કપાસના વિકાસને મોનિટર કરવા માટે યુએવી મલ્ટિસ્પેક્ટ્રલ રિમોટ સેન્સિંગ

ત્રણ ફળદ્રુપતા તબક્કામાં કપાસની મલ્ટી-સ્પેક્ટ્રલ અને દૃશ્યમાન છબીઓ UAV-માઉન્ટેડ મલ્ટી-સ્પેક્ટ્રલ અને RGB સેન્સર દ્વારા હસ્તગત કરવામાં આવી હતી, તેમના વર્ણપટ અને છબી લક્ષણો કાઢવામાં આવ્યા હતા, અને જમીન પર કપાસના છોડની ઊંચાઈ સાથે મળીને, કપાસનું SPAD હતું. વોટિંગ રીગ્રેશન ઇન્ટિગ્રેટેડ લર્નિંગ (VRE) દ્વારા અંદાજિત અને ત્રણ મોડલ, એટલે કે, રેન્ડમ ફોરેસ્ટ સાથે સરખામણી રીગ્રેશન (RFR), ગ્રેડિયન્ટ બૂસ્ટેડ ટ્રી રીગ્રેશન (GBR), અને સપોર્ટ વેક્ટર મશીન રીગ્રેશન (SVR). . અમે કપાસની સાપેક્ષ હરિતદ્રવ્ય સામગ્રી પર વિવિધ અંદાજ મોડેલોની અંદાજની ચોકસાઈનું મૂલ્યાંકન કર્યું, અને કપાસના વિકાસ પર કપાસ અને સોયાબીન વચ્ચેના આંતરખેડના વિવિધ ગુણોત્તરની અસરોનું વિશ્લેષણ કર્યું, જેથી આંતરખેડના ગુણોત્તરની પસંદગી માટે આધાર પૂરો પાડી શકાય. કપાસ અને સોયાબીન વચ્ચે અને કપાસ SPAD ના ઉચ્ચ-ચોકસાઇ અંદાજ.

RFR, GBR અને SVR મૉડલની સરખામણીમાં, VRE મૉડેલે કપાસના SPADનો અંદાજ કાઢવામાં શ્રેષ્ઠ અંદાજ પરિણામો દર્શાવ્યા હતા. VRE અંદાજ મોડલના આધારે, મલ્ટીસ્પેક્ટ્રલ ઇમેજ ફિચર્સ, દૃશ્યમાન ઇમેજ ફિચર્સ અને ઇનપુટ્સ તરીકે પ્લાન્ટની ઊંચાઈ ફ્યુઝન સાથેનું મોડેલ અનુક્રમે 0.916, 1.481 અને 3.53ના ટેસ્ટ સેટ R2, RMSE અને RPD સાથે સૌથી વધુ ચોકસાઈ ધરાવતું હતું.