Применение гиперспектральных данных в идентификации и классификации сельскохозяйственных культур.

Технология гиперспектрального дистанционного зондирования позволяет улавливать тонкие различия в характеристиках сельскохозяйственных культур в разных спектральных диапазонах путем непрерывного получения информации об отражательной способности поверхности земли в сотнях узких полос. Эта многомерная спектральная информация отражает не только физические и химические характеристики культур, но и выявляет изменения в их состоянии на разных стадиях роста, что предоставляет уникальные преимущества в идентификации и классификации сельскохозяйственных культур.

При идентификации сельскохозяйственных культур различные виды демонстрируют значительные различия в своих спектральных кривых отражения из-за вариаций в структуре листьев, составе пигментов и содержании воды. В частности, в переходной области от видимого к ближнему инфракрасному свету, а именно в полосе «красного края» (680–750 нм), вариации отражения у разных культур отчетливо выражены, что служит важной основой для дифференциации видов. Например, положение красного края у пшеницы значительно смещается вверх от стадии кущения к стадии колошения, в то время как изменение красного края у кукурузы происходит относительно постепенно, как показано на рисунке. Эти спектральные характеристики позволяют точно идентифицировать типы культур с использованием гиперспектральных данных в рамках одного периода изображения.

Типичный процесс гиперспектральной классификации сельскохозяйственных культур включает четыре ключевых этапа. Первый из них...Сбор и предварительная обработка данных Сбор данных может осуществляться с помощью гиперспектральных спутников, таких как Xiguang-101 и Xiguang-105 (Тяньсяньпэй), GF-5, PRISMA, бортовых датчиков или беспилотных летательных аппаратов, а высококачественные данные об отражательной способности могут быть получены посредством радиометрической калибровки, атмосферной коррекции и других этапов. Во-вторых...Извлечение спектральных характеристик Третий шаг заключается в отборе наиболее информативных полос признаков из непрерывных гиперспектральных диапазонов или построении спектральных индексов (таких как NDVI, индекс красной границы, индекс хлорофилла и т. д.) для уменьшения размерности и повышения эффективности классификации.Построение модели классификации К традиционным методам относятся машины опорных векторов (SVM), случайные леса (RF) и методы минимального расстояния. В последние годы модели глубокого обучения (такие как сверточные нейронные сети (CNN) и трансформеры) также продемонстрировали превосходные результаты в обработке гиперспектральных данных. Наконец...Проверка и оптимизация точности Эффективность классификации оценивается с помощью таких метрик, как матрица ошибок, общая точность и коэффициент Каппа. Кроме того, точность классификации повышается за счет сочетания спектрального разложения смесей или слияния данных временных рядов.

В практических приложениях гиперспектральная идентификация и классификация сельскохозяйственных культур могут оказывать решающую поддержку в управлении сельским хозяйством и разработке политики. Например, при ежегодных обследованиях структуры посевов гиперспектральные данные позволяют быстро и точно составить карту распределения культур, заменяя традиционные ручные обследования и значительно сокращая трудозатраты. В точном земледелии различение различных типов культур и их распределения обеспечивает пространственную основу для точного внесения удобрений и орошения. В сельскохозяйственном страховании результаты гиперспектральной классификации могут использоваться для проверки площади посевов и оценки ущерба, повышая справедливость и эффективность компенсаций. Кроме того, мониторинг спектральных изменений в культурах на протяжении всего вегетационного периода с использованием многопериодных гиперспектральных данных может еще больше повысить стабильность и точность классификации и обеспечить динамическую идентификацию цикла роста культуры.