କପା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅର୍ଥକାରୀ ଫସଲ ଏବଂ କପା ବୟନ ଶିଳ୍ପ କଞ୍ଚାମାଲ ଭାବରେ, ଘନ ଜନବସତି ବୃଦ୍ଧି ସହିତ, କପା, ଶସ୍ୟ ଏବଂ ତୈଳବୀଜ ଫସଲ ଜମି ପ୍ରତିଯୋଗିତା ସମସ୍ୟା କ୍ରମଶଃ ଗୁରୁତର ହେଉଛି, କପା ଏବଂ ଶସ୍ୟ ଅନ୍ତଃଫସଲର ବ୍ୟବହାର କପା ଏବଂ ଶସ୍ୟ ଫସଲ ଚାଷ ମଧ୍ୟରେ ଥିବା ବିରୋଧାଭାସକୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ଦୂର କରିପାରିବ, ଯାହା ଫସଲର ଉତ୍ପାଦକତା ଏବଂ ପରିବେଶଗତ ବିବିଧତାର ସୁରକ୍ଷା ଇତ୍ୟାଦିକୁ ଉନ୍ନତ କରିପାରିବ। ତେଣୁ, ଆନ୍ତଃଫସଲ ମୋଡ୍ ଅଧୀନରେ କପା ବୃଦ୍ଧିକୁ ଶୀଘ୍ର ଏବଂ ସଠିକ୍ ଭାବରେ ତଦାରଖ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ।
ତିନୋଟି ପ୍ରଜନନ ପର୍ଯ୍ୟାୟରେ କପାଗୁଡ଼ିକର ମଲ୍ଟି-ସ୍ପେକ୍ଟ୍ରାଲ୍ ଏବଂ ଦୃଶ୍ୟମାନ ପ୍ରତିଛବିଗୁଡ଼ିକୁ UAV-ସ୍ଥାପିତ ମଲ୍ଟି-ସ୍ପେକ୍ଟ୍ରାଲ୍ ଏବଂ RGB ସେନ୍ସର ଦ୍ୱାରା ଅଧିଗ୍ରହଣ କରାଯାଇଥିଲା, ସେମାନଙ୍କର ବର୍ଣ୍ଣାଳୀ ଏବଂ ପ୍ରତିଛବି ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକୁ ବାହାର କରାଯାଇଥିଲା, ଏବଂ ଭୂମିରେ କପା ଗଛର ଉଚ୍ଚତା ସହିତ ମିଶ୍ରଣ କରାଯାଇଥିଲା, କପା SPAD କୁ ଭୋଟିଂ ରିଗ୍ରେସନ୍ ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ଲର୍ଣ୍ଣିଂ (VRE) ଦ୍ୱାରା ଆକଳନ କରାଯାଇଥିଲା ଏବଂ ତିନୋଟି ମଡେଲ୍, ଯଥା, ରାଣ୍ଡମ୍ ଫରେଷ୍ଟ ରିଗ୍ରେସନ୍ (RFR), ଗ୍ରେଡିଏଣ୍ଟ୍ ବୁଷ୍ଟେଡ୍ ଟ୍ରି ରିଗ୍ରେସନ୍ (GBR), ଏବଂ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ରିଗ୍ରେସନ୍ (SVR) ସହିତ ତୁଳନା କରାଯାଇଥିଲା। ଆମେ କପାର ଆପେକ୍ଷିକ କ୍ଲୋରୋଫିଲ୍ ବିଷୟବସ୍ତୁ ଉପରେ ବିଭିନ୍ନ ଆକଳନ ମଡେଲର ଆକଳନ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ, ଏବଂ କପା ବୃଦ୍ଧି ଉପରେ କପା ଏବଂ ସୋୟାବିନ୍ ମଧ୍ୟରେ ଆନ୍ତଃଫସଲର ବିଭିନ୍ନ ଅନୁପାତର ପ୍ରଭାବ ବିଶ୍ଳେଷଣ କରିଥିଲୁ, ଯାହା ଦ୍ଵାରା କପା ଏବଂ ସୋୟାବିନ୍ ମଧ୍ୟରେ ଆନ୍ତଃଫସଲର ଅନୁପାତ ଚୟନ ଏବଂ କପା SPAD ର ଉଚ୍ଚ-ସଠିକତା ଆକଳନ ପାଇଁ ଏକ ଆଧାର ପ୍ରଦାନ କରାଯାଇପାରିବ।
RFR, GBR, ଏବଂ SVR ମଡେଲଗୁଡ଼ିକ ସହିତ ତୁଳନା କରି, VRE ମଡେଲ କପା SPAD ଆକଳନ କରିବାରେ ସର୍ବୋତ୍ତମ ଆକଳନ ଫଳାଫଳ ଦେଖାଇଛି। VRE ଆକଳନ ମଡେଲ ଉପରେ ଆଧାରିତ, ଇନପୁଟ୍ ଭାବରେ ମଲ୍ଟିସ୍ପେକ୍ଟ୍ରାଲ୍ ପ୍ରତିଛବି ବୈଶିଷ୍ଟ୍ୟ, ଦୃଶ୍ୟମାନ ପ୍ରତିଛବି ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ଉଦ୍ଭିଦ ଉଚ୍ଚତା ମିଶ୍ରଣ ସହିତ ମଡେଲର ପରୀକ୍ଷା ସେଟ୍ R2, RMSE, ଏବଂ RPD ସହିତ ସର୍ବାଧିକ ସଠିକତା ଯଥାକ୍ରମେ 0.916, 1.481, ଏବଂ 3.53 ଥିଲା।
ଏହା ଦେଖାଯାଇଥିଲା ଯେ ଭୋଟିଂ ରିଗ୍ରେସନ ଇଣ୍ଟିଗ୍ରେସନ ଆଲଗୋରିଦମ ସହିତ ମିଶ୍ରିତ ମଲ୍ଟି-ସୋର୍ସ ଡାଟା ଫ୍ୟୁଜନ କପା ଉପରେ SPAD ଆକଳନ ପାଇଁ ଏକ ନୂତନ ଏବଂ ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତି ପ୍ରଦାନ କରେ।
ପୋଷ୍ଟ ସମୟ: ଡିସେମ୍ବର-୦୩-୨୦୨୪