Anwendung hyperspektraler Daten zur Pflanzenidentifizierung und -klassifizierung

Hyperspektrale Fernerkundungstechnologie kann feinste Unterschiede in Nutzpflanzen über verschiedene Spektralbereiche hinweg erfassen, indem sie kontinuierlich Bodenreflexionsinformationen in Hunderten von schmalen Spektralbändern misst. Diese hochdimensionalen Spektraldaten spiegeln nicht nur die physikalischen und chemischen Eigenschaften der Pflanzen wider, sondern zeigen auch Veränderungen in ihrem Zustand während verschiedener Wachstumsstadien auf und bieten somit einzigartige Vorteile für die Pflanzenidentifizierung und -klassifizierung in der Landwirtschaft.

Bei der Pflanzenidentifizierung weisen verschiedene Pflanzenarten aufgrund von Unterschieden in Blattstruktur, Pigmentzusammensetzung und Wassergehalt signifikante Unterschiede in ihren spektralen Reflexionskurven auf. Insbesondere im Übergangsbereich vom sichtbaren zum nahinfraroten Licht, dem sogenannten Rotrandbereich (680–750 nm), sind die Reflexionsvariationen verschiedener Pflanzenarten deutlich ausgeprägt und bilden eine entscheidende Grundlage für die Artendifferenzierung. So verschiebt sich beispielsweise die Rotrandposition von Weizen vom Schossen zum Ährenschieben deutlich nach oben, während die Veränderung der Rotrandposition von Mais relativ allmählich verläuft, wie in der Abbildung dargestellt. Diese spektralen Eigenschaften ermöglichen die präzise Identifizierung von Pflanzenarten mithilfe hyperspektraler Daten innerhalb eines einzigen Bildzeitraums.

Der typische Prozess der hyperspektralen Pflanzenklassifizierung umfasst vier Hauptschritte. Der erste ist...Datenerfassung und -vorverarbeitung Die Datenerfassung kann mithilfe von Hyperspektralsatelliten wie Xiguang-101 und Xiguang-105 (Tianxianpei), GF-5, PRISMA, luftgestützten Sensoren oder UAV-Plattformen erfolgen. Hochwertige Reflektivitätsdaten lassen sich durch radiometrische Kalibrierung, atmosphärische Korrektur und weitere Schritte gewinnen. Zweitens…Spektrale Merkmalsextraktion Im dritten Schritt werden die aussagekräftigsten Merkmalsbänder aus den kontinuierlichen hyperspektralen Bändern herausgefiltert oder Spektralindizes (wie NDVI, Red-Edge-Index, Chlorophyllindex usw.) erstellt, um die Dimensionalität zu reduzieren und die Klassifizierungsleistung zu verbessern.Konstruktion eines Klassifikationsmodells Zu den traditionellen Methoden gehören Support Vector Machines (SVM), Random Forests (RF) und Minimum-Distanz-Verfahren. In den letzten Jahren haben Deep-Learning-Modelle (wie Convolutional Neural Networks (CNN) und Transformer) ebenfalls überlegene Leistungen bei der Verarbeitung hyperspektraler Daten gezeigt. Schließlich…Genauigkeitsprüfung und -optimierung Die Klassifizierungsleistung wird anhand von Metriken wie der Konfusionsmatrix, der Gesamtgenauigkeit und dem Kappa-Koeffizienten bewertet. Darüber hinaus wird die Klassifizierungsgenauigkeit durch die Kombination mit spektraler Mischungszerlegung oder Zeitreihendatenfusion verbessert.

In der Praxis kann die hyperspektrale Pflanzenidentifizierung und -klassifizierung die landwirtschaftliche Betriebsführung und Politikgestaltung entscheidend unterstützen. Beispielsweise ermöglicht sie bei jährlichen Bestandsaufnahmen die schnelle und präzise Kartierung der Pflanzenverteilung, ersetzt herkömmliche manuelle Erhebungen und senkt die Arbeitskosten erheblich. In der Präzisionslandwirtschaft liefert die Unterscheidung verschiedener Pflanzenarten und ihrer Verteilung die räumliche Grundlage für eine präzise Düngung und Bewässerung. In der Agrarversicherung können hyperspektrale Klassifizierungsergebnisse zur Überprüfung der Anbaufläche und zur Schadensbewertung genutzt werden, was die Gerechtigkeit und Effizienz der Entschädigung verbessert. Darüber hinaus kann die Überwachung spektraler Veränderungen in den Pflanzen während der gesamten Vegetationsperiode mithilfe mehrperiodiger hyperspektraler Daten die Stabilität und Genauigkeit der Klassifizierung weiter steigern und die dynamische Identifizierung des Pflanzenwachstumszyklus ermöglichen.