လူနေထူထပ်သောဒေသများ တိုးပွားလာသဖြင့် ဝါဂွမ်း၊ စပါးနှင့် ဆီထွက်သီးနှံ မြေယာပြိုင်ဆိုင်မှု ပြဿနာသည် ပိုမိုပြင်းထန်လာကာ ဝါနှင့် စပါးကို ရောနှောအသုံးပြုခြင်းသည် ဝါဂွမ်းနှင့် ကောက်ပဲသီးနှံများ စိုက်ပျိုးခြင်းကြား ကွဲလွဲမှုကို ထိရောက်စွာ လျှော့ချနိုင်ကာ သီးနှံများ၏ ထုတ်လုပ်မှုစွမ်းအားကို မြှင့်တင်ပေးနိုင်သော သီးနှံမျိုးကွဲများ နှင့် ဂေဟစနစ်ဆိုင်ရာ ကာကွယ်မှုတို့ဖြစ်သည်။ ထို့ကြောင့်၊ intercropping mode အောက်တွင် ဝါဂွမ်းကြီးထွားမှုကို လျင်မြန်တိကျစွာ စောင့်ကြည့်ရန် အလွန်အရေးကြီးပါသည်။
UAV-mounted multi-spectral နှင့် RGB အာရုံခံကိရိယာများဖြင့် UAV-mounted multi-spectral နှင့် မြင်နိုင်သော ဝါဂွမ်းပုံများကို ထုတ်ယူပြီး မြေပြင်ပေါ်ရှိ ဝါဂွမ်းပင်များ၏ အမြင့်နှင့် ပေါင်းစပ်ထားသော SPAD ကို မဲပေးခြင်း ဆုတ်ယုတ်မှု ပေါင်းစပ်သင်ယူမှု (VRE) ဖြင့် ခန့်မှန်းတွက်ချက်ထားပြီး မော်ဒယ်သုံးမျိုးဖြစ်သည့် RF (RandomR Random Forest Regress) နှင့် နှိုင်းယှဉ်ကာ၊ (GBR) နှင့် Support Vector Machine Regression (SVR)။ . ဝါဂွမ်းနှင့် ပဲပိစပ်ကြား ကောက်နှံမှုအချိုးနှင့် တိကျမှုမြင့်မားသော SPAD ၏ တိကျမှုမြင့်မားသော ခန့်မှန်းချက်တို့ကို ပံ့ပိုးရန်အတွက် ဝါဂွမ်း၏ SPAD ၏ တိကျမှုမြင့်မားသော ခန့်မှန်းတွက်ချက်မှုအား ပံ့ပိုးပေးရန်အတွက် အမျိုးမျိုးသော ခန့်မှန်းမော်ဒယ်များ၏ ခန့်မှန်းတွက်ချက်မှုပုံစံများ၏ တိကျမှန်ကန်မှုကို ကျွန်ုပ်တို့ အကဲဖြတ်ပါသည်။
RFR၊ GBR၊ နှင့် SVR မော်ဒယ်များနှင့် နှိုင်းယှဉ်ပါက၊ VRE မော်ဒယ်သည် ဝါဂွမ်း SPAD ကို ခန့်မှန်းရာတွင် အကောင်းဆုံး ခန့်မှန်းချက်ရလဒ်များကို ပြသခဲ့သည်။ VRE ခန့်မှန်းချက် မော်ဒယ်ကို အခြေခံ၍ ဘက်စုံပုံသဏ္ဍာန်များ၊ မြင်နိုင်သော ရုပ်ပုံအင်္ဂါရပ်များနှင့် အပင်အမြင့် ပေါင်းစပ်မှုပါရှိသော မော်ဒယ်သည် စမ်းသပ်သတ်မှတ်ထားသော R2၊ RMSE နှင့် RPD 0.916၊ 1.481 နှင့် 3.53 အသီးသီးဖြင့် အမြင့်မားဆုံးတိကျမှုရှိသည်။
မဲပေးခြင်းဆုတ်ယုတ်မှု ပေါင်းစပ်မှု အယ်ဂိုရီသမ်နှင့် ပေါင်းစပ်ထားသော ရင်းမြစ်ဒေတာ ပေါင်းစည်းမှုသည် SPAD ခန့်မှန်းချက်အတွက် အသစ်ပြီး ထိရောက်သောနည်းလမ်းကို ပံ့ပိုးပေးကြောင်း ပြသထားသည်။
စာတိုက်အချိန်- ဒီဇင်ဘာ-၀၃-၂၀၂၄