Спутники начинают «понимать» сельскохозяйственные культуры: раскрывая секреты технологии сегментации гиперспектральных изображений на малых выборках.

В современном сельском хозяйстве технологии дистанционного зондирования постепенно меняют наше восприятие и управление земельными ресурсами. Гиперспектральное дистанционное зондирование, в частности, подобно тому, как если бы спутники получили вторую жизнь.«Химическое обоняние» Она способна выявлять тонкие различия в растениях. В отличие от традиционных камер, которые могут записывать только красный, зеленый и синий цвета, гиперспектральные камеры могут записывать сотни непрерывных спектральных диапазонов, точно «видя» различия между различными культурами, почвами и даже вредителями и болезнями.

Однако широкое применение этой технологии в сельском хозяйстве по-прежнему сталкивается с серьезной проблемой: недостаточное количество маркированных образцов. Например, для обучения модели определению участков, на которых выращивается кукуруза, а на каких она поражена болезнями, требуется большое количество образцов, размеченных вручную, что является трудоемким и дорогостоящим процессом. Особенно в отдаленных сельских районах или развивающихся странах сбор достаточного количества образцов практически невозможен.

Это привело к появлению новой технологии:Сегментация гиперспектральных изображений на небольшой выборке Цель состоит в том, чтобы «достичь большего с меньшими затратами» — обучить модель, которая может автоматически определять типы сельскохозяйственных культур или зоны распространения вредителей и болезней, используя лишь очень небольшое количество размеченных данных. Исследователи разработали нейронные сети, похожие на «зрительную кору головного мозга», такие как 3D-CNN, GCN и структуры Transformer, путем объединения пространственной и спектральной информации. Это позволяет модели понимать спектральные характеристики пикселей, а также распознавать форму и текстуру областей.

Кроме того, ученые разработали стратегию «переноса знаний», позволяющую модели сначала «изучить базовые знания» на основе общедоступных данных дистанционного зондирования, а затем «доработать» ее, используя небольшие сельскохозяйственные образцы для достижения быстрой адаптации. Другие исследователи разработали методы «расширения данных», позволяющие модели «практиковаться самостоятельно» путем вращения и изменения данных.

В будущем эта технология поможет фермерам получать информацию о состоянии посевов практически в режиме реального времени, прогнозировать урожайность и выявлять проблемные участки с помощью мобильных телефонов или дронов. Она повысит эффективность и точность управления сельским хозяйством и предоставит новые инструменты для обеспечения продовольственной безопасности.