பருத்தி வளர்ச்சியைக் கண்காணிக்க UAV மல்டிஸ்பெக்ட்ரல் ரிமோட் சென்சிங்

மூன்று கருவுறுதல் நிலைகளில் பருத்தியின் பல-நிறமாலை மற்றும் புலப்படும் படங்கள் UAV- பொருத்தப்பட்ட பல-நிறமாலை மற்றும் RGB சென்சார்களால் பெறப்பட்டன, அவற்றின் நிறமாலை மற்றும் பட அம்சங்கள் பிரித்தெடுக்கப்பட்டன, மேலும் தரையில் உள்ள பருத்தி செடிகளின் உயரத்துடன் இணைந்து, பருத்தியின் SPAD வாக்களிப்பு பின்னடைவு ஒருங்கிணைந்த கற்றல் (VRE) மூலம் மதிப்பிடப்பட்டது மற்றும் சீரற்ற வன பின்னடைவு (RFR), சாய்வு அதிகரித்த மர பின்னடைவு (GBR) மற்றும் ஆதரவு திசையன் இயந்திர பின்னடைவு (SVR) ஆகிய மூன்று மாதிரிகளுடன் ஒப்பிடப்பட்டது. பருத்தியின் ஒப்பீட்டு குளோரோபில் உள்ளடக்கத்தில் வெவ்வேறு மதிப்பீட்டு மாதிரிகளின் மதிப்பீட்டு துல்லியத்தை நாங்கள் மதிப்பீடு செய்தோம், மேலும் பருத்திக்கும் சோயாபீனுக்கும் இடையிலான ஊடுபயிரின் வெவ்வேறு விகிதங்களின் விளைவுகளை பருத்தியின் வளர்ச்சியில் பகுப்பாய்வு செய்தோம், இதனால் பருத்திக்கும் சோயாபீனுக்கும் இடையிலான ஊடுபயிர் விகிதத்தையும் பருத்தி SPAD இன் உயர்-துல்லிய மதிப்பீட்டையும் தேர்ந்தெடுப்பதற்கான அடிப்படையை வழங்கினோம்.

RFR, GBR மற்றும் SVR மாதிரிகளுடன் ஒப்பிடும்போது, ​​பருத்தி SPAD ஐ மதிப்பிடுவதில் VRE மாதிரி சிறந்த மதிப்பீட்டு முடிவுகளைக் காட்டியது. VRE மதிப்பீட்டு மாதிரியின் அடிப்படையில், மல்டிஸ்பெக்ட்ரல் பட அம்சங்கள், புலப்படும் பட அம்சங்கள் மற்றும் தாவர உயர இணைவு ஆகியவற்றை உள்ளீடுகளாகக் கொண்ட மாதிரி, முறையே 0.916, 1.481 மற்றும் 3.53 என்ற சோதனைத் தொகுப்பு R2, RMSE மற்றும் RPD உடன் மிக உயர்ந்த துல்லியத்தைக் கொண்டிருந்தது.