Последние достижения в области технологий представления гиперспектральных данных и их применение в сельском хозяйстве

Бин Лу 1 , Фуонг Д.Дао 1,2 , Цзянуй Лю 3 , Юхун Хэ 1, * и Джали Шанг 3

Аннотация: Дистанционное зондирование является полезным инструментом для мониторинга пространственно-временных изменений морфологического и физиологического состояния сельскохозяйственных культур и поддержки методов точного земледелия. По сравнению с мультиспектральным представлением, гиперспектральное является более совершенным методом, который способен получать детальный спектральный отклик целевых объектов. Из-за ограниченной доступности за пределами научного сообщества, гиперспектральные данные не получили широкого применения в точном земледелии. В последние годы появились различные миниатюрные и недорогие бортовые гиперспектральные датчики (например, Headwall Micro-Hyperspec, Cubert UHD 185-Firefly), а также запущены или будут запущены передовые космические гиперспектральные датчики (например, PRISMA, DESIS, ENMAP, HyspIRI). Гиперспектральные данные становятся все более доступными к применению в приложениях для сельского хозяйства. Между тем, получение, обработка и анализ гиперспектральных данных по-прежнему остаются сложной темой для исследований (например, большой объем данных, высокая размерность данных и комплексный анализ информации). Полезно провести тщательный и углубленный обзор технологии гиперспектрального представления (например, различных платформ и датчиков), методов, доступных для обработки и анализа гиперспектральных данных, и последних достижений гиперспектральной визуализации в приложениях для сельского хозяйства. Таким образом, были рассмотрены публикации за последние 30 лет в области технологии гиперспектральной визуализации и ее применения в сельском хозяйстве. Рассмотрены платформы и датчики совместно с аналитическими методами. Также оценены возможности гиперспектрального представления для различного применения (например, отображение биофизических и биохимических свойств сельскохозяйственных культур, характеристик почвы и классификации сельскохозяйственных культур). Этот обзор призван помочь исследователям и практикам сельского хозяйства лучше понять сильные и слабые стороны гиперспектральных данных для применения в сельском хозяйстве и способствовать внедрению этой важной технологии. Также представлены рекомендации для будущих исследований гиперспектральных данных для точного земледелия.

Ключевые слова: точное земледелие; дистанционное зондирование; гиперспектральные данные; платформы и датчики; аналитические методы; свойства сельскохозяйственных культур; характеристики почвы; классификация сельскохозяйственных признаков



1. Введение

Мировой сектор сельского хозяйства сталкивается с растущими проблемами, вызванными целым рядом факторов, включая быстро растущую численность населения, истощение природных ресурсов, загрязнение окружающей среды, болезни сельскохозяйственных культур и изменение климата. Точное земледелие является перспективным подходом к решению этих проблем путем совершенствования методов ведения сельского хозяйства, например, за счет приспособления ресурсов (например, воды и удобрений), гарантированных результатов (например, урожайности культур и биомассы) и снижения воздействия на окружающую среду. С помощью дистанционного зондирования можно определять изменение почв и сельскохозяйственных культур внутри поля и предоставлять полезную информацию для конкретных методов управления на местах [1,2] . Существует два типа технологий дистанционного зондирования: пассивное (например, оптическое) и активное (например, лидар и радар). Пассивное оптическое дистанционное зондирование обычно дополнительно делится на две группы в зависимости от спектрального разрешения датчиков - мультиспектральное и гиперспектральное [3]. Мультиспектральное представление облегчается за счет сбора спектральных сигналов в нескольких дискретных диапазонах, каждый из которых охватывает широкий спектральный диапазон от десятков до сотен нанометров. Гиперспектральное же представление определяет спектральные сигналы в серии непрерывных каналов с узкой спектральной полосой пропускания (обычно менее 10 нм); поэтому оно может фиксировать мелкомасштабные спектральные характеристики целевых объектов, которые могли бы быть упущены [4].

Мультиспектральные снимки (например, Landsat, Sentinel 2 и SPOT) широко используются в исследовании сельского хозяйства для получения различных характеристик сельскохозяйственных культур и почвы, таких как содержание хлорофилла в растениях, биомасса, урожайность и деградация почвы [5-10]. Однако из-за ограничений в спектральном разрешении точность полученных значений часто ограничена, и ранние сигналы о стрессе сельскохозяйственных культур (например, дефицит питательных веществ, болезни) не могут быть обнаружены эффективно и своевременно [11]. Гиперспектральные снимки (например, Hyperion, CASI и Headwall Micro-Hyperspec) с сотнями съемочных каналов могут захватывать более подробные спектральные характеристики, следовательно, они способны обнаруживать небольшие вариации почвенного покрова и их изменения с течением времени. Таким образом, гиперспектральные снимки могут быть использованы для решения указаных проблем и облегчения более точного и своевременного определения физиологического состояния сельскохозяйственных культур [12,13]. Предыдущие исследования также продемонстрировали превосходную производительность гиперспектральных данных по сравнению с мультиспектральными при мониторинге свойств растительности, таких как оценка индекса площади листьев (LAI) [14], различение типов культур [15], изучение биомассы культур [16] и оценка содержание азота в листьях [17]. Несмотря на свою выдающуюся производительность, гиперспектральное представление в последние несколько десятилетий сравнительно реже применялось в оперативных приложениях для сельского хозяйства из-за высокой стоимости датчиков и задач представления, а также различных технических сложностей (например, низкое отношение сигнал/шум и большой объем данных) [18-21]. Хотя наземные гиперспектральные данные могут быть быстро измерены с помощью спектрорадиометра (например, ASD Field Spec, Analytical Spectral Devices Inc., Boulder, CO, США) и широко использовались для наблюдения спектральных характеристик на уровне крон и листьев [22-24], такие наземные измерения ограничены несколькими участками и не могут фиксировать пространственную изменчивость на больших площадях. Напротив, гиперспектральные датчики более удобны для получения пространственной изменчивости спектральной информации по региону.

В последние годы был разработан широкий ассортимент миниатюрных и недорогих гиперспектральных датчиков, которые доступны для коммерческого использования, таких как Micro- и Nano-Hyperspec (Headwall Photonics Inc., Бостон, Массачусетс, США), Hyspex VNIR (Hyspex, Скедсмо, Скьеттен, Норвегия) и Firefleye (Cubert GmbH, Ульм, Германия) [11,25]. Эти датчики могут быть установлены на пилотируемых или беспилотных воздушных платформах (например, самолетах, вертолетах и беспилотных летательных аппаратах (БПЛА)) для получения гиперспектральных изображений и поддержки различных миссий по мониторингу [13,26,27]. Кроме того, недавно были запущены новые космические гиперспектральные датчики, такие как DESIS, запущенный в 2018 году [28], и PRISMA— запущенный в 2019 году [29] — или которые будут запущены в ближайшие несколько лет, например, EnMAP, с запланированным запуском в 2020 году [30,31]. В целом, становится доступным все больше гиперспектральных изображений с воздуха или из космоса, что открывает беспрецедентные возможности для улучшения мониторинга наземных объектов, особенно для лучшего изучения изменчивости урожая и почвы и поддержки точного земледелия. Чтобы выяснить, были ли в последние годы опубликованы дополнительные исследования по использованию гиперспектральных данных в сельском хозяйстве, был проведен поиск литературы. Web of Science и Google Scholar использовались для проведения поиска литературы по темам или ключевым словам, в том числе гиперспектральная съемка, визуализация, сельское хозяйство или фермерство и публикации в течение 30-летнего периода (с 1990 по 2020 год). Результаты поиска были дополнительно проверены, чтобы убедиться, что каждая публикация подпадает под сферу применения гиперспектральных данных для сельского хозяйства. Было обнаружено, что в последние годы растет число публикаций, в которых используются гиперспектральные данные для применения в сельском хозяйстве (рисунок 1). За последнее десятилетие было опубликовано значительно больше исследований (например, 245 статей опубликовано в 2011-2020), чем в предыдущем ( 97 опубликовано в 2001-2010 гг.).


Рисунок 1. Количество публикаций, в которых использовались гиперспектральные данные для применения в сельском хозяйстве (по состоянию на май 2020 года).

Этот обзор предназначен для того, чтобы сосредоточиться на получении, обработке и анализе гиперспектральных данных для различного применения в сельском хозяйстве. Обзор организован по следующим основным аспектам: (1) Платформы и датчики гиперспектральных снимков, (2) методы обработки и анализа гиперспектральных снимков и (3) применение гиперспектральных данных в сельском хозяйстве (таблица 1). Что касается платформ различных типов, использовались спутники, самолеты, вертолеты, беспилотные летательные аппараты с неподвижным крылом, многороторные БПЛА и платформы малой дальности (например, наземные или лабораторные). Эти платформы получают изображения с различным пространственным охватом, пространственным и временным разрешением, операционной сложностью и стоимостью миссии. Будет полезно обобщить различные платформы с точки зрения этих функции для поддержки выбора подходящего(их) для различных целей мониторинга. После получения необработанных гиперспектральных изображений предварительная обработка является шагом для получения точной спектральной информации. Во время предварительной обработки необходимо выполнить несколько процедур (обычно реализуемых в специализированном программном обеспечении для обработки данных дистанционного зондирования), включая радиометрическую калибровку, спектральную коррекцию, атмосферную коррекцию и геометрическую коррекцию. Хотя это стандартные этапы обработки большинства спутниковых снимков, это все еще может быть сложно выполнить на многих гиперспектральных изображениях с воздуха из-за различных технических проблем (например, требование высокоточных сигналов Глобальной системы позиционирования (GPS) для правильной геометрической коррекции, измерение солнечного излучения в реальном времени для точной спектральной коррекции). Не существует стандартизированных протоколов для всех датчиков из-за ограниченной доступности гиперспектральных данных в прошлом и того факта, что новые миниатюрные и недорогие гиперспектральные датчики представлены различными производителями с различными конфигурациями датчиков. В предыдущих исследованиях для решения этих проблем использовались различные подходы [12,19,32,33]. Поэтому важно пересмотреть эти подходы, чтобы помочь другим исследователям в более точной и эффективной обработке гиперспектральных изображений. После предварительной обработки, такой как калибровка и коррекция, может быть выполнено извлечение спектральной информации (например, выбор съемочного канала и уменьшение размера) для дальнейшего улучшения удобства использования гиперспектрального изображения. Методы этих процедур рассматриваются в настоящем исследовании.

При предварительной обработке гиперспектральных изображений требуется надежный и эффективный аналитический метод для анализа огромного объема информации, содержащейся в изображениях (спектральные, пространственные и текстурные характеристики), и извлечения целевых свойств (например, характеристик сельскохозяйственных культур и почвы). В предыдущих исследованиях использовался набор аналитических методов, включая эмпирическую регрессию (например, линейную регрессию, частичную регрессию наименьших квадратов (PLSR) и регрессию с несколькими переменными (MLR)), моделирование переноса излучения (RTM, например, PROSPECT и PROSAIL), машинное обучение (например, «случайный лес» (RF)), и глубокое обучение (например, сверточная нейронная сеть (CNN)) [34-37]. Эти методы были разработаны на основе различных теорий и имеют разную операционную сложность, эффективность вычислений и точность. Поэтому важно проанализировать сильные и слабые стороны этих методов и помочь выбрать подходящий(ие) для конкретных целей исследований. Используя гиперспектральную информацию, исследователи изучили широкий спектр особенностей сельского хозяйства. Некоторые популярные из них включают содержание воды в растениях, LAI, содержание хлорофилла и азота, вредителей и болезней, высоту растений, фенологическую информацию, влажность почвы и содержание в почве органического вещества [11,38]. Также будет полезно рассмотреть возможности гиперспектральных данных в этих исследованиях и продолжить изучение потенциала этой технологии для мониторинга других особенностей сельского хозяйства. Наконец, обсуждаются проблемы использования гиперспектральных данных для точного земледелия, а также будущие направления исследований. В некоторых предыдущих обзорных статьях обсуждались эти темы [11,38,39]. Более подробная информация и материалы этого обзора будут обсуждаться в каждом конкретном разделе. В целом, этот обзор направлен на изучение основных процедур сбора и использования гиперспектральных изображений для различного применения в сельском хозяйстве, для дальнейшего понимания сильных сторон и ограничений гиперспектральной технологии и содействия более быстрому внедрению этой ценной технологии в точное земледелие.

Таблица 1. Темы, рассмотренные в этой статье.

2. Платформы и датчики гиперспектральной съемки

Гиперспектральные датчики могут быть установлены на различных платформах, таких как спутники, самолеты, БПЛА и платформы малой дальности, для получения изображений с различным пространственным и временным разрешением. Платформы, используемые в литературе, были определены и обобщены за годы публикации с целью поиска платформ, которые использовались чаще в определенный период времени, и результаты показаны на рисунке 2. Самолеты были наиболее широко используемыми платформами для гиперспектральной съёмки в сельском хозяйстве (рисунок 2). Примерно 30 статей, в которых использовались самолеты, публиковались каждые пять лет, начиная с 2001 года (например, 27 публикаций в 2001-2005 годах и 38 в 2006-2010 годах). Для сравнения, гиперспектральная съемка со спутников использовалась реже; за все пятилетние периоды было опубликовано примерно 20 или менее статей. Беспилотные летательные аппараты являются популярными платформами для дистанционного зондирования и широко использовались в последнее десятилетие для гиперспектральной съемки в сельском хозяйстве (например, более 20 публикаций в 2011-2015 годах и 2016–2020). Платформы ближнего радиуса действия были наиболее широко использованы за последние пять лет (т. е. в 2016-2020 годах), с 49 публикациями (рисунок 2). Обзор в этом разделе структурирован на основе различных платформ, включая спутники, самолеты, беспилотные летательные аппараты и платформы ближнего действия. В отличие от предыдущих статей, в которых рассматривались гиперспектральные платформы [20,38,39], обзор в этом разделе больше посвящен последним достижениям платформ съемки (например, беспилотных летательных аппаратов, вертолетов и ближнего радиуса действия) и их применению в точном земледелии (например, классификация сорняков, мелкомасштабная оценка состояния сельскохозяйственных культур, вредителей и болезней).

2.1. Гиперспектральная съемка с космических спутников

По сравнению с большим количеством мультиспектральных датчиков на космических спутниках (например, Landsat, SPOT, WorldView, QuickBird, Sentinel-2), существует значительно меньшее количество гиперспектральных датчиков. EO-1 Hyperion, PROBA-CHRIS и Tiangong-1 [40] являются несколькими примерами доступных спутниковых гиперспектральных датчиков [20]. EO-1 Hyperion является наиболее широко используемым гиперспектральным датчиком для сельского хозяйства (более 40 публикаций). Он собирает данные в видимом, ближнем инфракрасном и коротковолновом инфракрасном диапазонах со спектральным разрешением 10 нм и пространственным разрешением 30 м. Дополнительные характеристики датчиков EO-1 Hyperion приведены в таблице 2. Датчик работал с 2000 по 2017 год, что соответствует периоду, когда было опубликовано больше публикаций с использованием спутниковой гиперспектральной съемки (например, с 2006 по 2020 год на рисунке 2). Об использовании данных Hyperion сообщалось в различных исследованиях сельского хозяйства для мониторинга различных свойств сельскохозяйственных культур и почвы, включая выявление болезней сельскохозяйственных культур [41,42], оценку свойств сельскохозяйственных культур (хлорофилла, LAI, биомасса) [43-45], оценку остатков сельскохозяйственных культур [46,47], классификацию видов сельскохозяйственных культур [48] и изучение особенностей почвы [49,50]. Некоторые из них, включая Wu и др. [45], оценили содержание хлорофилла в растительности и LAI в смешанном сельскохозяйственном поле с использованием данных Hyperion и исследовали спектральные диапазоны, чувствительные к этим свойствам растительности. Camacho Velasco и др. [48] использовали гиперспектральные данные Hyperion и различные алгоритмы классификации (например, картографирование спектральных углов и адаптивная оценка когерентности) для идентификации пяти видов сельскохозяйственных культур (масличной пальмы, каучука, травы для выпаса, цитрусовых и сахарного тростника) в Колумбии. Gomez и др. [49] предсказали содержание органического углерода почвы (SOC), используя как данные спектрорадиометра, так и гиперспектральный снимок Hyperion, и они обнаружили, что использование данных Hyperion привело к более низкой точности по сравнению с результатами, полученными из данных спектрорадиометра.

Рисунок 2. Количество публикаций, в которых использовались различные платформы гиперспектральной съемки с течением времени.

Также были проведены исследования для сравнения характеристик гиперспектральных снимков Hyperion с мультиспектральными снимками для оценки свойств сельскохозяйственных культур или классификации их типов. Например, Мариотто и др. [15] сравнили гиперспектральные снимки Hyperion с мультиспектральными снимками Landsat для оценки урожайности сельскохозяйственных культур и классификации их типов. Авторы сообщили о более высоких результатах использования гиперспектральных изображений, чем использование снимков Landsat для обеих целей исследования. Аналогичным образом, Бостан и др. [51] сравнили гиперспектральные снимки Hyperion с мультиспектральными снимками Landsat для классификации сельскохозяйственных культур, и также обнаружили, что более высокая точность классификации может быть достигнута при использовании гиперспектральных данных.



Таблица 2. Технические характеристики широко используемых гиперспектральных датчиков [11,20,52–56].

PROBA-CHRIS - еще один широко используемый спутниковый гиперспектральный датчик, запущенный в 2001 году. В исследованиях, таких как Verger и др. [57], использовались данные PROBA-CHRIS для извлечения LAI, доли растительного покрова (FCOVER) и доли поглощенной фотосинтетически активной радиации (FAPAR) на сельскохозяйственном поле. Antony и др. [58] определили три стадии роста пшеницы с использованием снятых под разными углами снимков PROBA-CHRIS и нашли оптимальные углы обзора для их идентификации. Casa и др. [59] оценили эффективность самолетного спектрометра (MIVIS) и данные из космоса PROBA-CHRIS для исследования текстуры почв, и они обнаружили, что эти данные имеют схожие характеристики, хотя данные PROBA-CHRIS имеют более низкое пространственное разрешение.

Существует несколько других спутниковых гиперспектральных датчиков, которые обычно не используются в сельском хозяйстве. Например, HYSI - это гиперспектральный датчик, установленный на индийском микроспутнике-1 (IMS-1), запущенном в 2008 году [60]. Он ведет съемку в диапазоне 400-950 нм с пространственным разрешением 550 м в надире [61]. Снимки HySI использовались для картирования различных признаков сельскохозяйственных объектов, таких как влажность и засоленность почвы [62]. Он также использовался для классификации сельскохозяйственных культур [63]. Однако эти данные не получили широкого применения в точном земледелии, что, вероятно, связано с низким пространственным разрешением и ограниченной доступностью. HICO - это еще один космический гиперспектральный датчик, который ведет съемку в спектральном диапазоне от 380 до 960 нм при пространственном разрешении 90 м [64]. Этот датчик был в основном предназначен исследования прибрежных вод океана и работал с 2009 по 2015 год.

Несколько космических гиперспектральных датчиков в последние годы были запущены или запланированы к запуску в ближайшие несколько лет. Например, Немецким аэрокосмическим центром (DLR) - DESIS гиперспектральный датчик, установленный на Международной космической станции, был запущен в 2018 году [65]. Этот датчик получает изображения в диапазоне от 400 до 1000 нм со спектральным разрешение 2,5 нм и пространственным разрешением 30 м. HISUI - японский гиперспектральный датчик, который также находится на борту Международной космической станции [66]. Он был запущен в 2019 году и ведет съемку в диапазоне от 400 до 2500 нм с пространственным разрешением 20 м и временным разрешением от 2 до 60 дней [20]. PRISMA - это итальянскый гиперспектральный датчик, запущенный в марте 2019 года. Его спектральное разрешение составляет 12 нм в диапазоне 400-2500 нм (~250 съемочных каналов в видимом и коротковолновом инфракрасном диапазонах). Его гиперспектральные изображения имеют пространственное разрешение 30 и 5 м для панхроматического диапазона [67]. ENMAP - это немецкий гиперспектральный датчик, который все еще находится на стадии разработки и производства [68]. Датчик EnMAP будет вести съемку от видимого до коротковолнового инфракрасного диапазона с пространственным разрешением 30 м. Его планируется запустить в 2020 году. SHALOM - это совместная миссия Израильского и Итальянского космических агентств, а запуск спутника запланирован на 2022 год [69]. Этот датчик будет вести гиперспектральную съемку с пространственным разрешением 10 м в спектральном диапазоне 400-2500 нм и панхроматическую с пространственным разрешением 2,5 м [70]. HyspIRI - еще одна гиперспектральная миссия, которая также находится на стадии изучения [71]. Этот датчик будет вести съемку в диапазоне от 380 до 2500 нм с интервалом 10 нм и пространственным разрешением 60 м.

Хотя данные PRISMA, ENMAP и HyspIRI еще недоступны, исследователи смоделировали изображения с использованием других данных и протестировали результативность смоделированных изображений для исследования различных особенностей растительности и почвы. Например, Malec и др. [72], Siegmann и др. [73] и Locherer и др. [74] смоделировали снимки EnMAP с использованием различных космических снимков и снимков с самолетов и применили смоделированные изображения для исследования различных свойств сельскохозяйственных культур и почвы. Bachmann и др. [75] создали изображение с помощью инструмента непрерывного моделирования EnMAP и изучили неопределенности, связанные со спектральной и радиометрической калибровкой. Castaldi и др. [76] смоделировали данные четырех существующих (EO-1 ALI и Hyperion, Landsat 8 (OLI), Sentinel-2 (MSI)) и три будущих датчиов (EnMAP, PRISMA и HyspIRI), использующих спектральную библиотеку почв, и сравнили их результативность для оценки свойств почвы. Castaldi и др. [77] использовали данные PRISMA, которые были смоделированы с помощью измеренных в лаборатории спектральных данных для оценки содержания глины, и попытались уменьшите влияние влажности почвы на оценку глины.

Предыдущие исследования подтвердили хорошую результативность спутниковых гиперспектральных датчиков для изучения особенностей сельского хозяйства, однако несколько факторов могут повлиять на широкое применение этих данных в точном земледелии, включая пространственное разрешение, временное разрешение и качество данных. Обнаружение и мониторинг многих сельскохозяйственных особенностей, таких как болезни сельскохозяйственных культур, заражение вредителями и состояние питательных веществ, требуют высокого пространственного и временного разрешения. Большая часть спутниковых гиперспектральных датчиков имеют среднее пространственное разрешение, 17 или 36 м для PROBA-CHRIS; 30 м для Hyperion, PRISMA и EnMAP, DESIS; и 60 м для HyspIRI. Предыдущие исследования показали, что такого пространственного разрешения недостаточно для применения в точном земледелии [20,49]. Чтобы преодолеть такие ограничения, исследователи попытались обработать гиперспектральные изображения, стремясь улучшить пространственное разрешение [73,78–80]. Lancan и др. [81] также рассмотрели различные методы обработки для создания гиперспектральных изображений с высоким пространственным разрешением.

Временное разрешение является еще одним фактором, который потенциально может ограничить применение спутниковых гиперспектральных изображений для точного земледелия. Большинство спутниковых датчиков имеют длинный цикл повторной съемки (обычно около двух недель), и поэтому ранние сигналы о стрессе сельскохозяйственных культур (болезни и вредители) могут быть пропущены. Это ограничение может быть еще более усугублено неблагоприятными погодными условиями (облачность). Наконец, низкое качество данных также является проблемой, которая может повлиять на результативность спутниковой гиперспектральной съемки для исследования особенностей сельского хозяйства. Низкое отношение сигнал/шум является хорошо известной проблемой данных Hyperion (в коротковолновом инфракрасном диапазоне (SWIR)), что повлияло на точность получения различных сельскохозяйственных характеристик [20]. Например, Asner и Heidebrecht [82], Gomez и др. [49] и Weng и др. [83] обнаружили, что низкое отношение сигнал/шум влияет на точность оценки нефотосинтетической растительности и почвенного покрова, органического вещества почвы и солености почвы, соответственно. Ожидается, что будущие спутниковые гиперспектральные миссии решат проблему качества данных.

2.2. Гиперспектральная съемка с самолета

Гиперспектральная съемка с самолета широко используется для съемки гиперспектральных снимков для различных целей мониторинга (для сельского или лесного хозяйства). Первым гиперспектральным датчиком был бортовой спектрометр AVIRIS, который был разработан и использован в 1987 году [84]. Он ведет съемку в 224 съемочных каналах от видимого до SWIR диапазона (таблица 2). Исследователи применили данные AVIRIS для изучения широкогоспектра особенностей сельского хозяйства, таких как изучение свойств растительности ( урожайность, LAI, содержание хлорофилла и воды) [85-88], анализ свойств почвы [89], оценка состояния здоровья сельскохозяйственных культур или выявление зараженности вредителями [90-92], а также составление карт посевных площадей или методов обработки почвы [93,94].

Помимо AVIRIS, CASI, HyMap и AISA Eagle также широко используют бортовые гиперспектральные датчики (таблица 2). Например, снимки CASI использовались для оценки содержания хлорофилла в растениях [95], исследования фракций растительного покрова [96], классификации сорняков [97] и определения зон управления [2]. Изображения HyMap были применены для изучения биофизических и биохимических переменных сельскохозяйственных культур (LAI, содержание хлорофилла и воды) [98-100], обнаружения сигналов стресса растений [101] и исследования пространственных закономерностей SOC [102]. Что касается изображений AISA, Ryu и др. [35] и Cilia и др. [103] использовали эти данные для оценки содержания азота в растениях, а Ambrus и др. [104] использовали их для оценки биомассы.

В предыдущих исследованиях использовались другие бортовые гиперспектральные датчики. Например, снимки AVIS были использованы для изучения целого рядя характеристик растительности (биомасса и хлорофилл) [105], гиперспектральные снимки Probe-1 были использованы для изучения остатков [106], RDACS-Н4 гиперспектральных изображений были использованы для обнаружения болезней сельскохозяйственных культур [34], гиперспектральный датчик AHS-160 был использован для картографирования SOC [107], датчик HIS был использован для оценка влажности почвы [108], PHI был использован для оценки LAI озимой пшеницы [109], и данные APEX были использованы для изучения взаимосвязи между SOC на пахотных землях и спектральными сигналами [110].

Большинство вышеупомянутых бортовых гиперспектральных снимков были получены с самолетов на средней / большой высоте над уровнем моря (высота 1-4 км для CASI, 20 км для AVIRIS), и полученные снимки обычно имеют высокое и среднее пространственное разрешение, например, 4 м для CASI, 5 м для HyMap, и 20 м для AVIRIS [111-113]. Такое пространственное разрешение подходит для картографирования многих сельскохозяйственных культур и почв. Однако обычно съемка должна быть запланирована вперед, и полетные задания стоят дорого [19]. Кроме того, для некоторых задач, таких как исследование особенностей на уровне видов или сообществ (например, идентификация сорняков или ранних сигналов болезней сельскохозяйственных культур), предпочтительны изображения с очень высоким субметровым пространственным разрешением [114,115]. Кроме того, из-за нестабильного характера самолетов в качестве съемочных платформ потребуется карданный подвес или высокоточный инерциальный измерительный блок (IMU) для компенсации изменения ориентации самолета или записи информации об ориентации для последующей коррекции изображения. Эти факторы ограничивали полное применение бортовой гиперспектральной съемки в точном земледелии. Пилотируемые вертолеты также использовались в качестве платформ для гиперспектральной съемки и исследования особенностей растительности [27,116]. Вертолеты имеют более гибкую высоту полета (100 м –2 км), чем самолеты, и способны получать изображения с высоким пространственным разрешением (субметровые) на больших площадях. Для выполнения задач съемки необходима авиационная компания с пилотируемым вертолетом, что требует дополнительной финансовой поддержки и дальнейшего предварительного планирования.

2.3. Гиперспектральная съемка с БПЛА


В последние годы БПЛА стали популярной платформой для получения данных дистанционного зондирования, особенно для многоспектральной съемки с использованием цифровых камер или мультиспектральных датчиков. С увеличением доступности легких гиперспектральных датчиков исследователи экспериментировали с установкой этих датчиков на БПЛА для получения гиперспектральных снимков с высоким пространственным разрешением [19,117]. В предыдущих исследованиях использовались различные типы БПЛА, включая мультироторные, вертолеты и с неподвижными крыльями (Рисунок 3). По сравнению с пилотируемыми самолетами и вертолетами, БПЛА способны получать снимки с высоким пространственным разрешением при гораздо меньших затратах, и обладают большой гибкостью при планировании полетного задания [118]. Несколько вариантов применения в сельском хозяйстве гиперспектральных снимков на основе БПЛА приведены в таблице 3.

Рисунок 3. Гиперспектральные системы БПЛА, использовавшиеся в предыдущих исследованиях сельского хозяйства. Рисунки были воспроизведены с разрешения соответствующих издателей: (a) MDPI [119], (b) MDPI [120], (c) MDPI [121] и (d) SPIE [122].



Таблица 3. Примеры применения гиперспектральной съемки с БПЛА в сельском хозяйстве.

В последние годы были разработаны различные легкие гиперспектральные датчики, которые могут быть установлены на беспилотных летательных аппаратах. Примеры датчиков включают широко используемые Headwill микро- и нано-гиперспектральные VNIR датчики [12,13,26,128], UHD 185-Firefly [53,130], датчик PIKA II [19,32] и HYSPEX VNIR [25,131]. Эти гиперспектральные датчики ведут съемку в более чем 100 каналах в видимом и ближнем инфракрасном спектральном диапазоне (Таблица 2). Эти датчики небольшие и компактные (1-2 кг), поэтому их можно быстро установить на различных пилотируемых или беспилотных платформах дистанционного зондирования. Предыдущие исследования, проведенные Adao и др. [11] и Lodhi и др. [52] также сравнили и обобщили различные легкие гиперспектральные датчики.

При применении гиперспектральной съемки с БПЛА необходимо учитывать большое количество факторов, начиная от настройки датчиков и сбора данных и заканчивая обработкой изображений. Saari и др. [122] проверили возможность создания гиперспектральной съемочной системы на базе БПЛА для применения в сельском и лесном хозяйстве и обсудили несколько проблем, связанных с технологией съемки (например, требования к оборудованию и системные настройки). Aasen и др. [132] сосредоточились на калибровке изображений, собранных с помощью датчика на основе кадров и обсудили несколько проблем, связанных с использованием гиперспектральной съемки на основе БПЛА для исследования растительности и сельскохозяйственных культур (например, полезная нагрузка БПЛА, соотношение сигнал/шум и спектральная калибровка). Habib и др. [120] попытались выполнить ортотрансформацию гиперспектральных изображений, полученных с помощью камер БПЛА типа pushbroom, с RGB-изображениями на основе кадров на сельскохозяйственное поле. Adao и др. [11] рассмотрели применение гиперспектральной съемки с БПЛА в сельском и лесном хозяйстве и перечислили несколько гиперспектральных датчиков, которые могут быть установлены на БПЛА. Авторы также обсудили несколько проблем при сборе и анализе гиперспектральных снимков на основе БПЛА, таких как радиометрический шум, низкое качество пространственной привязки и низкое соотношение сигнал/шум.

В последние годы гиперспектральная съемка на основе БПЛА стала более популярной, поэтому крайне важно проанализировать ее сильные и слабые стороны. Чтобы изучить больше возможностей этой технологии, этот раздел обзора не ограничивается только использованием в сельском хозяйстве. Различные типы БПЛА использовались в качестве платформ гиперспектральной съемки, причем два наиболее широко используемых - мультироторные [130,133,134] и с неподвижным крылом [33,120,135]. Медленные полеты на малых высотах предпочтительны для получения гиперспектральных изображений с высоким пространственным разрешением и высоким отношением сигнал/шум. Таким образом, мультироторные БПЛА более конкурентоспособны для гиперспектральной съемки с точки зрения летной эксплуатации, чем БПЛА с неподвижным крылом. В частности, мультиротор обеспечивает низкую высоту полета, гибкую скорость полета и вертикальный взлет и посадку, в то время как неподвижное крыло требует минимальной высоты полета, скорости и, иногда, аксессуаров для взлета и посадки. посадка (например, взлетно-посадочная полоса, пусковая установка и парашют). Гиперспектральная съемочная система, состоящая из гиперспектрального датчика, блока обработки данных, GPS и IMU, имеет значительный вес ( 1-3 кг), что создает проблемы с грузоподъемностью БПЛА и долговечностью ее батареи. Мультироторы, как правило, питаются от высокопроизводительных батарей (LiPo), и большинство из них имеют короткий срок службы (менее 20 минут). Продолжительность может составлять всего 3 минуты [12]. В отличие от них, многие БПЛА с неподвижным крылом работают на топливе, поэтому имеют гораздо более длительный срок службы (1-10 ч) [19,135]. Однако самолеты с неподвижным крылом в основном большие и тяжелые (размах крыльев 5 м и взлетная масса 14 кг)[135], и, таким образом, создают проблемы для летной эксплуатации. Используя БПЛА, исследователям необходимо учитывать БПЛА SWaP (размер, вес и мощность), географический охват, время полета, высоту и другие переменные. В дополнение к проблемам, связанным с созданием системы БПЛА и выполнением полетов, исследователи, потребуется подать заявку на получение разрешения на полет от авиационного органа (например, Сертификат специальных полетных операций (SFOC) от Transport Canada) и приобрести подходящую страховку на полет БПЛА [136]. Размер и вес БПЛА являются важными параметрами, которые необходимо учитывать в этих процессах. Кроме того, БПЛА должны быть видны во время полетов, чтобы пилот мог поддерживать постоянный визуальный контакт. Это может создать серьезную проблему при полете над большой площадью, холмистой местностью или лесом.

2.4. Гиперспектральная съемка с малого расстояния (наземная или лабораторная)

Гиперспектральная съемка с малого расстояния, в том числе наземная (рис. 4a-c) или лабораторная (рис. 4d, e), является новой технологией в последние годы, с ее помощью можно получать гиперспектральные изображения со сверхвысоким пространственным разрешением (сантиметровым или субсантиметровым) [137-139]. Таким образом, эта технология может быть использована для исследования крупномасштабных (на уровне листьев и полога) особенностей растительности и, таким образом, в значительной степени способствует исследованию состояния выращивания сельскохозяйственных культур и выявлению ранних признаков стресса у сельскохозяйственных культур (например, болезней, сорняков или недостатка питания). Датчики устанавливаются на движущихся или статичных платформах (линейных ступени, строительные леса или грузовики), которые могут быть развернуты в помещении или на открытом воздухе для сбора изображений. В качестве источников света на этих платформах используются лампы (галогенная лампа) или солнце.

Исследователи использовали различные типы платформ и гиперспектральных датчиков для сбора гиперспектральных изображений сверхвысокого пространственного разрешения для изучения различных сельскохозяйственных особенностей, как показано в таблице 4.



Таблица 4. Примеры применения гиперспектральной визуализации ближнего радиуса действия в предыдущих исследованиях

В целом, платформа гиперспектральной съемки с близкого расстояния способна получать гиперспектральные изображения сверхвысокого пространственного разрешения, что имеет решающее значение для исследования мелкомасштабных особенностей сельскохозяйственных культур или почвы. Эти функции предоставляют подробную информацию о биофизических и биохимических процессах растений, и о том, как растения реагируют на экологические стрессы и болезни. Однако сбор и обработка изображений также страдают от различных проблем, таких как неинформативная изменчивость, вызванная взаимодействием света со структурой растения (т. е. эффектами освещения), влиянием теней и расширением применения платформы в больших масштабах [141,146]. Необходимы дальнейшие исследования в этих областях.
Рисунок 4. Платформы для съемки с близкого расстояния, использовавшиеся в предыдущих исследованиях. Рисунки были воспроизведены с разрешения соответствующих издателей:
(а) Американское общество фотограмметрии и дистанционного Зондирование (ASPRS), Betheesda, Мэриленд, asprs.org [139]; (b) SPIE [148]; (c) Elsevier [138]; (d) Springer Nature [144]; (e) Elsevier [149].


Таким образом, различные платформы гиперспектральной съемки, включая спутники, самолеты, вертолеты, БПЛА и платформы близкого действия, имеют различные преимущества и недостатки для применения в точном сельском хозяйстве. Подробное сравнение этих платформ для применения в сельском хозяйстве показано в Таблице 5. В общем, спутниковые системы предоставляют снимки, охватывающие большие площади, но их минусами являются среднее пространственное разрешение и ограниченная доступность данных (например, ограниченное количество работающих датчиков и долгое время ожидания повторной съемки). Съемочные системы на базе самолетов и вертолетов получают данные с подходящим пространственным охватом и разрешением для большинства возможностей применения в сельском хозяйстве. Однако они ограничены высокой стоимостью съемки и проблемами планирования и, следовательно, не подходят для повторного мониторинга. Системы на базе БПЛА способны получать изображения многократно с высоким пространственным разрешением и обладают высокой гибкостью. Однако они могут охватывать лишь небольшую площадь из-за ограниченного объема батареи и авиационных ограничений. Системы съемки с близкого расстояния способны получать изображения со сверхвысоким пространственным разрешением, но их можно использовать только на уровне листьев или крон деревьев. Поэтому при выборе съемки для конкретного исследовательского проекта, следует учитывать следующие факторы: необходимое для исследования пространственное разрешение, площадь съемки и продолжительность полета, вес съемочной системы, грузоподъемность платформы, безопасность полетов и правила, гибкость эксплуатации и стоимость.


Таблица 5. Сравнение платформ гиперспектральной съемки

* Количество публикаций подсчитывалось на основе того, какая конкретная платформа использовалась в рассмотренной литературе.


3. Методы обработки и анализа гиперспектральных изображений

Гиперспектральные изображения, полученные различными платформами и датчиками, обычно предоставляются в необработанном формате (digital numbers), который необходимо предварительно обработать (атмосферная, радиометрическая и спектральная коррекция) для получения точной спектральной информации. Впоследствии могут быть использованы различные подходы для анализа гиперспектральной информации и исследования различных особенностей сельского хозяйства (свойства культур и почвы). Обычно используют такие методы как линейная регрессия, частичная регрессия наименьших квадратов (PLSR), машинное обучение и глубокое обучение (RF, CNN) и моделирование переноса излучения (например, PROSPECT и PROSAIL). Исследователи использовали один или несколько из этих методов для исследования различных особенностей сельского хозяйства. В этом разделе обзор составлен на основе различных методов, используемых в исследованиях.

3.1. Предварительная обработка гиперспектральных изображений

Типичная обработка гиперспектральных изображений включает геометрическую коррекцию, ортотрансформацию, радиометрическую коррекцию и атмосферную коррекцию. Для гиперспектральных снимков с ситем спутникового и самолетного базирования, геометрическая и коррекция и ортотрансформация обычно выполняются поставщиками данных, а радиометрические и атмосферные поправки могут быть выполнены в соответствии со стандартными этапами обработки изображений, доступными в программном обеспечении для обработки данных дистанционного зондирования. Для изображений на основе БПЛА, напротив, пользователям необходимо выполнить эти этапы обработки и выбрать соответствующие методы обработки и связанные с ними параметры. Например, цифровая модель рельефа (DEM) и наземные контрольные точки (GCPS) обычно необходимы для выполнения ортотрансформации и геометрической коррекции [12]. Если на БПЛА установлен датчик pushbroom, для этих корректировок потребуется точная информация об ориентации датчиков, записанная инерциальным измерительным блоком IMU, который должен быть интегрирован в БПЛА и хорошо откалиброван [12,27]. Пакеты программного обеспечения, обычно используемые в предыдущих исследованиях для выполнения этих поправок на гиперспектральных изображениях на основе БПЛА, включают ENVI (Exelis Visual Information Solutions, Боулдер, Колорадо, США) и PARGE (ResE Application Schläpfer, Виль, Швейцария) [12,26,117].

Радиометрическая коррекция проводится для преобразования значений digital numbers в излучение с использованием калибровочных коэффициентов, которые предоставляются производителем датчика [11]. Эти коэффициенты потребуется обновлять с течением времени из-за ухудшения спектральных материалов, используемых для создания гиперспектральных датчиков. Что касается атмосферной коррекции, хотя БПЛА летают на малых высотах, полученные сигналы все еще подвержены влиянию различных атмосферных поглощений и рассеяний, таких как поглощение кислорода при 760 нм; поглощение воды вблизи 820, 940, 1140, 1380 и 1880 нм; и поглощение углекислого газа при 2010 и 2060 нм [12,13,26,150]. Поэтому атмосферная коррекция имеет решающее значение для получения качественной спектральной информации. Однако Adao и др. [11] предполагают, что этот процесс может быть пропущен, если БПЛА эксплуатируются близко к земле. Поэтому применение атмосферной коррекции будет зависеть от конкретных задач полета и исследовательских целей (высота полета, если необходимы спектральные каналы, подверженные влиянию атмосферы). Программное обеспечение или методы, обычно используемые в предыдущих исследованиях для выполнения атмосферной коррекции на гиперспектральных изображениях на основе БПЛА, включает модель MODTRAN (Spectral Sciences Inc.), ENVI FLAASH (L3Harris Geospatial), PCI Geomatica (PCI Geomatics Corporate), модель SMARTS (Solar Consulting Services) и модель «эмпирических линий» [12,19,27,32,33,116].

Гиперспектральные изображения обычно имеют сотни каналов, и многие из них сильно коррелированы. Поэтому уменьшение размеров также является важной процедурой, которую необходимо учитывать при предварительной обработке гиперспектральных изображений. Во многих предыдущих исследованиях с использованием гиперспектральных изображений обсуждались проблемы избыточности данных и использовались различные методы для уменьшения размеров. Например, Miglani и др. [151] провели анализ главных компонент (PCA) на гиперспектральных изображениях и указали, что 99 % информации может быть объяснено в первых 10 основных компонентах. Amato и др. [152] обсудили несколько предыдущих методов уменьшения размерности, таких как PCA, минимальная доля шума (MNF) и разложение по сингулярным значениям (SVD), и предложили алгоритм уменьшения размерности, основанный на дискриминантном анализе для контролируемой классификации. Teke и др. [38] рассмотрели несколько методов уменьшения размеров и обобщили их на основе методов преобразования. Thenkabail и др. [153] обсудили проблемы высокой размерности и перечислили ряд спектральных каналов, которые более важны для исследования особенностей сельскохозяйственных культур. Sahoo и др. [4] рассмотрели различные методы уменьшения размерности, такие как PCA, проектирование однородных объектов (UMD), вейвлет-преобразования и искусственные нейронные сети (ANNs), и обсудили их особенности работы. Wang и др. [154] предложили метод уменьшения размерности на основе автоматического кодирования, основанный на глубоком обучении. Из этих различных методов вейвлет-преобразование является одним из наиболее широко используемых для уменьшения размеров. Этот метод разлагает сигнал на ряд масштабированных версий основной вейвлет-функции и позволяет варьировать вейвлет на основе частотной информации для извлечения локализованных признаков (например, локального спектрального изменения) [155,156]. Он также успешно использовался для объединения изображений, извлечения признаков и классификации изображений [156-158].

В дополнение к уменьшению размерности, анализ чувствительности полосы и выбор полосы также широко используются в гиперспектральном дистанционном зондировании для уменьшения размера данных путем выбора только тех полос, которые чувствительны к интересующему объекту. В предыдущих исследованиях для выбора полосы были предложены различные алгоритмы, такие как метод, основанный на быстром градиенте объема, который является неконтролируемым методом и последовательно удаляет наиболее избыточную полосу на основе градиента объема [159], способ выбора столбца на основе выделения, что увеличивает объем выбранного подмножества столбцов (полос) и является устойчивым к шумным полосам [160], и метод выбора заметной полосы на основе множественного ранжирования, что ставит вектора полосы в многосвязное пространство и выделяет группу на основе рейтинга, который может решить проблему неадекватного измерения разницы полос [161]. С помощью анализа чувствительности, предыдущие исследования выявили спектральные полосы, чувствительные к различным свойствам урожая, например, ~515, ~550, ~570, ~670, 700-740, ~800, и ~855 нм для исследования содержания хлорофилла; ~405, ~515, ~570, ~705, и ~720 нм для оценки содержания азота; ~970, ~1180, ~1245, ~1450, и ~1950 нм для оценки содержания воды; ~682, ~855, ~910, ~970, ~1075, ~1245, ~1518, ~1725, и ~2260 нм для оценки биомассы; и ~550, ~682, ~855, ~1075, ~1180, ~1450, и ~1725 нм для классификации культур [36,44,153,162]. В целом, предварительная обработка является важным шагом для улучшения качества гиперспектральных изображений и подготовки к дальнейшему анализу данных. После предварительной обработки аналитические методы, которые будут рассмотрены ниже, могут быть использованы для анализа гиперспектральной информации и исследования различных особенностей сельского хозяйства на местности.

3.2. Эмпирические взаимосвязи

Линейная регрессия является широко используемым методом анализа гиперспектральных изображений и получения целевой информации (свойств сельскохозяйственных культур и почвы). И спектральный коэффициент отражения, и индексы растительности могут быть использованы в качестве переменных предикторов при установлении линейной зависимости. Например, используя спектральные полосы, Finn и др. [108] построили линейные регрессии между данными полевых измерений влажности почвы и спектральным отражением собранных гиперспектральных изображений, и определили полосы, которые имеют более сильную корреляцию с влажностью почвы. В других исследованиях индексы растительности использовались в регрессии для повышения производительности, поскольку некоторые индексы могут усиливать сигнал целевых объектов и минимизировать фоновый шум. Некоторые из предыдущих исследований приведены в таблице 6.

Таблица 6. В некоторых предыдущих исследованиях для изучения особенностей сельского хозяйства использовались линейная регрессия и гиперспектральные индексы растительности.

В целом, линейная регрессия обычно используется для оценки широкого спектра свойств сельскохозяйственных культур или почвы. Это легко установить, и большинство регрессий на основе индексов обеспечили удовлетворительную точность. Однако с этим подходом связано несколько потенциальных проблем, таких как большое количество доступных индексов, и неизвестно, какой из них работает лучше, регрессия может быть очень чувствительной к размеру и качеству данных, а также проблема насыщения индексов [36,165]. Таким образом, крайне важно рассмотреть эти потенциальные проблемы и принять соответствующие решения при установлении линейных регрессий с гиперспектральными данными. Например, рекомендуется выбирать соответствующие индексы растительности с целевыми культурами или почвами. Исследователи оценили широкий спектр гиперспектральных индексов растительности для различных целей. Haboudane и др. [166] исследовали 11 гиперспектральных вегетационных индексов для оценки содержания хлорофилла в растениях. Main и др. [167] исследовали 73 вегетационных индекса для оценки содержания хлорофилла в сельскохозяйственных культурах и древесных породах саванны. Peng и Гительсон [168] протестировали 10 мультиспектральных индексов и 4 гиперспектральных для количественной оценки первичной продуктивности сельскохозяйственных культур. Croft и др. [169] проанализировали 47 гиперспектральных индексов для оценки содержания хлорофилла в листьях различных пород деревьев. Zhou и др. [170] оценили восемь гиперспектральных индексов для оценки содержания азота в пшенице на уровне полога. Tong и He [165] оценили 21 мультиспектральный и 123 гиперспектральных вегетационных индекса для расчета содержания хлорофилла в траве как в листьях, так и в пологе. Yue и др. [171] исследовали 54 гиперспектральных вегетационных индекса для оценки биомассы озимой пшеницы. Индексы в этих исследованиях выполнены по-разному, предлагается оценить наиболее эффективные из них в этих исследованиях и выбрать тот, который обеспечивает наивысшую точность.

Для решения проблем линейной регрессии расширенная регрессия, такая как MLR и PLSR, также широко использовалась в предыдущих исследованиях для оценки свойств сельскохозяйственных культур и почвы [172,173]. В сравнении с линейной регрессией, расширенные регрессионные модели в основном используют несколько переменных-предикторов в модели для достижения более высокой точности. PLSR является одной из наиболее широко используемых моделей для исследования свойств культур с использованием гиперспектральных изображений, такие как Ryu и др. [35], Jarmer [99], Siegmann и др. [73], и Yue и др. [124] использовали PLSR и гиперспектральные изображения для оценки различных биофизических и биохимических переменных культур (LAI, биомасса, содержание хлорофилла, свежесть, и содержание азота). Thomas и др. [100] исследовали PLSR для извлечения потенциала биогаза из гиперспектральных изображений и оценили влияние времени снимка на точность извлечения. Что касается особенностей почвы, Gomez и др. [49], Van Wesemael и др. [107], Hbirkou и др. [102] и Castaldi и др. [110] построили модель PLSR для оценки содержания SOC с использованием гиперспектральных изображений. Zhang и др. [50] использовали PLSR для оценки широкого спектра свойств почвы (влажность почвы, органическое вещество почвы, глина, общий углерод, фосфор и содержание азота) из гиперспектральных изображений и выявленных факторов, которые могут повлиять на точность модели (низкое отношение сигнал/шум, спектральное перекрытие различных характеристик почвы). Casa и др. [59] использовали модель PLSR и различные гиперспектральные изображения для исследования текстурных особенностей почвы и оценивали различные факторы (например, спектральный диапазон и разрешение, влажность почвы, ошибка геолокации), влияющие на производительность модели.

Модель PLSR реализована на Python и R [174,175] и широко используется во многих исследовательских областях, включая леса [176], луга [177] и воды [178]. Эта модель хорошо зарекомендовала себя в различных исследованиях, благодаря своим сильным сторонам в работе с большим количеством взаимосвязанных переменных-предикторов (т. е. путем преобразования их в несколько некоррелированных скрытых переменных), решения проблемы шума данных и решения проблемы чрезмерной подгонки [171,179]. Также было подтверждено, что различные методы эффективны для повышения точности модели PLSR, такие как включение различных типов переменных-предикторов в модели (например, спектральные полосы, индексы, текстурные переменные), использующих прогнозируемую остаточную ошибку суммы квадратов (PRESS) статистики для определения оптимального количества скрытых переменных и оценки характеристик для выбора более важных переменных-предикторов в модели [36]. Поэтому крайне важно тщательно изучить эти методы для достижения оптимальной точности модели.

3.3. Моделирование Переноса Излучения

Моделирование переноса излучения - это подход, основанный на физических принципах, который использует физические законы для моделирования взаимодействия электромагнитного излучения с растительностью (например, отражение, передача и поглощение) [180]. RTMS моделирует спектры растительности (например, коэффициент отражения и пропускания листьев) использование биофизических и биохимических свойств растительности (например, содержание хлорофилла и воды) в прямом режиме и для инверсии этих переменных из спектральных измерений в обратном режим [181]. PROSAIL - одна из наиболее широко используемых моделей RTM. Эта модель представляет собой интеграцию модели PROSPECT на уровне листьев и модели SAIL на уровне полога и способна имитировать отражательную способность полога с использованием свойств листьев (содержание хлорофилла и воды), структурных параметров полога (LAI и угла наклона листьев) и отражательной способности почвы [18].

PROSAIL также использовалась в сельском хозяйстве для исследования свойств сельскохозяйственных культур и почвы. Например, Casa и Jones [182] инвертировали PROSAIL и модель полога с трассировкой лучей с помощью данных гиперспектрального отражения, измеренных спектрорадиометром, и данных гиперспектрального изображения, полученных спектрометром, соответственно, для оценки LAI полога и оценки факторов, влияющих на точность оценки (неоднородная поверхность, вызванная структурой ряда культур). Richter и др. [98] использовали PROSAIL для оценки LAI, fCOVER, хлорофилла полога и содержания воды по гиперспектральным изображениям и сравнили ее производительность с другими методами (искусственной нейронной сетью). Richter и др. [183] применили PROSAIL для исследования аналогичных переменных растительности и проанализировали точность и эффективность этого метода. Wu и др. [184] исследовали чувствительность вегетационных индексов к содержанию хлорофилла в растительности, используя смоделированные результаты из модели PROSPECT, и предложили нескольких хорошо работающих индексов. Locherer и др. [74] попытались оценить LAI растительности, используя модель PROSAIL и гиперспектральные изображения из нескольких источников, и протестировали несколько методов (различные функции затрат и типы методов усреднения), используемых для процесса инверсии. Yu и др. [37] оценили диапазон переменных фенотипирования растительности (LAI и хлорофилл листьев) с использованием гиперспектральных изображений и PROSAIL и изучили чувствительность различных спектральных диапазонов к параметрам модели PROSAIL.

По сравнению с регрессионными моделями, рассмотренными в предыдущих разделах, RTM в меньшей степени использовались в литературе для исследования особенностей сельского хозяйства, главным образом из-за высокой сложности модели и вычислительной интенсивности. Например, необходимо учитывать широкий спектр параметров в RTM (хлорофилл, каротиноиды, содержание воды, индекс площади листьев, углы наклона листьев, углы солнца и коэффициент отражения почвы, наряду с другими параметрами в модели PROSAIL), и пользователям необходимо использовать различные методы (например, оценочную функцию, таблицу поиска) для облегчения прямых и инверсионных операций модели. Кроме того, для достижения прогнозов целевых переменных растительности требуется гораздо больше вычислительного времени, чем для регрессионных моделей. Однако также хорошо известно, что регрессионные модели, как правило, зависят от места и времени и не могут быть легко перенесены в другие географические регионы или в другое время [166]. В отличие от этого, RTM является более переносимым подходом, поскольку она основана на физических законах и не требует обучающих данных для восстановления модели. Кроме того, RTM способна оценивать ряд свойств растительности в одной модели, в то время как регрессионные модели обычно могут оценивать только одну переменную [36,185].

3.4. Машинное обучение и глубокое обучение

Алгоритмы машинного обучения, включая машинную регрессию опорных векторов (SVM) и RF, являются мощными инструментами для анализа гиперспектральной информации, поскольку они могут эффективно обрабатывать большое количество переменных (например, спектральное отражение и индексы растительности) [186]. Машинное обучение широко используется в области дистанционного зондирования для оценки свойств наземных объектов или классификации различных почвенных покровов [36,114,187]. Исследователи также использовали различные алгоритмы машинного обучения и гиперспектральные изображения для применения в сельском хозяйстве. SVM был широко используемым алгоритмом в предыдущих исследованиях для целей прогнозирования или классификации. Например, Honkavaara и др. [123] оценили биомассу сельскохозяйственных культур с использованием SVM и гиперспектральных изображений, полученных с помощью беспилотных летательных аппаратов. Bostan и др. [51] использовали SVM для классификации различных типов культур и достижения высокой точности классификации. Ran и др. [93] использовали классификаторы KNN и SVM для исследования методов обработки почвы на сельскохозяйственных полях и сравнивали их характеристики. RF - еще один широко используемый алгоритм для исследования сельскохозяйственных особенностей на основе гиперспектральных изображений. Например, Gao и др. [188] успешно классифицировали сорняки и кукурузу, используя RF и лабораторные гиперспектральные изображения. Используя наземные данные гиперспектрального отражения, полученные спектрорадиометром ASD, Siegmann и Jarmer [189] оценили производительность RF, SVM и PLSR для оценки LAI урожая и подтвердили хорошую производительность RF. Аналогичным образом, используя гиперспектральное отражение, Adam и др. [190] попытались обнаружить заболевание кукурузы с помощью RF модели. В целом, модели машинного обучения, как правило, обладают надежными характеристиками для исследования особенностей сельского хозяйства с использованием гиперспектральных изображений.

Глубокое обучение является подмножеством машинного обучения и расширяет машинное обучение, добавляя больше "глубины" (т.е. иерархического представления набора данных) в модель [191,192]. В последние годы это популярный подход для распознавания закономерностей на изображениях дистанционного зондирования и, следовательно, для исследования различных особенностей местности. Глубокое обучение широко используется в области дистанционного зондирования для классификации изображений, таких как классификация растительного покрова [193-195] и идентификация наземных объектов (например, здания) [196]. Глубокое обучение также применялось в точном земледелии для решения сложных проблем. Существующие исследования, например, исследование оценки урожайности с использованием СNN и мультиспектральных изображений вместе с климатическими данными [197], обнаружение болезней растений с помощью CNN и полученные на смартфон изображения [198], классификация сельскохозяйственных культур с использованием 3D CNN и разновременных мультиспектральных изображений [199], а также классификация сельскохозяйственного покрова земель с использованием глубокой рекуррентной нейронной сети и разновременных изображения SAR [200]. Kamilaris и Prenafeta-Boldu [191] рассмотрели применение глубокого обучения в области сельского хозяйства и производства продуктов питания, хотя не во всех исследованиях использовались изображения дистанционного зондирования. Singh и др. [201] рассмотрели ряд методов глубокого обучения и их применение, в частности в фенотипировании растений. До сих пор глубокое обучение не было хорошо изучено для обработки и анализа изображений дистанционного зондирования, особенно гиперспектральных изображений, для применения в сельском хозяйстве. Учитывая возможности глубокого обучения для изучения особенностей изображений и богатой информации в гиперспектральных изображениях, интеграция этих двух методов имеет широкий спектр применения в сельском хозяйстве (например, классификация сельскохозяйственных культур, мониторинг сорняков, обнаружение болезней сельскохозяйственных культур и оценка стресса растений). Необходимы дальнейшие исследования в этих областях.

Машинное обучение или глубокое обучение способно обрабатывать данные из нескольких источников и разных типов [202]. Например, помимо разнотипных изображений дистанционного зондирования (оптических, тепловых, лидарных и радиолокационных), другие источники данных, такие как погода, орошение и историческая информация об урожайности, также могут быть включены в процесс моделирования для, возможно, лучшей оценки целевых сельскохозяйственных характеристик [203]. Хотя модели машинного обучения и глубокого обучения являются мощными, также важно иметь в виду, что эти модели требуют большого количества и высококачественных обучающих образцов для достижения надежной производительности [202]. Недостаточные обучающие наборы данных или данные с проблемами (неполнота данных, шум и искажения) могут привести к нежелательным характеристикам модели.

Таким образом, различные аналитические методы (линейная регрессия, расширенная регрессия, машинное обучение и глубокое обучение, а также RTM) имеют разные уровни сложности, производительности и переносимости. Более подробные сравнения этих методов приведены в таблице 7. В целом, линейная регрессия является самым простым методом в использовании, и ее производительность в целом приемлема, хотя на этот метод может сильно влиять выбор переменных-предикторов и качество выборочных данных. Расширенная регрессия (например, PLSR) в основном работает лучше, чем линейная регрессия, поскольку она включает несколько переменных в модели и менее чувствительна к шуму данных. RTM (например, PROSAIL) способна создавать несколько продуктов данных (например, хлорофилл, вода и LAI) с достаточно высокой точностью. Одним из существенных преимуществ этого метода является его высокая переносимость. Однако этот метод обладает наибольшей сложностью, так как требует широкого диапазона параметров и обширного программирования. С точки зрения машинного обучения, многие алгоритмы, такие как RF и SVM, хорошо зарекомендовали себя и в основном хорошо работали в предыдущих исследованиях. Для достижения оптимальной производительности этого метода необходимы некоторые настройки программирования и модели. Глубокое обучение - относительно новый метод, который в последние годы становится все более популярным. Соответствующий дизайн модели и программирование имеют решающее значение для этого подхода. Это также требует значительного объема обучающих данных и вычислительных ресурсов для достижения хорошей производительности модели.

Таблица 7. Сравнение различных аналитических методов

4. Применение гиперспектра в сельском хозяйстве

Гиперспектральные снимки используются в сельском хозяйстве для различных целей, в том числе для оценки биохимических свойства культур (хлорофилл, каротиноиды, содержание воды) и биофизических свойств (LAI, биомасса) для понимания физиологического состояния растительности и прогнозирования доходности, оценки питательного режима растений (дефицит азота), мониторинга болезней сельскохозяйственных культур, и исследования свойств грунтов (влажность почвы, органическое вещество почвы и почвенный углерод). Предыдущие исследования также обобщили некоторые из вышеупомянутых применений гиперспектрального дистанционного зондирования в точном сельском хозяйстве [4,84]. Таким образом, в этом разделе мы больше сосредоточимся на последних гиперспектральных исследованиях и обобщим эти исследования в соответствии с конкретными приложениями.

4.1. Оценка биохимических и биофизических свойств сельскохозяйственных культур

Одно из важных применений гиперспектра в сельском хозяйстве является мониторинг состояния сельскохозяйственных культур путем определения их биохимических и биофизических свойств [8,99]. Например, содержание хлорофилла в листьях является важным биохимическим свойством, влияющим на фотосинтетическую способность растительности и контролирующим продуктивность сельскохозяйственных культур [99]. В предыдущих исследованиях Oppelt и Mauser [105] собрали данные AVIS для определения содержания хлорофилла и азота в поле озимой пшеницы. Аналогично, Moharana и Dutta [43] использовали данные Hyperion для оценки содержания этих двух биохимических компонентов в рисовом поле. LAI, с другой стороны, является фундаментальным биофизическим параметром растительности и тесно связан с выращиванием биомассы и получением урожая [98]. В предыдущих исследованиях для оценки LAI различных культур использовалось гиперспектральное дистанционное зондирование, и некоторые примеры исследований приведены в таблице 8.

Таблица 8. Выбранные предыдущие исследования с оценкой LAI для различных типов культур с использованием гиперспектральных изображений

В дополнение к вышеупомянутым биохимическим и биофизическим свойствам растительности, содержание воды в растениях является критическим параметром для выявления водного стресса. Richter и др. [98] попытались оценить содержание воды в кукурузе, сахарной свекле и озимой пшенице, используя данные с воздуха Hymap. Moharana и Dutta [204] исследовали водный стресс на рисовом поле и его изменения с использованием изображений Hyperion и указали, что оцененное дистанционным зондированием содержание воды хорошо согласуется с данными полевых наблюдений. Izzo и др. [128] оценили состояние воды на коммерческом винограднике с использованием гиперспектральных данных БПЛА и определили длины волн, чувствительные к содержанию воды в пологе. Sahoo и др. [4] обсудили применение гиперспектральных данных дистанционного зондирования для оценки водных свойств сельскохозяйственных культур и перечислили несколько вегетационных индексов для расчета содержания воды.

Из обзора литературы можно узнать, что многие предыдущие исследования были сосредоточены на оценке содержания хлорофилла в растениях, LAI и содержания воды с использованием гиперспектральных изображений, в то время как другие важные свойства растений, такие как каротиноиды, которые чувствительны к стрессу растений, изучены в меньшей степени. Кроме того, на производство сельскохозяйственных культур влияют все эти свойства растительности (хлорофилл, вода и LAI). Помимо изучения пространственных и временных изменений каждого свойства, также важно оценить взаимосвязи между этими свойствами и дополнительно понять, как они влияют на рост и производство сельскохозяйственных культур.

Оценка биомассы сельскохозяйственных культур и прогнозирование урожайности также являются важными приложениями дистанционного зондирования, поскольку они будут способствовать пониманию продуктивности сельскохозяйственных культур и внедрению подходящих управленческих мер [126]. Yue и др. [124] использовали гиперспектральные изображения на основе БПЛА для оценки надземной биомассы озимой пшеницы. Yang [205] и Mariotto и др. [15] использовали как мультиспектральные, так и гиперспектральные данные для оценки урожайности сельскохозяйственных культур и обнаружили, что модель, основанная на гиперспектральных изображениях, работает лучше. Кроме того, растительные остатки, оставленные на поле, являются важнейшими материалами, защищающими почву от водной и ветровой эрозии и влияющими на биохимические процессы в почве. Предыдущие исследования, такие как Bannari и др. [106], Galloza и Crawford [47], Bannari и др. [46] использовали различные гиперспектральные изображения для оценки остатков сельскохозяйственных культур на угодьях.

Помимо оценки биомассы и остатков сельскохозяйственных культур, еще одной темой исследований является изучение биоэнергии (например, биогаза), которая может быть получена из биомассы сельскохозяйственных культур. Thomas и др. [100] попытались оценить количество биогаза, которое может быть произведено на единицу биомассы, используя воздушные данные HyMap и достигли удовлетворительных результатов. В целом, гиперспектральные изображения внесли значительный вклад в оценку биомассы сельскохозяйственных культур, урожайности и других связанных с ними характеристик (например, биоэнергетики, растительных остатков). Поскольку биомасса и урожайность сельскохозяйственных культур в значительной степени зависят от методов ведения сельского хозяйства (например, полива и обработки кормов), включение этих практических данных вместе с гиперспектральными изображениями в модель потенциально может привести к лучшим результатам. Необходимы дополнительные исследования в этой области.

4.2. Оценка состояния питательных веществ сельскохозяйственных культур

Точное земледелие включает в себя оценку состояния питательных веществ в растениях и предоставление рекомендаций на конкретном участке для управления ресурсами в соответствии с потребностями сельскохозяйственных культур [206]. Такой подход имеет решающее значение для повышения эффективности использования ресурсов и снижения воздействия на окружающую среду [4,103]. В предыдущих исследованиях использовались гиперспектральные изображения для оценки содержания азота в различных типах сельскохозяйственных культур, как показано в таблице 9.

Таблица 9. Выбранные предыдущие исследования, оценивающие содержание азота для различных типов культур с использованием гиперспектральных изображений.

В целом, благодаря большому объему спектральной информации в гиперспектральных изображениях, состояние питательных веществ в растениях может быть оценено с высокой точностью, и может быть предложен соответствующий план обработки удобрениями для достижения оптимальной урожайности сельскохозяйственных культур. Однако также важно иметь в виду, что существует широкий спектр факторов, таких как влажность почвы, тип почвы и топографические условия, которые могут повлиять на рост и производство сельскохозяйственных культур. Более комплексный план лечения, учитывающий и статус питания сельскохозяйственных культур, и другие влияющие факторы могут внести больший вклад в производство сельскохозяйственных культур.

4.3. Классификация изображений для определения Типов культур, Стадий выращивания, Сорняков/Инвазивных видов и Стресса/Болезней

Помимо количественной оценки свойств сельскохозяйственных культур, гиперспектральные изображения также использовались для целей классификации, таких как разделение типов сельскохозяйственных культур, определение стадий выращивания сельскохозяйственных культур, классификация сорняков или инвазивных видов и выявление болезней [218]. Примеры предыдущих исследований приведены в таблице 10. Различные сельскохозяйственные угодья или типы сельскохозяйственных культур имеют различные спектральные характеристики; следовательно, гиперспектральные изображения могут внести значительный вклад в классификацию этих сельскохозяйственных объектов.

Таблица 10. Выбранные предыдущие исследования для классификации сельскохозяйственных объектов с использованием гиперспектральных изображений

Заражение сорняками является серьезной проблемой на сельскохозяйственных полях и может существенно повлиять на рост и урожайность сельскохозяйственных культур. Выявление и картирование сорняков на сельскохозяйственных полях с использованием дистанционного зондирования будет в значительной степени способствовать обработке с переменной скоростью на полях [219]. Исследователи использовали различные данные и методы дистанционного зондирования для картирования сорняков, как показано в таблице 11. В целом, идентификация сорняков, как правило, требует высокого пространственного разрешения, поскольку многие сорняки небольшого размера и смешаны с сельскохозяйственными культурами. Гиперспектральная съемка на основе БПЛА и близкого действия способна предоставлять изображения с высоким пространственным разрешением и, следовательно, обладает высоким потенциалом для обнаружения сорняков.

Таблица 11. Выбранные предыдущие исследования для обнаружения сорняков с использованием различных платформ гиперспектральной визуализации.

Мониторинг болезней сельскохозяйственных культур очень важен для производителей, пытающихся снизить экономические потери и потери урожая [38]. Гиперспектральное изображение собирает сигналы с высоким спектральным разрешением (интервлы менее 10 нм), и, таким образом, возможно, может выявлять ранние симптомы болезни сельскохозяйственных культур и помогать своевременным вмешательствам [225]. В предыдущих исследованиях использовались гиперспектральные изображения для выявления заболеваний в различных типах групп (таблица 12). В целом, гиперспектральные сигналы чувствительны к изменениям состояния роста сельскохозяйственных культур (вызванным болезнью или стрессом) и, таким образом, могут указывать на возникновение болезни или стресса у сельскохозяйственных культур. Однако, учитывая, что на состояние урожая могут влиять и другие факторы (например, дефицит питательных веществ), повторная съемка и анализ вместе с робастным моделированием будут иметь решающее значение для точного и своевременного выявления болезней сельскохозяйственных культур или стресса.


Таблица 12. Избранные предыдущие исследования по выявлению болезней у различных культур с использованием гиперспектральных изображений.

4.4. Восстановление влажности почвы, Плодородия и других физических или химических свойств

Свойства сельскохозяйственных почв, включая влажность почвы, органическое вещество почвы, засоленность почвы и шероховатость, являются важными факторами, влияющими на рост сельскохозяйственных культур и конечное производство [7]. Гиперспектральное дистанционное зондирование может внести значительный вклад в изучение этих факторов. Например, оценка влажности почвы является одной из самых популярных тем исследований. Finn и др. [108] оценили влажность почвы на трех различных глубинах с использованием гиперспектральных изображений с воздуха и линейной регрессии и обсудили вклад и ограничения гиперспектрального дистанционного зондирования для исследований влажности почвы. Casa и др. [229] исследовали содержание в почве воды, глины и песка, используя сочетание изображений CHRIS-PROBA и геофизических данных почвы. Shoshani и др. [7] обобщили четыре основных подхода к оценке влажности почвы: (1) Радиолокационные методы; (2) расчеты баланса излучения и температуры поверхности; (3) коэффициент отражения в видимом, ближнем инфракрасном и SWIR-диапазонах; и (4) интегративные [MB1] методы, использующие несколько спектральных диапазонов. Хотя влажность почвы можно оценить с помощью данных оптического дистанционного зондирования, на нее часто влияет растительный покров. Интеграция разнотипных данных дистанционного зондирования, например, SAR и тепловых данных, возможно, позволит получить более точные оценки.

SOC является важнейшим компонентом плодородия почвы, который в значительной степени контролирует как рост, так и урожайность сельскохозяйственных культур. Гиперспектральные данные обеспечивают точные спектральные детали, которые имеют решающее значение для оценки содержания SOC. В предыдущих исследованиях использовались гиперспектральные изображения, собранные различными платформами для исследования SOC (Таблица 13). В целом, гиперспектральные изображения обладают высоким потенциалом для оценки органического вещества почвы и углерода. Однако, подобно оценке влажности почвы, на исследование органического вещества и углерода почвы может сильно влиять растительный покров. Поэтому решением может быть гиперспектральная съемка в периоды, не связанные с вегетацией.

Таблица 13. Выбранные предыдущие исследования для оценки органического углерода почвы с использованием гиперспектральных изображений приобретается на разных платформах.

Гиперспектральные данные дистанционного зондирования также использовались для оценки других характеристик почвы, как показано в таблице 14. Из этих исследований можно сделать вывод, что гиперспектральные изображения могут быть использованы для изучения широкого спектра свойств почвы. Различные особенности почвы влияют на спектральные сигналы в разных диапазонах и с разной амплитудой, в то время как некоторые из этих влияний могут спектрально перекрываться. Поэтому при исследовании конкретной особенности почвы крайне важно собрать подходящее количество образцов почвы с другими особенностями почвы, которые обычно контролируются.


Таблица 14. Выбранные предыдущие исследования для изучения различных особенностей почвы с использованием гиперспектральных изображений.

Таким образом, гиперспектральная съемка была успешно использована в широком спектре применения для сельского хозяйства, как было рассмотрено выше и обобщено в таблице 15. Также предлагаются будущие направления исследований.



Таблица 15. Применение гиперспектра в сельском хозяйстве.

5. Выводы и рекомендации

Гиперспектральная съемка обладает большим потенциалом для применения в сельском хозяйстве, особенно в точном земледелии, благодаря обширной спектральной информации, чувствительной к различным биофизическим и биохимическим свойствам растений и почвы. В последние годы для сбора гиперспектральных изображений с различным пространственным, временным и спектральным разрешением стали более доступными многочисленные платформы, включая спутники, самолеты, БПЛА и платформы близкого расстояния. Эти платформы также обладают различными сильными сторонами и ограничениями с точки зрения пространственного охвата, продолжительности полета, гибкости, сложности эксплуатации и стоимости. Эти факторы необходимо учитывать при выборе платформы (платформ) съемки для конкретных исследовательских целей. Также необходимы дальнейшие технологические разработки для преодоления некоторых ограничений, таких как короткое время автономной работы при эксплуатации БПЛА и высокая стоимость гиперспектральных датчиков.

Различные аналитические методы, такие как линейная регрессия, расширенная регрессия, машинное обучение, глубокое обучение и RTM, были изучены в предыдущих исследованиях для анализа огромного количества информации в гиперспектральных изображениях для исследования различных особенностей сельского хозяйства. В предыдущих исследованиях в основном использовался регрессионный подход, в то время как более физически обоснованные методы, такие как RTM, были менее изучены. Глубокое обучение и эффективная аналитика больших данных являются мощными инструментами для распознавания закономерностей в данных дистанционного зондирования. Вместе с гиперспектральными изображениями модели глубокого обучения обладают высоким потенциалом для мониторинга широкого спектра сельскохозяйственных объектов. Различные аналитические методы имеют разные преимущества и недостатки, и поэтому крайне важно сравнивать эти методы для конкретных исследований (например, требований к точности и эффективности вычислений) и выбирать оптимальный подход. Кроме того, спектральная информация изображения обычно использовалась в качестве переменная для задач прогнозирования или классификации, в то время как другая информация, такая как текстура, была менее исследованной. Кроме того, некоторые другие источники данных, такие как погода, данные об орошении и историческая информация об урожайности, также могут быть использованы в некоторых аналитических методах (например, машинное обучение и глубокое обучение) для лучшего мониторинга особенностей урожая. Также необходимы дополнительные исследования в этих областях.

Гиперспектральная съемка успешно применяется в широком спектре сельскохозяйственных задач, включая оценку биохимических и биофизических свойств сельскохозяйственных культур, оценку состояния питательных веществ и стресса сельскохозяйственных культур, классификацию или обнаружение типов сельскохозяйственных культур, сорняков и болезней; и исследование характеристик почвы. Предыдущие исследования были сосредоточены на обсуждении одного или двух из многих факторов, влияющих на показатели роста и продуктивности сельскохозяйственных культур, и, следовательно, не могли всесторонне оценить состояние сельскохозяйственных культур и факторы, ограничивающие рост. Важно интегрировать эти факторы для достижения лучшего понимания их взаимосвязей для оптимального производства сельскохозяйственных культур и защиты окружающей среды. Кроме того, предыдущие исследования с использованием гиперспектральной съемки в основном были направлены на изучение роста сельскохозяйственных культур с целью повышения урожайности, в то время как меньшее количество исследований было сосредоточено на понимании экосистемной стороны растениеводства (например, экосистемных услуг и биоразнообразия). Необходимы дальнейшие исследования в этих областях.



Аббревиатуры

ALI Advanced Land Imager

APEX Airborne Prism Experiment

AVIS Airborne Visible Near-Infrared Imaging Spectrometer

AVIS Airborne Visible Near-Infrared Imaging Spectrometer

AVIRIS Airborne Visible/Infrared Imaging Spectrometer

ANN Artificial Neural Networks

CAI Cellulose Absorption Index

CAI Chlorophyll Absorption Integral

CARI Chlorophyll Absorption Ratio Index

CASI Compact Airborne Spectrographic Imager

CHRIS Compact High Resolution Imaging Spectrometer

CNN Convolutional Neural Network

DEM Digital Elevation Model

DESIS Dlr Earth Sensing Imaging Spectrometer

DCNI Double-Peak Canopy Nitrogen Index

EnMAP Environmental Mapping And Analysis Program

FAPAR Fraction Of Absorbed Photosynthetically Active Radiation

fCover Fraction Of Vegetation Cover

GCPs Ground Control Points

HSI Hyper Spectral Imaging

HySI Hyperspectral Imager

HICO Hyperspectral Imager For The Coastal Ocean

HISUI Hyperspectral Imager Suite

HyspIRI Hyperspectral Infrared Imager

HyMap Hyperspectral Mapper

h NDVI Hyperspectral Normalized Di_erence Vegetation Index

PRISMA Hyperspectral Precursor And Application Mission

IMU Inertial Measurement Unit

LAI Leaf Area Index

MTCI Meris Terrestrial Chlorophyll Index

MNF Minimum Noise Fraction

MCARI/MTVI2 Modified Chlorophyll Absorption Ratio Index/Modified Triangular Vegetation Index 2

MSR Modified Simple Ratio Index

MSAVI Modified Soil Adjusted Vegetation Index

MTVI2 Modified Triangular Vegetation Index

MIVIS Multispectral Infrared Visible Imaging Spectrometer

MSI Multispectral Instrument

MLR Multi-Variable Regression

NDRE Normalized Di_erence Red Edge

NDTI Normalized Di_erence Tillage Index

OLI Operational Land Imager

OSAVI Optimized Soil-Adjusted Vegetation Index

PLSR Partial Least Square Regression

PRI Photochemical Reflectance Index

PRESS Predicted Residual Error Sum Of Squares

PCA Principal Component Analysis

PHI Pushbroom Hyperspectral Imager

RTM Radiative Transfer Modelling

RF Random Forest

REP Red Edge Position

SWIR Shortwave Infrared

SR Simple Ratio

SVD Singular Value Decomposition

SOC Soil Organic Carbon

SHALOM Spaceborne Hyperspectral Applicative Land And Ocean Mission

SFOC Special Flight Operations Certificate

SVM Support Vector Machine Regression

TCARI Transformed Chlorophyll Absorption In Reflectance Index

TCI Triangular Chlorophyll Index

TVI Triangular Vegetation Index

UMD Uniform Feature Design

UAV Unmanned Aerial Vehicle

28 февраля / 2022

Made on
Tilda