Анализ применения гиперспектральных изображений (HRSI) для обнаружения сорняков на рисовых полях: Обзор

**Nursyazalina Sulaiman¹, Nik Norasiah Che Ya¹*, Muhammad Husni Mohd Roslim²,⁴, Abdul Shukor Juraimi³, Nisafira Mohd Noor¹ and Wan Fazilah Fazili¹**
1. Department of Agriculture Technology, Faculty of Agriculture, Universiti Putra Malaysia (UPM), Serdang 43400, Malaysia; syaz_yl@yahoo.com (N.S.); wanfazilah@upm.edu.my (W.F.)
2. Department of Crop Science, Faculty of Agricultural Science and Forestry, Universiti Putra Malaysia Bintulu Campus, Bintulu 97000, Malaysia; muhammadhusni@upm.edu.my
3. Department of Crop Science, Faculty of Agriculture, Universiti Putra Malaysia (UPM), Serdang 43400, Malaysia; abdulshukor@upm.edu.my
4. Department of Geography, Faculty of Arts and Social Sciences, University of Malaya, Kuala Lumpur 50603, Malaysia; isk@um.edu.my
*Correspondence: niknorasiah@upm.edu.my; Tel.: +603-9768-4982

Аннотация:

 Сорняки встречаются на всех сельскохозяйственных угодьях по всему миру. Сорняки конкурируют за свет, воду и питательные вещества с культурными растениями, привлекают вредителей и болезни, а также привлекают вредных насекомых и вредителей, что приводит к потере урожая. В последние годы были разработаны новые технологии обнаружения сорняков для повышения скорости и точности обнаружения сорняков, что помогает разрешить противоречие между целями улучшения здоровья почвы и достижения достаточного контроля сорняков для прибыльного земледелия. В последние годы различные платформы, такие как спутники, самолеты, беспилотные летательные аппараты (БПЛА) и платформы ближнего действия, стали более широко доступны для получения гиперспектральных изображений с различным пространственным, временным и спектральным разрешением. Растения должны быть разделены на культурные растения и сорняки на основе их видов для успешного обнаружения сорняков.

Таким образом, классификация гиперспектральных изображений также стала популярной с появлением гиперспектральной технологии. Гиперспектральные методы дистанционного зондирования с использованием беспилотных летательных аппаратов (БПЛА) недавно появились как ценный инструмент в сельскохозяйственном дистанционном зондировании, с огромным потенциалом для обнаружения сорняков и разделения видов. Таким образом, в данной статье будет рассмотрена проблема сорняков на рисовых полях в Малайзии и основное внимание будет уделено применению гиперспектральных методов дистанционного зондирования (HRSI) для обнаружения сорняков с использованием алгоритмов и моделирования, применяемых для анализа различий между сорняками.

Введение

Сельскохозяйственный сектор обеспечивает значительный экономический рост, поскольку является источником продовольствия, поставщиком промышленного сырья, а также создаёт рабочие места для большого числа людей [1, 2].

В Малайзии сельскохозяйственная отрасль остаётся одним из ведущих секторов социально-экономической деятельности. Она обеспечивает около 8,7% годового валового внутреннего продукта (ВВП) и 11,4% общей занятости [3].

Основу сельскохозяйственной деятельности в Малайзии составляют: гевея бразильская (Hevea brasiliensis (Willd. Ex A. Juss) Mull. Arg) — выращивание каучуконосов; масличная пальма (Elaeis guineensis); рис (Oryza sativa L.). [4]
Сельское хозяйство сосредоточено на устойчивом производстве продуктов питания и обеспечении стабильного предложения высококачественной и безопасной продукции.

В связи с ростом численности населения в ближайшие годы потребуется существенно увеличить объёмы мирового производства продовольствия — при этом возможности расширения посевных площадей ограничены [5].
Однако существует ряд проблем, приводящих к низкой урожайности сельскохозяйственных культур, в том числе: нестабильные погодные условия; нехватка рабочей силы; неудовлетворительное состояние сельскохозяйственного оборудования; снижение качества почвы и семян; ограничения в применении новых технологий [4, 6].

В сельскохозяйственной экосистеме сорные растения конкурируют с культурными посевами за доступ к источнику света, питательным веществам, уровню влажности и газообмену. Это приводит к снижению урожайности и ухудшению качества продукции [3, 7].

Для сельскохозяйственного производства потенциал ущерба, наносимого сорняками, определяется несколькими факторами: видом сорного растения; плотностью произрастания сорняков; временем их появления; продолжительностью периода, в течение которого сорняки воздействуют на посевы; одновременным прорастанием сорняков вместе с культурными растениями, что усиливает конкуренцию за ограниченные ресурсы роста и может привести к критическому снижению урожайности [2, 8].

В данной работе рассматривается проблема распространения сорняков на рисовых полях Малайзии. Основное внимание уделяется применению гиперспектральной съёмки с помощью дистанционных сенсоров (HRSI) для анализа и выявления сорняков.

Результаты исследования могут быть полезны учёным, особенно в развивающихся странах, — они позволят эффективнее бороться с распространением сорняков и повышать урожайность.

Ключевая задача данной работы — выявление сорняков на рисовых полях с использованием платформы гиперспектрального дистанционного зондирования. При этом в обзор также включена информация о применении гиперспектрального дистанционного зондирования для обнаружения сорняков на других сельскохозяйственных культурах.

2. Методология

Эта статья представляет собой традиционный обзор литературы. Источники статей и связанных исследований были найдены и идентифицированы в нескольких базах данных, таких как Google Scholar, Google Book, Semantic Scholar, UPM EZAccess, MDPI и ResearchGate. В качестве основного ключевого слова использовались термины «гиперспектральное дистанционное зондирование» и его синонимы в сочетании со вторичным ключевым словом «сорняки» и третьим ключевым словом «рисовые растения». Каждая база данных использовала эти наборы ключевых слов для поиска. Также был проведен ручной поиск, чтобы убедиться, что не было упущено ни одной связанной статьи. Поиск был проведен в четвертом квартале 2021 года.

Все результаты поиска были отфильтрованы по следующим критериям: (1) исследование должно использовать гиперспектральные изображения дистанционного зондирования и платформу в качестве основного источника данных, (2) исследование должно обсуждать применение методов гиперспектрального дистанционного зондирования в анализе обнаружения сорняков, (3) документ должен содержать отчет о проведенном исследовании, (4) включенные статьи должны были быть опубликованы в первом квартале 2021 года, и (5) статьи должны быть написаны на английском языке.

Затем статьи были рассмотрены по заголовкам и аннотациям для исключения тех, которые не соответствовали требованиям. Наконец, полный текст оставшихся статей был тщательно изучен, чтобы определить, соответствуют ли они требованиям. В итоге данные из ряда статей были взяты и перенесены в электронную таблицу. В детали были включены информация о цитировании, цели исследования, гиперспектральный датчик дистанционного зондирования, типы культур и сорняков, использованные методологии и техники, оценка точности, последствия исследования, год публикации и справочные данные.

Данная работа структурирована и состоит из семи разделов. В первом разделе описывается проблема сорняков в сельскохозяйственных культурах. В разделе 2 объясняется подход к поиску публикаций в научной базе данных. В разделе 3 подчеркивается значимость присутствия сорняков на рисовых полях Малайзии. В разделе 4 подробно рассматривается система гиперспектрального дистанционного зондирования, а в разделе 5 представлены литературные данные о различных методологиях обработки данных дистанционного зондирования. В разделе 6 объясняется анализ обнаружения сорняков с использованием гиперспектрального дистанционного зондирования с классификацией на основе спектрального отражения и использованием моделирования и алгоритмов. В разделе 7 представлены будущие направления подходов гиперспектрального дистанционного зондирования и выводы.

3. Сорняки на рисовых полях Малайзии

Согласно El Pebrian и Ismail [9], рис является одной из наиболее широко выращиваемых сельскохозяйственных культур в Малайзии. Согласно Департаменту сельского хозяйства (DoA) Малайзии, в 2014 году эта культура была выращена на площади 679 239 акров, что делает ее третьей по величине культурой в стране после пальмового масла и каучука. С такой большой площадью посадки Малайзия произвела 2 848 559 метрических тонн риса. Yusof et al. [10] заявили, что малайзийские фермеры произвели 70% общего объема производства риса в стране, при этом роль рисовой промышленности заключается не только в поддержке экономики Малайзии, но и в обеспечении продовольственной безопасности страны. Посадка риса происходит дважды в год, например: (i) основной сезон (октябрь-март) и внесезонный период (апрель-сентябрь) с использованием двух методов выращивания риса, известных как прямой посев и пересадка. Dilipkumar et al. [4] заявили, что 90% всего урожая риса в Малайзии было посажено с использованием метода прямого посева и 10% было пересажено.

Большинство фермеров выбрали метод прямого посева из-за нехватки рабочей силы и высоких затрат на пересадку риса [11]. Системы прямого посева риса используют три различных основных метода, например, водный посев, влажный посев и сухой посев [4,12]. Однако замена этого метода посадки приводит к значительному распространению сорняков в рисовых культурах. Согласно Hossain et al. [13], многие исследования показали, что доминирование определенных видов сорняков в системах выращивания риса значительно зависит от метода посадки культуры. Согласно Nagarde et al. [14], сорняки представляют серьезную угрозу для риса, с ежегодными потерями урожая от сорняков в диапазоне от 15% до 21% во всем мире. Из-за массового распространения сорняков урожайность прямого посева риса прогнозируется на уровне снижения на 60% и более. Документально подтверждено снижение урожайности до 48% в пересаженных культурах, 53% в культурах прямого посева (в условиях затопления) и 74% в культурах прямого посева (в сухих почвах). Различные виды трав, широколиственных сорняков и осок составляют флору сорняков в прямом посеве риса (Таблица 1).

Таблица 1. Виды сорняков, встречающихся на рисовых полях в Азии

Источник: Nagarde et al. [14]

Системы прямого посева риса создают аэробную среду, благоприятную для роста сорняков, поскольку на начальном этапе роста рисовых растений поля не затопляются [11, 15]. Аэробные условия почвы в системах прямого посева позволяют экономить воду, однако способствуют распространению сорняков. Это связано с отсутствием застойной воды и тем, что всходы риса не имеют «фору» перед прорастающими сорняками [16].

Торияма [17] пояснил, что широкое применение метода прямого посева в сочетании с частым использованием гербицидов и нехваткой ирригационных ресурсов привело к изменению видового состава сорняков в экосистеме рисовых полей. Например, стали более распространёнными следующие виды злаковых сорняков, которые ранее не доминировали на рисовых полях Малайзии: Echinochloa crus-galli; виды рода Echinochloa (E. oryzicola, E. colona, E. staginina, E. picta); Leptochloa chinensis; Ischaemum rugosum (см. таблицу 2).

Кроме того, по данным исследования Чаухана и соавторов [12], плотность злаковых сорняков в системе прямого посева риса без обработки почвы (zero-tilled) оказалась выше, чем в системе с рассадой, высаженной в подготовленную (взрыхлённую и затопленную) почву (puddled transplanted rice). При этом осоковые и широколиственные сорняки встречались реже.

В то же время в полях с рассадой, высаженной в подготовленную почву, увеличилась численность широколиственных сорняков, таких как: Sagittaria guayanensis Kunth; Monochoria vaginalis (Burm. f.) C. Presl ex Kunth; Limnocharis flava (L.) Buchenau; Ludwigia octovalvis (Jacq.) P.H. Raven; Alternanthera sessilis (L.) R. Br. Ex DC.; Ammannia baccifera L.

Таблица 2. Смещение видового состава сорняков при переходе от пересадки к прямому посеву.

Примечания:

• (a) — биотипы, устойчивые к гербицидам 2,4-D и ингибиторам ALS;
• (b) — виды/биотипы, устойчивые к гербицидам 2,4-D.

Источник: [17].

Сорняки — одна из важнейших причин снижения урожайности риса, приводящая не только к значительным финансовым затратам, но и к ухудшению качества урожая. Сорняки могут оказывать негативное воздействие на культуры на любой стадии их роста [18].

В Малайзии потери урожайности, связанные с сорняками, варьируются от 5 % до 85 % — в зависимости от способа посадки, сезона, региона, преобладающего видового состава сорняков, их плотности, применяемых методов борьбы и продолжительности заражения посевов [4].

Проблема сорняков в сельскохозяйственных культурах носит комплексный характер. Чтобы снизить их распространение и минимизировать ущерб для урожая, выбранная стратегия борьбы должна быть комплексной и согласованной во всех аспектах. Это позволит разработать системный подход как для контроля существующих сорняков, так и для предотвращения распространения новых видов [19].

Для борьбы с сорняками на полях применяются различные методы: механический, химический, ручной и биологический. Однако каждый из этих методов имеет свои ограничения, такие как: необходимость соблюдения определённых климатических условий; географическое расположение хозяйств; доступность рабочей силы; способность фермеров нести расходы на проведение мероприятий по борьбе с сорняками [20, 21].

Своевременная борьба с сорняками позволяет не только снизить риск появления вредителей и болезней, но и уменьшить потери урожая до 34 %.
В практике возделывания риса широко применяются как химические, так и нехимические методы борьбы с сорняками.

Среди нехимических методов ручная прополка считается крайне трудоёмкой, дорогостоящей и неудобной. Механический способ борьбы с сорняками также относится к нехимическим методам [18].

Партэль и соавторы [22] разработали и создали «умный» опрыскиватель, способный различать сорняки и несорные объекты с помощью машинного зрения и искусственного интеллекта.

Эта целенаправленная технология была объединена с инновационной системой точного опрыскивания, включающей: передовую технологию обнаружения сорняков; систему картографирования сорняков для максимально точного нанесения средств защиты.

Сравнение с традиционными методами сплошного опрыскивания (при которых обрабатывается вся площадь поля) показало, что использование этой системы позволяет существенно сократить расход агрохимикатов.

Хуан и соавторы [23], а также Яо и Хуан [24] отмечают, что дистанционное зондирование в сельском хозяйстве уже активно применяется для мониторинга состояния посевов, в том числе: оценки стадии роста культур; анализа вариабельности почвы; выявления стрессовых состояний растений, вызванных сорняками, вредителями, нехваткой воды или питательных веществ.
Технология беспилотных летательных аппаратов (БПЛА) стала востребованной платформой для сбора данных в рамках точного земледелия. Её ключевые преимущества: высокая гибкость использования; простота эксплуатации; возможность оперативного сбора данных с высоким пространственным разрешением.

Благодаря географическому и временному разрешению, а также экономической эффективности, БПЛА превосходят другие платформы для мониторинга посевов [25].

В настоящее время методы дистанционного зондирования для выявления и контроля сорняков были усовершенствованы с учётом развития технологий датчиков и преобразователей. Особую роль в этом сыграла разработка гиперспектральной сенсорики и систем визуализации [23].

4. Гиперспектральное дистанционное зондирование: краткий обзор

Согласно исследованию Weiss и соавторов [26], мониторинг сельского хозяйства с помощью дистанционного зондирования — обширная тема, которая рассматривается с разных точек зрения. Анализ ведётся с учётом конкретных прикладных задач (например, точное земледелие, прогнозирование урожайности, организация полива, обнаружение сорняков); используемых платформ дистанционного зондирования (спутники, беспилотные летательные аппараты (БПЛА) — UAVs, беспилотные наземные аппараты — UGVs); типов сенсоров (активное или пассивное зондирование, работа в определённом диапазоне длин волн); особенностей местоположения и климатических условий (конкретная страна или континент, влажные или засушливые земли).

Кэмпбелл и Уинн [27] определяют дистанционное зондирование как метод получения информации о поверхности суши и воды на Земле с помощью изображений, снятых с высоты. При этом используется электромагнитное излучение в одном или нескольких диапазонах электромагнитного спектра — как отражённое, так и испускаемое поверхностью Земли.

Гиперспектральное дистанционное зондирование заключается в получении информации о находящихся на поверхности Земли объектах или сценах на основании данных о радиационном излучении, собранных с помощью сенсоров, установленных на воздушных или космических носителях [28, 29].
В общем смысле гиперспектральная визуализация представляет собой синтез современной системы формирования изображений и традиционной технологии спектроскопии [30, 31].

Согласно исследованию Говендера и соавторов [32], развитие технологий гиперспектральных сенсоров, устанавливаемых на воздушных и спутниковых носителях, позволило преодолеть ограничения, присущие мультиспектральным сенсорам. Суть преимущества заключается в том, что гиперспектральные сенсоры объединяют множество узких спектральных диапазонов из следующих участков электромагнитного спектра: видимый диапазон; ближний инфракрасный (NIR — Near-Infrared); средний инфракрасный; коротковолновый инфракрасный.

Гиперспектральный сенсор способен фиксировать порядка 200 и более спектральных диапазонов, причём ширина каждого из них составляет всего 10 нанометров [27]. Это позволяет строить непрерывные сигнатуры спектрального отражения, проводить углублённый анализ характеристик поверхности Земли — детали, которые теряются при использовании мультиспектральных данных с более широкими спектральными диапазонами.

Данные, полученные с помощью гиперспектральной съёмки, обычно представляются в виде так называемых «гиперкубов» (см. рисунок 1). Гиперкуб включает два пространственных измерения и одно спектральное измерение.
Каждая гиперспектральная съёмка содержит множество каналов (по числу спектральных диапазонов), что отличает её от полутоновых изображений (1 канал); изображений в RGB-формате (3 канала) [33].

Гиперспектральный куб данных на Рисунке 1 показывает, что:

Рисунок 1a: Сканирующий (push‑broom) сенсор, установленный на воздушном или космическом носителе, собирает спектральные данные для одномерной строки поперечных пикселей — так называемой сканирующей линии (scanline).
Рисунок 1b: Последовательные сканирующие линии, содержащие спектры для каждой строки поперечных пикселей, объединяются в трёхмерный гиперспектральный «куб данных». В данной иллюстрации: пространственные детали сцены представлены измерениями x и y куба; амплитудные спектры пикселей проецируются на измерение z.

Рисунок 1c: Трехмерный гиперспектральный куб данных может быть проанализирован как набор двумерных пространственных изображений, где каждое изображение эквивалентно определенному узкому диапазону волн. Обычно гиперспектральные кубы данных содержат сотни наложенных изображений.
Рисунок 1d: Спектральные образцы могут быть помечены для каждого пикселя, а дискриминация признаков в спектрах обеспечивает основной механизм для обнаружения и классификации в сцене [34,35]. Qian [31] заявил, что существует около трех различных методов получения гиперспектральных данных в зависимости от типа спектрометров изображений, таких как подход на основе дисперсионных элементов, подход на основе спектральных фильтров и мгновенное гиперспектральное изображение. Для сбора гиперспектральных изображений с различным пространственным и временным разрешением датчики могут быть установлены, например, на различных платформах, таких как беспилотные летательные аппараты (БПЛА), самолеты и платформы ближнего действия [36].

Таблица 3 показывает сравнение различных типов платформ гиперспектральной визуализации. Kate et al. [37] упомянули, что гиперспектральные датчики используются для предоставления информации, такой как воздушный видимый/инфракрасный спектрометр изображений (AVIRIS), Hyperion, Hymap (от HyVista Castle Hill, Австралия) и воздушный спектрорадиометр изображений для приложений (AISA). Таблица 4 ниже показывает различные типы гиперспектральных датчиков, которые обычно устанавливаются на самолетах и спутниках [38].

5. Обработка и анализ данных гиперспектральной съёмки (HRSI)

5.1. Предварительная обработка данных

Согласно исследованию Вэнга и Сяофэй [39], технология гиперспектральной съёмки сталкивается с рядом проблем, обусловленных высокоразмерным характером гиперспектральных данных и схожестью спектров смешанных пикселей. Наиболее актуальные из этих проблем следующие:

1. Высокая размерность данных гиперспектральных изображений. Гиперспектральные изображения формируются путём объединения данных спектральной отражательной способности, собранных с помощью бортовых или космических спектрометров визуализации, охватывающих сотни спектральных диапазонов (бандов). В результате размерность спектральной информации гиперспектральных изображений может достигать нескольких сотен измерений.
2. Недостаток размеченных образцов. Хотя сбор гиперспектральных данных в практических приложениях не представляет особой сложности, получение информации о разметке (классификации) изображений является весьма трудоёмкой задачей. Из-за этого нехватка размеченных образцов нередко затрудняет классификацию гиперспектральных изображений.
3. Пространственная изменчивость спектральной информации. Спектральная информация, полученная с помощью гиперспектральной съёмки, изменяется в пространственном измерении под воздействием следующих факторов: состояние атмосферы; характеристики сенсоров; состав и распределение наземных объектов; собенности окружающей среды.
4. Это приводит к тому, что каждый пиксель изображения может соответствовать не одному, а нескольким наземным объектам.
5. Качество изображения (влияние шумов и фоновых элементов). При съёмке гиперспектральных изображений на качество собираемых данных существенно влияют шумы и фоновые элементы. Качество изображения напрямую определяет точность классификации гиперспектральных снимков.

Гиперспектральные изображения, полученные с различных платформ и датчиков, обычно представлены в сыром формате, что требует их предварительной обработки (например, атмосферной, радиометрической и спектральной коррекции) для исправления подробной информации [36]. Сбор гиперспектральных данных более сложен, чем у мультиспектральных и RGB-датчиков, поскольку их радиометрические и атмосферные процедуры калибровки более сложны [40].

Поэтому для процедуры обработки гиперспектральных изображений требуется несколько шагов, чтобы получить точные результаты [33]. Обработка гиперспектральных изображений подразумевает использование компьютерных алгоритмов. Она включает такие задачи, как извлечение, хранение и фальсификация информации из гиперспектральных изображений в видимом ближнем инфракрасном (VNIR) или ближнем инфракрасном (NIR) диапазонах. Она также предоставляет различную информацию о задачах обработки и анализа данных (например, анализ, классификация, обнаружение целей, регрессия и идентификация шаблонов) [41,42].

Гиперспектральная визуализация включает обширный сбор данных, хранящихся в пикселях, при этом каждая часть данных особенно коррелирует с их соседями [43]. Гиперспектральная визуализация также включает спектральный сигнал, поскольку каждый пиксель изображения содержит спектральную информацию; таким образом, были разработаны специальные инструменты и подходы для обработки как пространственной, так и спектральной информации [42]. Этот объем данных привел к интеграции химического и визуального оборудования для эффективного поиска значимой и подробной информации [11]. Обычная процедура предварительной обработки гиперспектральных изображений представлена на Рисунке 2 ниже [42].

Согласно Бургеру и Гелади [44], большие объёмы исходных данных, получаемых с гиперспектральных устройств, содержат множество ошибок, которые можно исправить с помощью калибровки.

Пространственная калибровка — один из этапов обработки, который соотносит каждый пиксель изображения с известными единицами измерения или объектами, предоставляет информацию о пространственных размерах, устраняет оптические искажения (эффекты «улыбки» и «ключевого камня») [42].

Однако существуют три условия, способные нарушить корректность калибровочных моделей:

1. Химические или физические изменения в образцах.
2. Замена оборудования из‑за неизбежных погрешностей или износа компонентов.
3. Изменения условий окружающей среды (например, температуры или влажности) [14].

Лу и соавторы [36] отмечают, что гиперспектральные снимки обычно содержат сотни спектральных диапазонов (каналов), причём многие из них сильно коррелируют между собой.

В связи с этим снижение размерности данных — важный этап предварительной обработки гиперспектральных изображений. Его значимость обусловлена следующими факторами: устранение избыточности данных; ускорение последующей обработки; повышение точности классификации.

Методы снижения размерности преобразуют многомерные данные в пространство меньшей размерности, при этом сохраняют ключевую спектральную информацию [45], позволяют работать с компактным набором информативных признаков вместо сотен исходных каналов.

Таким образом, предварительная обработка — необходимый этап, который повышает качество гиперспектральных изображений, подготавливает данные для последующего анализа.

Басантия и соавторы [46] отмечают, что гиперспектральная съёмка генерирует обширный массив данных — как по одному образцу, так и по тысячам образцов, требующих ежедневного анализа.

Согласно Тамилараси и Прабу [47], в отличие от других статистических методов, анализ гиперспектральных изображений опирается на физические и биологические модели поглощения света на определённых длинах волн.
Например атмосферные газы и аэрозоли поглощают свет на конкретных длинах волн, рассеяние (добавление внешнего источника света в область обзора сенсора) и поглощение служат примерами атмосферного ослабления (снижения интенсивности излучения).

В результате гиперспектральный сенсор не может различить излучение, зафиксированное при съёмке, и излучение, сформированное в другое время или в другом месте.

Методы анализа гиперспектральных изображений основаны на спектроскопии, которая изучает характерные полосы поглощения, особенности отражения материала на разных длинах волн — в зависимости от его молекулярного состава.
Чтобы сопоставить спектральную сигнатуру отражения каждого пикселя с эталонным спектром известного материала, изображение необходимо обработать с помощью соответствующих методов атмосферной коррекции.

В лабораториях и специализированных хранилищах («библиотеках») собраны известные спектральные данные для различных материалов, включая типы почв, минералы, виды растительности.

5.2. Классификация гиперспектральных изображенийГиперспектральная съёмка (HSI) по типу доступных обучающих выборок классифицируется на три вида: с обучением (supervised), без обучения (unsupervised) и с частичным обучением (semi‑supervised).

Классификация с обучением (supervised) использует размеченные данные (информацию «с земли») для классификации. Согласно Вэньцзин и Сяофэй [39], к распространённым методам supervised‑классификации относятся метод опорных векторов; искусственные нейронные сети; деревья решений; метод максимального правдоподобия.

Базовый процесс включает определение критериев различения на основе известных категорий образцов и априорных знаний, вычисление дискриминантной функции.

Фреитас и соавторы [49] отмечают, что метод опорных векторов позволяет получать результаты, сопоставимые с нейронными сетями, снижать вычислительные затраты, ускорять обработку данных — что делает его оптимальным для анализа гиперспектральной информации.

Классификация без обучения (unsupervised) подразумевает категоризацию на основе спектрального сходства гиперспектральных данных (например, кластеризацию) без использования предварительной информации. Как указывают Вэньцзин и Сяофэй [39], процесс unsupervised‑классификации включает задание начальных параметров, построение кластеров на этапе предварительной классификации, итерации до достижения допустимого диапазона параметров (поскольку априорные знания не применяются).

Примеры методов unsupervised‑классификации K‑means (метод K‑средних), ISODATA (итеративный самоорганизующийся метод).

Классификация с частичным обучением (semi‑supervised) обучает классификатор с использованием как размеченных, так и неразмеченных данных. Этот подход компенсирует ограничения методов с обучением и без обучения, использует оба типа данных в пространстве признаков, улучшает обобщающую способность классификатора за счёт большого числа неразмеченных примеров (которые лучше отражают общие свойства данных).

Примеры методов semi‑supervised‑классификации LapSVM (опорный вектор с лапласовым регуляризатором), self‑training (самообучение) [39].

Таким образом, гиперспектральная съёмка может стать одним из перспективных методов для автоматического различения культур и сорняков. Эти технологии активно применяются в «умном» сельском хозяйстве (smart agriculture) и позволяют собирать большие объёмы данных с полей, достигать высокой точности идентификации растений (с помощью моделей машинного обучения) — определять, является ли растение культурой или сорняком.

В таблице 5 представлены примеры применения гиперспектральной съёмки для различения культур и сорняков с использованием методов машинного обучения.

Таблица 5. Гиперспектральная съёмка для различения сельскохозяйственных культур и сорняков с использованием машинного обучения (адаптировано по Su. [51]).

Условные обозначения:

·         RF (Random Forest) — случайный лес;
·         SVM (Support Vector Machines) — метод опорных векторов;
·         LDA (Linear Discriminant Analysis) — линейный дискриминантный анализ;
·         ANN (Artificial Neural Network) — искусственная нейронная сеть;
·         PLSDA (Partial Least Square Discriminant Analysis) — дискриминантный анализ с частичными наименьшими квадратами.

6. Применение гиперспектрального дистанционного зондирования (HRSI) в анализе обнаружения сорняков

6.1. Классификация сорняков с использованием спектрального отражения

Классификация сорняков важна в точном земледелии, поскольку сорняки являются вредителями для культур и конкурируют за пространство, питательные вещества, воду и свет, а также препятствуют росту культур в поле [52]. Эффективное управление сорняками имеет решающее значение в умном сельском хозяйстве, поскольку сорняки могут вызывать серьезные экологические и экономические проблемы в сельском хозяйстве [53]. Согласно Su [51], умное сельское хозяйство может использовать интеллектуальные технологии для точного мониторинга распространения сорняков в поле и выполнения задач по контролю сорняков в конкретных местах, что не только повышает эффективность пестицидов, но и увеличивает экономическую выгоду от сельскохозяйственной продукции. Наиболее важным аспектом автоматической системы удаления сорняков в междурядьях является использование надежных сенсорных технологий для достижения точной дискриминации сорняков и культур в определенных точках поля. Поэтому применение дистанционного зондирования, используемого в сельскохозяйственных исследованиях, было установлено для взаимодействия между электромагнитным излучением и растительным материалом на поверхности Земли [54,55].

Гиперспектральная визуализация была предложена как наиболее подходящий инструмент для оценки качества и безопасности пищевых продуктов, который был применен к различным модальностям спектральной визуализации, например, ближнему инфракрасному (NIR), флуоресцентному и рамановскому гиперспектральному изображению [46,56]. Гиперспектральные изображения, полученные с помощью платформ беспилотных летательных аппаратов (БПЛА), недавно появились как значительный инструмент в сельскохозяйственном дистанционном зондировании, с большим потенциалом для обнаружения сорняков и различения видов [57].

Для получения подробной спектральной информации гиперспектральные датчики визуализации часто используют большее количество более узких полос. Гиперспектральные изображения содержат исчерпывающую спектральную информацию в каждом пикселе, что было использовано для различных сельскохозяйственных приложений [37].

Согласно Pott et al. [58], спектральные полосы могут использоваться для различения растений от других нецелевых объектов. Растительные пигменты, такие как хлорофилл (хлорофилл a и b), каротиноиды и ксантофиллы, в основном подвержены отражению видимого света в листьях растений и их кронах [35].

Отражение в красной полосе спектра обусловлено смесью хлорофилла, интенсивного рассеяния света и внутренней клеточной структурой растений. Внутренняя структура листьев и многие слои листьев влияют на отражательные свойства кроны в ближней инфракрасной (NIR) полосе [37,58].

Paap [19] заявил, что спектральное отражение растений определяется на основе клеточной и биохимической структуры листьев и их кроны. На Рисунке 3 представлен типичный спектр отражения и передаваемой длины волны зеленого листа. Контраст между спектрами отражения и пропускания зависит от поглощения, которое находится в диапазоне видимого спектра 400–700 нм, где спектры контролируются поглощением различных пигментов и в первую очередь хлорофиллов. В ближнем инфракрасном (NIR) диапазоне спектры отражения высоки и близки к 50%, а также плоские, в то время как выше 1300 нм отражение снижается из-за поглощения воды, присутствующей в листе.

Дальнейшее уточнение в процедуре картографирования растительности связано с размером объекта, который необходимо нанести на карту. Изображения с более высоким пространственным разрешением часто используются для картографирования узких объектов растительности, которые получают с помощью аэросенсоров [60]. Сорняки конкурируют с культурами и их трудно отличить из-за их схожего цвета, формы и размера [61]. Однако, предыдущее исследование спектров рассеяния отражения листьев культур и сорняков показало потенциал обнаружения сорняков с помощью измерений отражения. Zhang et al. [62] отметили, что из-за значительного поглощения хлорофиллом лист растения обычно имеет низкое отражение в видимом спектральном диапазоне и сравнительно высокое отражение в ближнем инфракрасном спектральном диапазоне из-за внутреннего рассеяния света листьями и отсутствия поглощения. Таким образом, согласно Thenkabail et al. [63], индекс площади листьев и биомасса более чувствительны к красной полосе примерно на 680 нм, в то время как влажность растений более чувствительна к ближнему инфракрасному диапазону около 950 нм. Корреляция между состоянием растений была использована методом дистанционного зондирования для выявления конкретных характеристик растений из их спектрального отражения.

Применение гиперспектрального дистанционного зондирования широко используется в исследованиях по обнаружению сорняков, в частности:

• для различения сорняков в посевах кукурузы [64];
• для дифференциации злаковых сорняков в озимых зерновых культурах [65];
• для раннего выявления пятнистого бодяка (Centaurea maculosa) и гипсофилы (Gypsophila paniculata) с помощью гиперспектрального сенсора [66];
• для классификации сорняков, устойчивых к гербицидам [67];
• для идентификации лютика ползучего (Ranunculus acris, или гигантского лютика) и бодяка полевого (Cirsium arvense, также известного как калифорнийский чертополох) — исследование Ли и соавторов [53];
• для выделения спектральных характеристик на гиперспектральных изображениях с целью различения рисового сорняка и щетинника [68].

Сингх и соавторы [57] отмечают, что технология гиперспектральной съёмки также применяется для различения типов сельскохозяйственных культур. В качестве примера приводится использование спутниковых гиперспектральных сенсоров для распознавания горчицы, картофеля, сахарного тростника, сорго и пшеницы в спектральном диапазоне 700–750 нм.

Эффективность гиперспектральных сенсоров в определении видов растений подтверждена в ряде исследований. Эти данные представлены в таблице 6 ниже.

Таблица 6. Опубликованные исследования по классификации сельскохозяйственных культур и сорняков с использованием гиперспектральной съёмки [57].

6.2. Алгоритмы и моделирование для анализа обнаружения сорняков

Для различных сельскохозяйственных задач были предложены несколько методов дистанционного зондирования, включая использование гиперспектральных данных, полученных с помощью воздушных и спутниковых платформ с применением мультиспектральных и оптических изображений [69, 70].

В исследовании, проведённом Флегари и соавторами [71], были рассмотрены недостатки и преимущества комбинирования радарных данных и оптических изображений для определения типов сельскохозяйственных культур в регионе Таром (Иран). В этом исследовании для создания карты выбранной области исследования использовались снимки Sentinel-1 и Sentinel-2.

Гиперспектральное зондирование, измеряющее отражательную способность в диапазоне от видимого до коротковолнового инфракрасного излучения, позволило классифицировать и картографировать растительность на различных таксономических уровнях — зачастую вплоть до уровня отдельных видов.

Чтобы уменьшить размерность данных до уровня, подходящего для создания модели классификации, измерения, полученные с помощью узкополосных спектрорадиометров или сенсоров изображений, обычно требуют проведения отбора спектральных признаков [72].

Таким образом, метод дистанционного зондирования позволяет выявлять наличие несельскохозяйственных растений между рядами, например, распознавать сорняки внутри рядов. В то же время отделение сорняков от культурных растений и идентификация видов сорняков, возникающих в рамках исследований с использованием ближнего зондирования, осуществляется с помощью анализа как спектральной отражательной способности, так и формы листьев [73].

По данным исследования Ланя и соавторов [74], для анализа наборов данных, полученных с помощью этих методик, требуются сложные алгоритмы и высокопроизводительные вычислительные мощности.

Нгуен и соавторы [75] использовали генетическое программирование для различения риса и других групп растений с листьями. Они также применили сканирующее окно размером 20 × 20 пикселей на тестовом изображении для оценки классификатора. Точность классификации составила 90% — классификатор применялся к каждому пикселю окна на основе цветового порога.

Поэтому для классификации данных дистанционного зондирования и процедур мониторинга растений были применены несколько методов автоматической классификации, в частности метод машинного обучения [74].

Согласно исследованию Дадашзадеха и соавторов [18], машинное зрение, основанное на обработке изображений, используется для сбора данных двумя различными способами: с помощью двумерного (2D) зрения и трёхмерного (3D) зрения.

При использовании 2D-камер системы машинного зрения, основанные на обработке двумерных изображений, имеют ряд недостатков:

1. Различия в уровне внешнего освещения влияют на качество изображений, полученных с помощью 2D-камер, — поэтому необходимо обеспечить охват всей зоны видимости камеры.
2. Перекрытие различных компонентов растений затрудняет различение сорняков и культурных растений.

Как отмечают Перес-Ортис и соавторы [76], большинство стандартных классификаторов в машинном обучении основаны на изучении дискриминационной функции на основе размеченных данных (то есть на обучении с учителем — supervised learning). При этом сбор размеченных данных (в отличие от неразмеченных) может быть трудоёмким и затратным.

Лиакос и соавторы [77] отмечают, что машинное обучение (ML) стало особенно востребованным с развитием технологий работы с большими данными и высокопроизводительных компьютеров. Это открыло новые возможности для анализа, количественной оценки и понимания процессов, требующих обработки больших объёмов данных, в сельскохозяйственной сфере.
Машинное обучение определяется как научная дисциплина, позволяющая машинам обучаться без жёсткого программирования.

Примеры моделей машинного обучения включают: искусственные нейронные сети (ANN — Artificial Neural Networks); байесовские модели (BM — Bayesian Models); глубокое обучение (DL — Deep Learning); снижение размерности (DR — Dimensionality Reduction); деревья решений (DT — Decision Trees); ансамблевое обучение (EL — Ensemble Learning); модели, основанные на экземплярах (IMB — Instance-Based Models); машины опорных векторов (SVM — Support Vector Machines).

Дадашзаде и др. [18] исследовали управление сорняками на рисовых полях с использованием двух метаэвристических алгоритмов: пчелиного алгоритма (БА) и оптимизации роя частиц (PSO), чтобы повысить способность нейронной сети выявлять наиболее эффективные характеристики и классифицировать разные типы сорняков. Поскольку выбранный регион характеризуется изобилием определенных видов растений, данное исследование сосредоточилось на культивируемом сорте риса (Tarom Mahali) и двух распространенных видах сорняков (узколистные сорняки: эхиноколла крестовая (Echinochloa crus-galli), паспалум двурядный (Paspalum distichum) и осока разнообразная (Cyperus difformis); широколиственные сорняки: частуха подорожниковая (Alisma plantago-aquatica) и эклипта простёртая (Eclipta prostrata)), при этом стереокамера использовалась для сбора необходимых данных в форме стереовидеозаписей, с извлечением разных каналов каждого кадра. Предложенная техника стереозрения, усредняя соответствующие точки на различных каналах, и предложенный гибридный классификатор ANN-БА продемонстрировали многообещающие возможности улучшения точности классификации. Чжэн и др. [78] разработали и оценили новый алгоритм классификации, основанный на индексах цвета и описании данных опорных векторов (SVDD). За три года полевых исследований были достигнуты общие показатели точности 90,19%, 92,36% и 93,8% соответственно. Камат и др. [79] изучали способы классификации посевов риса и сорняков по цифровым изображениям с использованием нескольких классификационных систем, разработанных с применением машин опорных векторов (SVM) и случайных лесов (RF), причем набор данных включал растения риса и сорняки на стадиях развития от стадии всходов (семядольное растение с одним листом) до цветения. Результаты показали точность 91,36%, демонстрируя превосходство многоклассификационных систем над одноклассификационными системами и доказывая эффективность выделенных признаков для классификации посевов риса и сорняков.

Ли и др. [53] провели исследования идентификации сорняков с использованием изображений гиперспектральных данных, обученных на трех моделях классификации: дискриминантный анализ методом наименьших квадратов (PLS-DA), метод опорных векторов (SVM) и многослойный перцептрон (MLP), с общей точностью распознавания около 70–100%. Анализ проводился путем обработки спектров средней интенсивности целого растения (Av) и средних значений супер-пикселей (Sp) из четырех образцов сорняков, включая два вида трав (сетария пухлая (желтый щетинистый злак) и стипа арундинацеа (ветровая трава)) и два широколиственных вида сорняков (ранункулус акрис (гигантская лютик) и цирзиум арвенсе (калифорнийский чертополох)). Полученные результаты показали, что использование обоих типов спектров (Av и Sp) позволяет успешно идентифицировать четыре вида сорняков. Для решения проблемы прогнозирования риска заболевания зимнего пшеницы пятнистостью Стагоноспора нодорум (SNB) перед посадкой, Мехра и др. [80] использовали подходы машинного обучения, такие как искусственные нейронные сети (ИНС), категориальные регрессионные деревья и случайные леса (SLF). Они создали модели оценки рисков, которые могли бы способствовать принятию решений по контролю заболеваний до посадки зерновых культур.

Исследование, проведенное Ченом и коллегами [81], объединило применение мультифакторного слияния характеристик и метода опорных векторов (SVM) для обнаружения кукурузных ростков и сорняков с целью минимизации ущерба урожаю, достигнув среднего уровня точности распознавания примерно 97,50%. Набор данных включал небольшую базу данных фотографий кукурузных ростков и сорняков, а также реальные снимки полей. Экспериментальные результаты показали, что объединённая характеристика, основанная на инвариантных относительно вращения локальных бинарных паттернах (LBP) и матрице совместной встречаемости уровней серого градиентов (GLGCM), применённых совместно с классификатором SVM, точно определяла все виды сорняков и ростков кукурузы. Эта информация о положении сорняков и культурных растений используется системой опрыскивания гербицидами, обеспечивая точное распыление удобрений и препаратов. Чу и коллеги [82] применили преобразование пакетов вейвлетов вместе с взвешенным байесовским расстоянием, основанным на текстурных характеристиках и данных листьев растений, для идентификации сельскохозяйственных культур. Для данного исследования использовался набор данных, состоящий из снимков сельскохозяйственных культур, сделанных цифровой камерой с разрешением 640×480 пикселей. Чтобы различать растения, авторы оценивали коэффициенты энергии в различных частотных диапазонах, полученных после преобразования. Точность идентификации культуры составила 94,63%, используя расстояние принятия решений в различных климатических условиях в течение трёх последовательных дней съёмки.

Бакшипур и Зараефуруш [83] интегрировали методы деревьев решений (DT) и нечёткую логику для построения нечёткой модели, позволяющей дифференцировать растения арахиса от широколиственных сорняков, достигнув общих показателей точности на тренировочном и тестовом наборах данных в диапазоне от 92% до 96%. В исходном наборе данных использовались два подхода к отбору признаков: анализ главных компонент (PCA) и корреляционный отбор признаков (CFS), а также три типа деревьев решений (DT) для различения отдельных растений: J48, случайное дерево (RT) и сокращённое дерево ошибок (REP). Другое исследование Бакшипура и коллег [84] посвящено признакам текстуры, восстановленным из суб-изображений вейвлетов, используемых для выявления и описания четырёх видов сорняков на сахарной свекле, при этом нейронные сети (NN) выступали в роли классификатора. Изображения были получены с полей сахарной свёклы с разрешением 96 × 1280 пикселей, когда растения имели шесть-восемь листьев с существенным перекрытием и высотой около 80–160 мм. Исследование показало, что даже на этапе роста свеклы больше шести листьев применение вейвлет-анализа эффективно для обнаружения сорняков. Двумерные фильтры Габора были использованы для извлечения признаков в исследовании Танга и коллег [85], а искусственная нейронная сеть (ANN) была задействована для категоризации широколиственных и травянистых сорняков. Семена выбранных видов широколиственных сорняков были посажены, а изображения сняты спустя четыре недели после посева. Система Габор-вейвлеты/нейронная сеть была разработана для использования свойств текстуры пространства и частоты для классификации изображений сорняков на широколиственные и травянистые категории. Их выводы подтвердили, что пространственно-частотные свойства текстуры могут использоваться для классификации сорняков.

Кроме того, в сельскохозяйственной науке сочетание глубокого обучения с достижениями компьютерных технологий, особенно графических процессоров (GPU) и встроенных процессоров, дало выдающиеся результаты в области классификации изображений и детекции объектов [86,87]. Согласно Алому и др. [88], алгоритмы глубокого обучения обладают множеством преимуществ перед традиционными методами машинного обучения в задачах классификации изображений, обнаружения и локализации объектов. Традиционные методы машинного обучения требуют обширных предметных знаний для разработки экстрактора признаков из сырых данных [89,90]. Напротив, подход глубокого обучения использует метод обучения представлениям, при котором машина автоматически обнаруживает отличительные признаки из необработанных данных для задач классификации или обнаружения объектов. Методы глубокого обучения способны эффективно извлекать значимые признаки культур и сорняков благодаря своим мощным возможностям обучения признакам. Кроме того, поскольку объёмы данных значительно увеличились, производительность традиционных методов машинного обучения достигла насыщения. Когда используются большие наборы данных, техники глубокого обучения превосходят традиционные методы машинного обучения [88].

Хоссейни и др. [91] отмечают, что сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN) являются двумя широко используемыми архитектурами в глубоком обучении. Хотя CNN применяются и для других типов данных, наиболее распространённым применением CNN является анализ и классификация изображений. Термин «свертка» относится к процессу фильтрации. CNN основана на стопке слоев свертки. Каждый слой принимает входные данные, преобразует или свёртит их и передает выход следующему слою. Этот процесс свертки постепенно упрощает данные таким образом, чтобы их было легче обрабатывать и понимать [89]. Как отмечается Бахом и др. [92], успех сверточных нейронных сетей (CNN) главным образом обусловлен их успешным применением в качестве метода в конкурсе ImageNet Large-Scale Visual Recognition Challenge 2012 (ILSVRC12) и созданием сети AlexNet в 2012 году, которая показала, что большая глубокая сверточная нейронная сеть способна достичь рекордных результатов на чрезвычайно сложной задаче исключительно с помощью контролируемого обучения. Поэтому система глубокой сверточной нейронной сети (DCNN) для распознавания растений на основе особенностей формы листа, текстуры и венозной структуры также была документирована Ли и др. [93], которые представили новые гибридные модели, использующие преимущества взаимосвязанной различной контекстной информации о признаках листьев.

## 7. Перспективы дальнейших исследований и заключения

Во многих ситуациях удаление сорняков в сельскохозяйственном секторе требует использования больших объемов химических пестицидов, которые наносят ущерб окружающей среде независимо от их эффективности в повышении урожайности. Благодаря недавним достижениям в технологии сенсоров изображений можно исследовать перспективы точного опрыскивания для оптимизации применения гербицидов на сельскохозяйственных площадях.

В настоящей статье мы рассмотрели ситуацию с сорняками в рисоводстве, основы гиперспектральной визуализации и методики обработки гиперспектральных данных. Это междисциплинарное исследование, в котором сотрудничают специалисты из различных областей науки, таких как агрономия (ботаническое изучение сорняков), дистанционное зондирование, вычислительная техника и инженерия. Гиперспектральная технология дистанционного зондирования представляет собой важный элемент точного земледелия и активно применяется растущим числом ученых и исследователей сельского хозяйства.

Способность правильно и надежно отделять сорняки от культурных растений является критически важным этапом контроля или искоренения распространения сорняков среди сельскохозяйственных культур. Гиперспектральные изображения предлагают значительные потенциальные возможности для аграрного сектора, особенно в рамках концепции точного земледелия, благодаря наличию большого объема спектральной информации, чувствительной к различным биофизическим и биохимическим свойствам растений. Технология гиперспектрального дистанционного зондирования использует различия в отражательных спектральных качествах между сорняками и культурами для идентификации сорняков на посевах и помогает составлять карты распределения сорняков в поле, позволяя применять точечные и целенаправленные меры борьбы с сорняками с помощью гербицидов.
Гиперспектральные изображения высокого пространственного разрешения в сочетании с алгоритмами машинного обучения в дистанционном зондировании демонстрируют хорошие перспективы в исследованиях сельского хозяйства. В последнее десятилетие сенсорные технологии и подходы машинного обучения развивались стремительными темпами. Ожидается, что эти достижения продолжат обеспечивать более экономичные и комплексные наборы данных, а также более продвинутые алгоритмические решения, способствующие улучшению оценки состояния урожая и среды обитания, а также принимаемых решений. Тем не менее существующие теории и алгоритмы имеют некоторые ограничения при обработке сложных гиперспектральных изображений.

Таким образом, будущие исследовательские усилия будут направлены на разработку специализированных систем классификации гиперспектральных изображений. Следовательно, для успешного использования информации о сорняках и мониторинге урожая в экономических целях необходима государственная или районная информационная система, основанная на существующих данных о различных культурах, полученных с помощью гиперспектрального дистанционного зондирования. Правительствам следует использовать данные гиперспектрального дистанционного зондирования для принятия ключевых решений касательно выбора направлений политики и способов реагирования на сельскохозяйственные проблемы.

Финансирование: Данное исследование поддержано научно-исследовательским проектом «Мониторинг вредителей и болезней с использованием искусственного интеллекта для управления рисками возделывания риса в условиях изменения климата», реализуемым в рамках долгосрочной программы грантов Министерства высшего образования Малайзии (LRGS), грант № LRGS/1/2019/UPM/01/2/5 (номер голосования: 5545002).

Список литературы:

1. Afzal, N.; Ahmad, S. Agricultural Input Use Efficiency in Pakistan: Key Issues and Reform Areas. _Management of Natural Resources_, _Sustainable Future Agriculture_. Research Brief. 2009, 1, 1–12.
2. Ali, H.H.; Peerzada, A.M.; Hanif, Z.; Hashim, S.; Chauhan, B.S. Weed Management Using Crop Competition in Pakistan: A Review. _Crop Protection_. 2017, 95, 22–30. doi:10.1016/j.cropro.2016.12.003.
3. Hassan, A.A.G.; Ngah, I.; Applanaidu, S.D. Agricultural Transformation in Malaysia: The Role of Smallholders and Area Development. _Development_. 2018, 15, 2.
4. Dilipkumar, M.; Chuah, T.S.; Goh, S.S.; Sahid, I. Weed Management Issues, Challenges, and Opportunities in Malaysia. _Crop Protection_. 2020, 134, 104347. doi:10.1016/j.cropro.2020.104347.
5. Chauhan, B.; Johnson, D.E. Row Spacing and Weed Control Timing Affect Yield of Aerobic Rice. _Field Crops Research_. 2011, 121, 226–231. doi:10.1016/j.fcr.2010.12.016.
6. Kang, Y.; Khan, S.; Ma, X. Climate Change Impacts on Crop Yield, Crop Water Productivity and Food Security – A Review. _Progress in Natural Science_. 2009, 19, 1665–1674. doi:10.1016/S1002-0071(08)60263-X.
7. Khan, M.A.; Marwat, K.B.; Umm-e-Kalsoom Hussain, Z.; Hashim, S.; Rab, A.; Nawab, K. Weed Control Effects on the Wheat-Pea Intercropping. _Pakistan Journal of Botany_. 2013, 45, 1743–1748.
8. Hussain, S.; Khaliq, A.; Matloob, A.; Fahad, S.; Tanveer, A. Interference and Economic Threshold Level of Little Seed Canary Grass in Wheat under Different Sowing Times. _Environmental Science and Pollution Research_. 2014, 22, 441–449. doi:10.1007/s11356-014-3383-z.
9. El Pebrian, D.; Ismail, M.I. Characteristics of Repair and Maintenance Cost Distribution of Rice Combine Harvester in Malaysian Paddy Fields. _Agricultural Engineering International: CIGR Journal_. 2019, 20, 132–138.
10. Yusof, Z.M.; Misiran, M.; Baharin, N.F.; Yaacob, M.F.; Aziz, N.A.B.A.; Sanan, N.H.B. Projection of Paddy Production in Kedah Malaysia: A Case Study. _Asian Journal of Advanced Agricultural Research_. 2019, 3, 1–6. doi:10.9734/AJAAR/2019/v3i130088.
11. Karim, R.S.; Man, A.B.; Sahid, I.B. Weed Problems and Their Management in Rice Fields of Malaysia: An Overview. _Weed Biology and Management_. 2004, 4, 177–186. doi:10.1111/j.1445-6664.2004.00144.x.
12. Chauhan, B.S. Weed Management in Direct-Seeded Rice Systems. International Rice Research Institute, Los Baños, Philippines. 2012, p. 20.
13. Hossain, K.; Timsina, J.; Johnson, D.E.; Gathala, M.K.; Krupnik, T.J. Multi-Year Weed Community Dynamics and Rice Yields as Influenced by Tillage, Crop Establishment, and Weed Control: Implications for Rice-Maize Rotations in the Eastern Gangetic Plains. _Crop Protection_. 2020, 138, 105334. doi:10.1016/j.cropro.2020.105334.
14. Singh, M.; Nagargade, M.; Tyagi, V. Ecologically Sustainable Integrated Weed Management in Dry and Irrigated Direct-Seeded Rice. _Advances in Plants and Agricultural Research_. 2018, 8, 319–331. doi:10.15406/apar.2018.08.00234.
15. Moody, K.; De Datta, S.K. Integration of Weed Control Practices for Rice in Tropical Asia. In _Workshop on Weed Control in Small Farms_; Jakarta, Indonesia, 15–16 July 1977; pp. 37–47.
16. Shekhawat, K.; Rathore, S.S.; Chauhan, B.S. Weed Management in Dry Direct-Seeded Rice: A Review on Challenges and Opportunities for Sustainable Rice Production. _Agronomy_. 2020, 10, 1264. doi:10.3390/agronomy10091264.
17. Toriyama, K. (Ed.). _Rice is Life Scientific Perspectives for the 21st Century_; International Rice Research Institute: Los Baños, Philippines; Japan International Research Centre for Agricultural Sciences: Tsukuba, Japan, 2005.
18. Dadashzadeh, M.; Abbaspour-Gilandeh, Y.; Mesri-Gundoshmian, T.; Sabzi, S.; Hernández-Hernández, J.L.; Hernández-Hernández, M.; Arribas, J.I. Weed Classification for Site-Specific Weed Management Using an Automated Stereo Computer-Vision Machine-Learning System in Rice Fields. _Plants_. 2020, 9, 559. doi:10.3390/plants9050559.
19. Paap, A.J. Development of an Optical Sensor for Real-Time Weed Detection Using Laser-Based Spectroscopy. Ph.D. dissertation, Edith Cowan University, Perth, Australia. Retrieved from: https://ro.ecu.edu.au/cgi/viewcontent.cgi?referer=https://scholar.google.com/&httpsredir=1&article=2284&context=theses (Accessed on 15 May 2021).
20. Ali, H.H.; Tanveer, A.; Naeem, M.; Jamil, M.; Iqbal, M.; Javaid, M.M.; Kashif, M.S. Efficacy of Pre-Emergence Herbicides in Controlling Rhynchosia Capitata, an Emerging Summer Weed in Pakistan. _Philippine Agricultural Science_. 2015, 98, 301–311.
21. Kandhro, M.N.; Tunio, S.; Rajpar, I.; Chachar, Q. Allelopathic Impact of Sorghum and Sunflower Intercropping on Weed Management and Yield Enhancement in Cotton. _Sarhad Journal of Agriculture_. 2014, 30, 311–318.
22. Partel, V.; Kakarla, S.C.; Ampatzidis, Y. Development and Evaluation of a Low-Cost and Smart Technology for Precision Weed Management Utilizing Artificial Intelligence. _Computers and Electronics in Agriculture_. 2019, 157, 339–350. doi:10.1016/j.compag.2019.01.006.
23. Huang, Y.; Lee, M.A.; Thomson, S.J.; Reddy, K.N. Ground-Based Hyperspectral Remote Sensing for Weed Management in Crop Production. _International Journal of Agricultural and Biological Engineering_. 2016, 9, 98–109. doi:10.3975/cjae.2016.01.010.
24. Yao, H.; Huang, Y. Remote Sensing Applications to Precision Farming. _Remote Sensing of Natural Resources_. 2013, 358–377.
25. Hunter, J.E.; Gannon, T.W.; Richardson, R.J.; Yelverton, F.H.; Leon, R.G. Integration of Remote-Weed Mapping and an Autonomous Spraying Unmanned Aerial Vehicle for Site-Specific Weed Management. _Pest Management Science_. 2019, 76, 1386–1392. doi:10.1002/ps.5464.
26. Weiss, M.; Jacob, F.; Duveiller, G. Remote Sensing for Agricultural Applications: A Meta-Review. _Remote Sensing Environment_. 2020, 236, 111402. doi:10.1016/j.rse.2019.111402.
27. Campbell, J.B.; Wynne, R.H. _Introduction to Remote Sensing_; Guilford Press: New York, NY, USA, 2011.
28. Bioucas-Dias, J.M.; Plaza, A.; Camps-Valls, G.; Scheunders, P.; Nasrabadi, N.M.; Chanussot, J. Hyperspectral Remote Sensing Data Analysis and Future Challenges. _IEEE Geoscience and Remote Sensing Magazine_. 2013, 1, 6–36. doi:10.1109/MGRS.2013.2244672.
29. Camps-Valls, G.; Tuia, D.; Gómez-Chova, L.; Jiménez, S.; Malo, J. Remote Sensing Image Processing. _Synthesis Lectures on Image, Video, and Multimedia Processing_. 2011, 5, 1–192. doi:10.2200/S00345ED1V01Y201104IVM034.
30. Qian, S.-E. _Optical Satellite Signal Processing and Enhancement_; SPIE Press: Bellingham, WA, USA; Cardiff, UK, 2013.
31. Qian, S.E. _Hyperspectral Satellites and System Design_; CRC Press: Boca Raton, FL, USA, 2020.
32. Govender, M.; Chetty, K.; Naiken, V.; Bulcock, H. A Comparison of Satellite Hyperspectral and Multispectral Remote Sensing Imagery for Improved Classification and Mapping of Vegetation. _Water SA_. 2019, 34, 147. doi:10.4314/wsa.v34i1.14.
33. Wendel, A. Hyperspectral Imaging from Ground-Based Mobile Platforms and Applications in Precision Agriculture. Doctoral thesis, School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney, Sydney, Australia, 2018.
34. Chen, Y.; Guerschman, J.; Cheng, Z.; Guo, L. Remote Sensing for Vegetation Monitoring in Carbon Capture Storage Regions: A Review. _Applied Energy_. 2019, 240, 312–326. doi:10.1016/j.apenergy.2019.01.056.
35. Shaw, G.A.; Burke, H.K. Spectral Imaging for Remote Sensing. _Lincoln Laboratory Journal_. 2003, 14, 3–28.
36. Lu, B.; Dao, P.; Liu, J.; He, Y.; Shang, J. Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture. _Remote Sensing_. 2020, 12, 2659. doi:10.3390/rs12162659.
37. Kate, S.H.; Rocchini, D.; Neteler, M.; Nagendra, H. Benefits of Hyperspectral Remote Sensing for Tracking Plant Invasions. _Diversity and Distributions_. 2011, 17, 381–392. doi:10.1111/j.1472-4642.2011.00758.x.
38. Vorovencii, I. The Hyperspectral Sensors Used in Satellite and Aerial Remote Sensing. _Bulletin of the Transilvania University of Brașov, Series II: Forest Sciences and Wood Industry, Agricultural Food Engineering_. 2009, 2, 51.
39. Lv, W.; Wang, X. Overview of Hyperspectral Image Classification. _Journal of Sensors_. 2020, 2020, 4817234. doi:10.1155/2020/4817234.
40. Rosle, R.; Che’Ya, N.N.; Ang, Y.; Rahmat, F.; Wayayok, A.; Berahim, Z.; Omar, M.H. Weed Detection in Rice Fields Using Remote Sensing Technique: A Review. _Applied Sciences_. 2021, 11, 10701. doi:10.3390/app112310701.
41. Chang, C.I. _Hyperspectral Data Processing: Algorithm Design and Analysis_; Wiley-Interscience: Hoboken, NJ, USA, 2013.
42. Park, B.; Lu, R. (Eds.) _Hyperspectral Imaging Technology in Food and Agriculture_; Springer: New York, NY, USA, 2015.
43. Vidal, M.; Amigo, J.M. Pre-Processing of Hyperspectral Images: Essential Steps Before Image Analysis. _Chemometrics and Intelligent Laboratory Systems_. 2012, 117, 138–148. doi:10.1016/j.chemolab.2012.05.006.
44. Burger, J.; Geladi, P. Hyperspectral NIR Image Regression Part I: Calibration and Correction. _Journal of Chemometrics: A Journal of the Chemometrics Society_. 2005, 19, 355–363. doi:10.1002/cem.932.
45. Ahmad, M.; Shabbir, S.; Raza, R.A.; Mazzara, M.; Distefano, S.; Khan, A.M. Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN. _arXiv_:2101.10532 [Preprint]. 2021.
46. Basantia, N.C.; Nollet, L.M.; Kamruzzaman, M. (Eds.) _Hyperspectral Imaging Analysis and Applications for Food Quality_; CRC Press: Boca Raton, FL, USA, 2018.
47. Tamilarasi, R.; Prabu, S. Application of Machine Learning Techniques for Hyperspectral Image Dimensionality: A Review. _Journal of Critical Reviews_. 2020, 7, 3499–3516.
48. Sawant, S.S.; Prabukumar, M. Semi-Supervised Techniques Based Hyper-Spectral Image Classification: A Survey. In _Proceedings of the 2017 Innovations in Power and Advanced Computing Technologies (i-PACT)_; Vellore, India, 21–22 April 2017; pp. 1–8.
49. Freitas, S.; Almeida, C.; Silva, H.; Almeida, J.; Silva, E. Supervised Classification for Hyperspectral Imaging in UAV Maritime Target Detection. In _Proceedings of the 2018 IEEE International Conference on Autonomous Robot Systems and Competitions (ICARSC)_; Torres Vedras, Portugal, 25–27 April 2018; pp. 84–90.
50. Romaszewski, M.; Głomb, P.; Cholewa, M. Semi-Supervised Hyperspectral Classification from a Small Number of Training Samples Using Co-Training Approach. _ISPRS Journal of Photogrammetry and Remote Sensing_. 2016, 121, 60–76. doi:10.1016/j.isprsjprs.2016.08.004.
51. Su, W.H. Advanced Machine Learning in Point Spectroscopy, RGB-, and Hyperspectral-Imaging for Automatic Discriminations of Crops and Weeds: A Review. _Smart Cities_. 2020, 3, 767–792. doi:10.3390/smartcities3040043.
52. Sarvini, T.; Sneha, T.; Sukanya Gowthami, S.G.; Sushmitha, S.; Kumaraswamy, R. Performance Comparison of Weed Detection Algorithms. In _Proceedings of the 2019 International Conference on Communication and Signal Processing (ICCSP)_; Melmaruvathur, India, 4–6 April 2019; pp. 0843–0847.
53. Li, Y.; Al-Sarayreh, M.; Irie, K.; Hackell, D.; Bourdot, G.; Reis, M.M.; Ghamkhar, K. Identification of Weeds Based on Hyperspectral Imaging and Machine Learning. _Frontiers in Plant Science_. 2021, 11, 2324. doi:10.3389/fpls.2020.612692.
54. Atzberger, C. Advances in Remote Sensing of Agriculture: Context Description, Existing Operational Monitoring Systems and Major Information Needs. _Remote Sensing_. 2013, 5, 949–981. doi:10.3390/rs5020949.
55. Pandey, P.C.; Balzter, H.; Srivastava, P.K.; Petropoulos, G.P.; Bhattacharya, B. Future Perspectives and Challenges in Hyperspectral Remote Sensing. In _Hyperspectral Remote Sensing_; Elsevier: Amsterdam, The Netherlands, 2020; pp. 429–439.
56. Feng, Y.-Z.; Sun, D.-W. Application of Hyperspectral Imaging in Food Safety Inspection and Control: A Review. _Critical Reviews in Food Science and Nutrition_. 2012, 52, 1039–1058. doi:10.1080/10408398.2010.503353.
57. Singh, V.; Rana, A.; Bishop, M.; Filippi, A.M.; Cope, D.; Rajan, N.; Bagavathiannan, M. Unmanned Aircraft Systems for Precision Weed Detection and Management: Prospects and Challenges. _Advances in Agronomy_. 2020, 159, 93–134. doi:10.1016/bs.agron.2019.10.003.
58. Pott, L.P.; Amado, T.J.; Schwalbert, R.A.; Sebem, E.; Jugulam, M.; Ciampitti, I.A. Pre-Planting Weed Detection Based on Ground Field Spectral Data. _Pest Management Science_. 2020, 76, 1173–1182. doi:10.1002/ps.5694.
59. Nursyazyla, S.; Syarifah, N.I.S.S.A.; Zaid, R.; Nik, N.C.; Muhammad, H.M.R. A Review on Hyperspectral Remote Sensing for Weed Detection Analysis in Agricultural Crop. _Southeast Asian Agricultural Engineering Student Chapter Annual Regional Convention (ARC2021: Sarawak) E-Proceeding_. 2021. Retrieved from: https://btu.upm.edu.my/upload/dokumen/20211105082434E-Proceeding_ARC2021_eISBN.pdf (Accessed on 19 January 2022).
60. Bradter, U.; O’Connell, J.; Kunin, W.E.; Boffey, C.W.; Ellis, R.J.; Benton, T.G. Classifying Grass-Dominated Habitats from Remotely Sensed Data: The Influence of Spectral Resolution, Acquisition Time and the Vegetation Classification System on Accuracy and Thematic Resolution. _Science of the Total Environment_. 2019, 711, 134584. doi:10.1016/j.scitotenv.2019.134584.
61. Che’Ya, N.; Dunwoody, E.; Gupta, M. Assessment of Weed Classification Using Hyperspectral Reflectance and Optimal Multi-Spectral UAV Imagery. _Agronomy_. 2021, 11, 1435. doi:10.3390/agronomy11061435.
62. Zhang, G.; Xu, T.; Tian, Y.; Xu, H.; Song, J.; Lan, Y. Assessment of Rice Leaf Blast Severity Using Hyperspectral Imaging During Late Vegetative Growth. _Australasian Plant Pathology_. 2020, 49, 571–578. doi:10.1007/s13313-020-00716-w.
63. Thenkabail, P.S.; Lyon, J.G.; Huete, A. Hyperspectral Remote Sensing of Vegetation and Agricultural Crops: Knowledge Gain and Knowledge Gap After 40 Years of Research. In _Hyperspectral Remote Sensing of Vegetation_; Thenkabail, P.S., Lyon, J.G., Huete, A., Eds.; CRC Press: Boca Raton, FL, USA, 2010; p. 705.
64. Casa, R.; Pascucci, S.; Pignatti, S.; Palombo, A.; Nanni, U.; Harfouche, A.; Fantozzi, P. UAV-Based Hyperspectral Imaging for Weed Discrimination in Maize. In _Precision Agriculture’19_; Wageningen Academic Publishers: Wageningen, The Netherlands, 2019; pp. 24–35.
65. Martin, M.P.; Barreto, L.; Riano, D.; Fernandez-Quintanilla, C.; Vaughan, P. Assessing the Potential of Hyperspectral Remote Sensing for the Discrimination of Grassweeds in Winter Cereal Crops. _International Journal of Remote Sensing_. 2011, 32, 49–67. doi:10.1080/01431161.2010.488655.
66. Lass, L.W.; Prather, T.; Glenn, N.; Weber, K.; Mundt, J.T.; Pettingill, J. A Review of Remote Sensing of Invasive Weeds and Example of the Early Detection of Spotted Knapweed (_Centaurea maculosa_) and Babysbreath (_Gypsophila paniculata_) with a Hyperspectral Sensor. _Weed Science_. 2005, 53, 242–251. doi:10.1614/WS-04-111R.
67. Scherrer, B.; Sheppard, J.; Jha, P.; Shaw, J.A. Hyperspectral Imaging and Neural Networks to Classify Herbicide-Resistant Weeds. _Journal of Applied Remote Sensing_. 2019, 13, 044516. doi:10.1117/1.JRS.13.044516.
68. Zhang, Y.; Gao, J.; Cen, H.; Lu, Y.; Yu, X.; He, Y.; Pieters, J.G. Automated Spectral Feature Extraction from Hyperspectral Images to Differentiate Weedy Rice and Barnyard Grass from a Rice Crop. _Computers and Electronics in Agriculture_. 2019, 159, 42–49. doi:10.1016/j.compag.2019.03.013.
69. Chaoying, T.A.N.G.; Xianghui, W.E.I.; Biao, W.A.N.G.; Prasad, S. A Cross-Border Detection Algorithm for Agricultural Spraying UAV. _American Society of Agricultural and Biological Engineers_. 2018.
70. Huang, H.; Deng, J.; Lan, Y.; Yang, A.; Zhang, L.; Wen, S.; Zhang, H.; Zhang, Y.; Deng, Y. Detection of Helminthosporium Leaf Blotch Disease Based on UAV Imagery. _Applied Sciences_. 2019, 9, 558. doi:10.3390/app9030558.
71. Felegari, S.; Sharifi, A.; Moravej, K.; Amin, M.; Golchin, A.; Muzirafuti, A.; Tariq, A.; Zhao, N. Integration of Sentinel 1 and Sentinel 2 Satellite Images for Crop Mapping. _Applied Sciences_. 2021, 11, 10104. doi:10.3390/app112210104.
72. Hennessy, A.; Clarke, K.; Lewis, M. Hyperspectral Classification of Plants: A Review of Waveband Selection Generalisability. _Remote Sensing_. 2020, 12, 113. doi:10.3390/rs12010113.
73. Shannon, D.K.; Clay, D.E.; Kitchen, N.R. _Precision Agriculture Basics_; John Wiley & Sons: Hoboken, NJ, USA, 2020; Volume 176.
74. Lan, Y.; Huang, Z.; Deng, X.; Zhu, Z.; Huang, H.; Zheng, Z.; Lian, B.; Zeng, G.; Tong, Z. Comparison of Machine Learning Methods for Citrus Greening Detection on UAV Multispectral Images. _Computers and Electronics in Agriculture_. 2020, 171, 105234. doi:10.1016/j.compag.2020.105234.
75. Nguyen, M.L.; Ciesielski, V.; Song, A. Rice Leaf Detection with Genetic Programming. In _Proceedings of the 2013 IEEE Congress on Evolutionary Computation_; Cancún, México, 20–23 June 2013; pp. 1146–1153.
76. Pérez-Ortiz, M.; Gutiérrez, P.A.; Peña, J.M.; Torres-Sánchez, J.; López-Granados, F.; Hervás-Martínez, C. Machine Learning Paradigms for Weed Mapping via Unmanned Aerial Vehicles. In _Proceedings of the 2016 IEEE Symposium Series on Computational Intelligence (SSCI)_; Athens, Greece, 6–9 December 2016; pp. 1–8.
77. Liakos, K.G.; Busato, P.; Moshou, D.; Pearson, S.; Bochtis, D. Machine Learning in Agriculture: A Review. _Sensors_. 2018, 18, 2674. doi:10.3390/s18082674.
78. Zheng, Y.; Zhu, Q.; Huang, M.; Guo, Y.; Qin, J. Maize and Weed Classification Using Color Indices with Support Vector Data Description in Outdoor Fields. _Computers and Electronics in Agriculture_. 2017, 141, 215–222. doi:10.1016/j.compag.2017.08.011.
79. Kamath, R.; Balachandra, M.; Prabhu, S. Paddy Crop and Weed Discrimination: A Multiple Classifier System Approach. _International Journal of Agronomy_. 2020, 2020, 6474536. doi:10.1155/2020/6474536.
80. Mehra, L.; Cowger, C.; Gross, K.; Ojiambo, P.S. Predicting Pre-Planting Risk of Stagonospora Nodorum Blotch in Winter Wheat Using Machine Learning Models. _Frontiers in Plant Science_. 2016, 7, 390. doi:10.3389/fpls.2016.00390.
81. Chen, Y.; Wu, Z.; Zhao, B.; Fan, C.; Shi, S. Weed and Corn Seedling Detection in Field Based on Multi-Feature Fusion and Support Vector Machine. _Sensors_. 2020, 21, 212. doi:10.3390/s21010212.
82. Chou, J.J.; Chen, C.P.; Yeh, J.T. Crop Identification with Wavelet Packet Analysis and Weighted Bayesian Distance. _Computers and Electronics in Agriculture_. 2007, 57, 88–98. doi:10.1016/j.compag.2006.12.003.
83. Bakhshipour, A.; Zareiforoush, H. Development of a Fuzzy Model for Differentiating Peanut Plant from Broadleaf Weeds Using Image Features. _Plant Methods_. 2020, 16, 153. doi:10.1186/s13007-020-00654-x.
84. Bakhshipour, A.; Jafari, A.; Nassiri, S.M.; Zare, D. Weed Segmentation Using Texture Features Extracted from Wavelet Sub-Images. _Biosystems Engineering_. 2017, 157, 1–12. doi:10.1016/j.biosystemseng.2017.01.003.
85. Tang, L.; Tian, L.; Steward, B.L. Classification of Broadleaf and Grass Weeds Using Gabor Wavelets and an Artificial Neural Network. _Transactions of the ASAE_. 2003, 46, 1247. doi:10.13031/2013.14541.
86. Gu, J.; Wang, Z.; Kuen, J.; Ma, L.; Shahroudy, A.; Shuai, B.; Chen, T. Recent Advances in Convolutional Neural Networks. _Pattern Recognition_. 2018, 77, 354–377. doi:10.1016/j.patcog.2017.10.013.
87. Yu, J.; Sharpe, S.M.; Schumann, A.W.; Boyd, N.S. Deep Learning for Image-Based Weed Detection in Turfgrass. _European Journal of Agronomy_. 2019, 104, 78–84. doi:10.1016/j.eja.2018.11.005.
88. Alom, M.Z.; Taha, T.M.; Yakopcic, C.; Westberg, S.; Sidike, P.; Nasrin, M.S.; Hasan, M.; Van Essen, B.C.; Awwal, A.A.S.; Asari, V.K. A State-of-the-Art Survey on Deep Learning Theory and Architectures. _Electronics_. 2019, 8, 292. doi:10.3390/electronics8030292.
89. Hasan, A.S.M.M.; Sohel, F.; Diepeveen, D.; Laga, H.; Jones, M.G. A Survey of Deep Learning Techniques for Weed Detection from Images. _Computers and Electronics in Agriculture_. 2021, 184, 106067. doi:10.1016/j.compag.2021.106067.
90. LeCun, Y.; Bengio, Y.; Hinton, G. Deep Learning. _Nature_. 2015, 521, 436–444. doi:10.1038/nature14539.
91. Hosseini, M.P.; Lu, S.; Kamaraj, K.; Slowikowski, A.; Venkatesh, H.C. Deep Learning Architectures. In _Deep Learning: Concepts and Architectures_; Springer: Cham, Switzerland, 2020; pp. 1–24.
92. Bah, M.D.; Hafiane, A.; Canals, R. Deep Learning with Unsupervised Data Labeling for Weed Detection in Line Crops in UAV Images. _Remote Sensing_. 2018, 10, 1690. doi:10.3390/rs10111690.
93. Lee, S.H.; Chan, C.S.; Mayo, S.J.; Remagnino, P. How Deep Learning Extracts and Learns Leaf Features for Plant Classification. _Pattern Recognition_. 2017, 71, 1–13. doi:10.1016/j.patcog.2017.05.023.