ချည်၊ စပါးနှင့် ဆီထွက်သီးနှံများ စိုက်ပျိုးမြေများ ပြိုင်ဆိုင်မှု ပြင်းထန်လာသဖြင့် ဝါဂွမ်းနှင့် ချည်မျှင် ချည်မျှင်များ အသုံးပြုမှု အကြား ကွဲလွဲမှုကို ထိရောက်စွာ သက်သာစေနိုင်သည် ။ ကောက်ပဲသီးနှံများ၏ ထုတ်လုပ်မှုစွမ်းအားကို မြှင့်တင်ပေးနိုင်သည့် ဝါဂွမ်းနှင့် ကောက်ပဲသီးနှံများ စိုက်ပျိုးခြင်း၊ ထို့ကြောင့်၊ intercropping mode အောက်တွင် ဝါဂွမ်းကြီးထွားမှုကို လျင်မြန်တိကျစွာ စောင့်ကြည့်ရန် အလွန်အရေးကြီးပါသည်။
ရောင်စဉ်တန်းသုံးခုနှင့် မြင်သာသော ချည်ရုပ်ပုံများကို UAV-mounted multi-spectral နှင့် RGB အာရုံခံကိရိယာများဖြင့် ရယူခဲ့ပြီး ၎င်းတို့၏ ရောင်စဉ်တန်းနှင့် ရုပ်ပုံသွင်ပြင်များကို ထုတ်ယူကာ မြေပြင်ရှိ ဝါဂွမ်းပင်များ၏ အမြင့်နှင့် ပေါင်းစပ်ကာ ချည်၏ SPAD သည် မဲပေးခြင်း ဆုတ်ယုတ်မှု ပေါင်းစပ်သင်ကြားမှု (VRE) ဖြင့် ခန့်မှန်းတွက်ချက်ပြီး မော်ဒယ်သုံးမျိုးနှင့် နှိုင်းယှဉ်ကာ ဥပမာအားဖြင့်၊ Random Forest Regression (RFR)၊ Gradient Boosted Tree Regression၊ (GBR) နှင့် ပံ့ပိုးမှု Vector Machine Regression (SVR)။ . ဝါဂွမ်း၏ နှိုင်းရ ကလိုရိုဖီးလ်ပါဝင်မှုအပေါ် မတူညီသော ခန့်မှန်းမော်ဒယ်များ၏ ခန့်မှန်းတွက်ချက်မှု တိကျမှုကို အကဲဖြတ်ပြီး ဝါဂွမ်းနှင့် ပဲပုပ်ကြားတွင် ရောယှက်ခြင်း၏ မတူညီသော အချိုးအစားများ၏ အကျိုးသက်ရောက်မှုများကို ခွဲခြမ်းစိတ်ဖြာကာ ပေါင်းခြင်း၏ အချိုးကို ရွေးချယ်ရန်အတွက် အခြေခံအဖြစ် ပံ့ပိုးပေးနိုင်ရန်၊ ဝါဂွမ်းနှင့် ပဲပိစပ်ကြားနှင့် ဝါဂွမ်း SPAD ၏ တိကျသော ခန့်မှန်းချက်။
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