કપાસના વિકાસ પર નજર રાખવા માટે યુએવી મલ્ટિસ્પેક્ટ્રલ રિમોટ સેન્સિંગ

ત્રણ ફળદ્રુપતા તબક્કામાં કપાસની મલ્ટી-સ્પેક્ટ્રલ અને દૃશ્યમાન છબીઓ UAV-માઉન્ટેડ મલ્ટી-સ્પેક્ટ્રલ અને RGB સેન્સર દ્વારા મેળવવામાં આવી હતી, તેમના સ્પેક્ટ્રલ અને છબી લક્ષણો કાઢવામાં આવ્યા હતા, અને જમીન પર કપાસના છોડની ઊંચાઈ સાથે જોડીને, કપાસના SPAD નો અંદાજ મતદાન રીગ્રેશન ઇન્ટિગ્રેટેડ લર્નિંગ (VRE) દ્વારા કરવામાં આવ્યો હતો અને તેની સરખામણી ત્રણ મોડેલો, જેમ કે રેન્ડમ ફોરેસ્ટ રીગ્રેશન (RFR), ગ્રેડિયન્ટ બુસ્ટેડ ટ્રી રીગ્રેશન (GBR), અને સપોર્ટ વેક્ટર મશીન રીગ્રેશન (SVR) સાથે કરવામાં આવી હતી. . અમે કપાસના સંબંધિત હરિતદ્રવ્ય સામગ્રી પર વિવિધ અંદાજ મોડેલોની અંદાજ ચોકસાઈનું મૂલ્યાંકન કર્યું, અને કપાસના વિકાસ પર કપાસ અને સોયાબીન વચ્ચે આંતરપાકના વિવિધ ગુણોત્તરની અસરોનું વિશ્લેષણ કર્યું, જેથી કપાસ અને સોયાબીન વચ્ચે આંતરપાકના ગુણોત્તરની પસંદગી અને કપાસ SPAD ના ઉચ્ચ-ચોકસાઇ અંદાજ માટે આધાર પૂરો પાડી શકાય.

RFR, GBR અને SVR મોડેલ્સની તુલનામાં, VRE મોડેલે કપાસ SPAD ના અંદાજમાં શ્રેષ્ઠ અંદાજ પરિણામો દર્શાવ્યા. VRE અંદાજ મોડેલના આધારે, ઇનપુટ તરીકે મલ્ટિસ્પેક્ટ્રલ છબી સુવિધાઓ, દૃશ્યમાન છબી સુવિધાઓ અને છોડની ઊંચાઈ ફ્યુઝન ધરાવતા મોડેલમાં અનુક્રમે 0.916, 1.481 અને 3.53 ના ટેસ્ટ સેટ R2, RMSE અને RPD સાથે સૌથી વધુ ચોકસાઈ હતી.