສຸດກັບຊຸດທົດສອບ R2, RMSE, ແລະ RPD ຂອງ 0.916, 1.481, ແລະ 3.53 ຕາມລໍາດັບ.
ມັນໄດ້ຖືກສະແດງໃຫ້ເຫັນວ່າການລວມຂໍ້ມູນຫຼາຍແຫຼ່ງທີ່ປະສົມປະສານກັບການລົງຄະແນນສຽງ algorithm ການເຊື່ອມໂຍງສະຫນອງວິທີການໃຫມ່ແລະມີປະສິດຕິຜົນສໍາລັບການຄາດຄະເນ SPAD ໃນຝ້າຍ.
ເວລາປະກາດ: ວັນທີ 03-03-2024