Application des données hyperspectrales à l'identification et à la classification des cultures

La télédétection hyperspectrale permet de détecter des différences subtiles entre les cultures sur différentes gammes spectrales en acquérant en continu des informations sur la réflectance du sol dans des centaines de bandes spectrales étroites. Ces informations spectrales multidimensionnelles reflètent non seulement les caractéristiques physiques et chimiques des cultures, mais révèlent également leurs variations d'état à différents stades de croissance, offrant ainsi des avantages uniques pour l'identification et la classification des cultures en agriculture.

Pour l'identification des cultures, les différentes espèces présentent des différences significatives dans leurs courbes de réflectance spectrale, dues aux variations de structure foliaire, de composition pigmentaire et de teneur en eau. Plus particulièrement dans la région de transition entre le visible et le proche infrarouge, notamment dans la bande du « bord rouge » (680–750 nm), les variations de réflectance sont distinctes et constituent un critère essentiel de différenciation des espèces. Par exemple, la position du bord rouge du blé se déplace significativement vers le haut entre le stade de montaison et celui d'épiaison, tandis que la variation pour le maïs est relativement progressive, comme illustré sur la figure. Ces caractéristiques spectrales permettent une identification précise des types de cultures à partir de données hyperspectrales acquises sur une seule image.

Le processus typique de classification des cultures par imagerie hyperspectrale comprend quatre étapes clés. La première est…Acquisition et prétraitement des données Les données peuvent être collectées à l'aide de satellites hyperspectraux, tels que Xiguang-1 01 et Xiguang-1 05 (Tianxianpei), GF-5, PRISMA, de capteurs aéroportés ou de drones. Des données de réflectivité de haute qualité peuvent être obtenues grâce à un étalonnage radiométrique, une correction atmosphérique et d'autres étapes. Deuxièmement…Extraction de caractéristiques spectrales La troisième étape consiste à sélectionner les bandes de caractéristiques les plus discriminantes parmi les bandes hyperspectrales continues ou à construire des indices spectraux (tels que NDVI, indice de bord rouge, indice de chlorophylle, etc.) pour réduire la dimensionnalité et améliorer les performances de classification.construction du modèle de classification Les méthodes traditionnelles comprennent les machines à vecteurs de support (SVM), les forêts aléatoires (RF) et les méthodes de distance minimale. Ces dernières années, les modèles d'apprentissage profond (tels que les réseaux de neurones convolutifs (CNN) et les transformeurs) ont également démontré des performances supérieures dans le traitement des données hyperspectrales. Enfin…Vérification et optimisation de la précision Les performances de la classification sont évaluées à l'aide de métriques telles que la matrice de confusion, la précision globale et le coefficient Kappa. De plus, la précision de la classification est améliorée par la combinaison de la décomposition spectrale ou de la fusion de données de séries temporelles.

En pratique, l'identification et la classification des cultures par hyperspectrométrie constituent un outil essentiel pour la gestion agricole et l'élaboration des politiques. Par exemple, lors des inventaires annuels des structures de plantation, les données hyperspectrales permettent de cartographier rapidement et précisément la répartition des cultures, remplaçant ainsi les relevés manuels traditionnels et réduisant considérablement les coûts de main-d'œuvre. En agriculture de précision, la distinction des différents types de cultures et de leur répartition fournit une base spatiale pour une fertilisation et une irrigation de précision. En assurance agricole, les résultats de la classification hyperspectrale peuvent servir à vérifier les surfaces cultivées et à évaluer les dommages, améliorant ainsi l'équité et l'efficacité des indemnisations. De plus, le suivi des variations spectrales des cultures tout au long de la saison de croissance grâce à des données hyperspectrales multi-périodes permet d'améliorer encore la stabilité et la précision de la classification et d'identifier dynamiquement le cycle de croissance des cultures.