القطن محصول نقدي مهم ومادة خام لصناعة المنسوجات القطنية. مع ازدياد الكثافة السكانية، تتفاقم مشكلة المنافسة على الأراضي بين محاصيل القطن والحبوب والبذور الزيتية. ويمكن لزراعة القطن والحبوب بين المحاصيل أن تُخفف بفعالية التناقض بين زراعة القطن والحبوب، مما يُحسّن إنتاجية المحصول ويحمي التنوع البيئي. لذلك، من الأهمية بمكان مراقبة نمو القطن بدقة وسرعة في ظل نظام الزراعة البينية.
تم الحصول على صور متعددة الأطياف ومرئية للقطن في ثلاث مراحل خصوبة بواسطة أجهزة استشعار متعددة الأطياف ومستشعرات RGB مثبتة على طائرات بدون طيار، وتم استخراج خصائصها الطيفية والصورية، وبدمجها مع ارتفاع نباتات القطن على الأرض، تم تقدير SPAD للقطن من خلال التعلم المتكامل للانحدار بالتصويت (VRE) ومقارنتها بثلاثة نماذج، وهي الانحدار العشوائي للغابات (RFR)، والانحدار الشجري المعزز بالتدرج (GBR)، والانحدار الآلي الداعم (SVR). قمنا بتقييم دقة تقدير نماذج التقدير المختلفة على محتوى الكلوروفيل النسبي للقطن، وحللنا آثار النسب المختلفة للزراعة البينية بين القطن وفول الصويا على نمو القطن، وذلك لتوفير أساس لاختيار نسبة الزراعة البينية بين القطن وفول الصويا والتقدير عالي الدقة لـ SPAD للقطن.
بالمقارنة مع نماذج RFR وGBR وSVR، أظهر نموذج VRE أفضل نتائج تقدير في تقدير SPAD القطني. بناءً على نموذج تقدير VRE، حقق النموذج الذي اعتمد على خصائص الصورة متعددة الأطياف، وخصائص الصورة المرئية، ودمج ارتفاع النبات كمدخلات، أعلى دقة مع مجموعة اختبار R2 وRMSE وRPD، حيث بلغت 0.916 و1.481 و3.53 على التوالي.
لقد تبين أن دمج البيانات متعددة المصادر مع خوارزمية تكامل الانحدار التصويتي يوفر طريقة جديدة وفعالة لتقدير SPAD في القطن.
وقت النشر: 03-12-2024