Оставьте свой номер и мы с вами свяжемся!
Или Вы можете позвонить нам сами:
+7 902 934 71 72

Глобальная гиперспектральная библиотека сельскохозяйственных культур (GHISA)

I.Члены команды

Глобальная гиперспектральная библиотека сельскохозяйственных культур (GHISA) для территории континентальных Соединенных Штатов (CONUS) был создан следующими членами команды. Их конкретная роль указана ниже.

Доктор Прасад С. Тенкабаил, Географ-исследователь Геологической службы США (USGS), является главным исследователем (PI) проекта GHISA. Доктор Тенкабаил сыграл важную роль в разработке концептуальной основы проектаи продукта. Он внес значительный вклад в написание рукописи, документа по теоретическим основам алгоритмов (ATBD), руководства пользователя и в предоставление научного руководства по проекту GHISA.

Доктор Ития П. Анис, постдокторант-географ, USGS, под руководством доктора Тенкабаила, предварительно обработала изображения Hyperion в Google Earth Engine, извлекла спектры из изображений и скомпилировала GHISA для смежных Соединенных Штатов. Она также внесла вклад в рукопись, ATBD и руководство пользователя.
Исторический контекст, предыстория и необходимость GHISA

Характеристика, моделирование, картирование и мониторинг сельскохозяйственных культур имеют решающее значение для точной оценки признаков, урожайности и производительности сельскохозяйственных культур (например, урожайности, производительности водопользования сельскохозяйственных культур), что, в свою очередь, помогает в оценке и управлении глобальной продовольственной и водной безопасностью. Поскольку сельскохозяйственные культуры используют 80-90% всей потребляемой человеком воды (Thenkabail et al., 2012, 2010), точные исследования пахотных земель способствуют точной оценке водопользования и производительности водопользования сельскохозяйственных культур. Сигнатуры сельскохозяйственных культур сильно различаются в зависимости от типа сельскохозяйственных культур, стадии роста, условий выращивания, управления, типа почвы, климата и множества других факторов (например, таких вложений, как азот, калий и фосфор; вредители и болезни). Сельскохозяйственные характеристики и признаки могут быть хорошо установлены с использованием гиперспектральных данных, которые получены с четким и точным знанием различных переменных сельскохозяйственных культур. Любое такое исследование требует от нас гиперспектральных библиотек сельскохозяйственных культур с учетом всех факторов, упомянутых выше. Гиперспектральные данные о растительности или сельскохозяйственных культурах широко используются в исследованиях, как подробно описано в новом четырехтомном сборнике книг по гиперспектральному дистанционному зондированию растительности (Thenkabail et al. 2018 a, b, c, d), а также в многочисленных исследовательских работах (Oliphant et al. 2019, Teluguntla et al. 2018, Gumma et al. 2018, Aneece и Thenkabail 2018, Marshall et al. 2014, Mariotto et al. 2013, Thenkabail et al. 2013). Эти данные получают с различных платформ (Ortenberg, 2018, Hoque и Phinn, 2018). Космические платформы включают в себя недавно выведенный из эксплуатации спутник Earth Observing-1 (EO-1) Hyperion (Aneece et al. 2018, Moharana and Dutta 2016, Oskouei and Babakan 2016), немецкую программу экологического картирования и анализа (EnMAP) (Bracken et al. 2019, Okujeni et al. 2015), итальянский компактный спектрометр с высоким разрешением (CHRIS) на борту спутника (PROBA) (CHRIS PROBA) (Verrelst et al. 2012, Lin et al. 2019), немецкий аэрокосмический центр (нем. Deutsches Zentrum für Luft- und Raumfahrt eV) или спектрометр с изображением Земли (DESIS) DLR (Krutz et al. 2019), и готовящийся к запуску SBG НАСА США (ранее известный как HyspIRI; Ли и др. 2015, Икбал и др. 2018, Кларк 2017), и японский набор гиперспектральных изображений (HISUI) (Мацунага и др. 2018). Воздушные датчики включают в себя аэрокосмический видимый инфракрасный спектрометр нового поколения НАСА (AVIRIS-NG) (Бхаттачарья и др. 2019, Ратиш и др. 2019, Чаубе и др. 2019, Джа и др. 2019), американский эксперимент по получению гиперспектральных цифровых изображений (HYDICE) (Чжан и др. 2006),Гиперспектральная сенсорная съемка (AISA-EAGLE) (Мансур и др., 2012 г., Лауш и др., 2015 г., Абдель-Рахман и др., 2015 г.), датчик гиперспектральной визуализации (HyMap) (Риаза и др., 2014 г., Буцци и др., 2014 г.), Компактный бортовой спектрографический формирователь изображения (CASI) (Legleiter et al. 2016, Xu et al. 2018), AisaEAGLET (Doneus et al. 2014) и бортовой портативный спектрометр для удаленной визуализации (PRISM) (Thompson et al. 2015, Mourolis et al. 2014). Датчики на базе дронов включают датчики Micro-Hyperspec X (Дао и др., 2019, Го и др., 2019), гиперспектральную камеру Rikola (Ивушкин и др., 2019, Мозгерис и др., 2018), SOC710-GX (Рхи и др., 2018). , Adao et al. 2017), Specim ImSpector V10 2/3 (Franceschini et al. 2017, Meij et al. 2017), OCI-UAV-1000 (Cahalane et al. 2017, Manfreda et al. 2018) и MicroHSI 410 -АКУЛА (Манфреда и др., 2018). Наземные датчики включают ASD Field Spec (Salem 2017, Padghan and Deshmukh 2017), Ocean Optic USB4000 (Middleton 2010) и UniSpec DC Spectrometer Analysis System (Davidson et al. 2016). Эти данные получают и анализируют для различных участков исследования в мире, и результаты публикуются в отчетах и ​​научных работах. К сожалению, гиперспектральные библиотеки сельскохозяйственных культур или растительности, используемые в этих работах, либо не публикуются, либо публикуются лишь несколькими исследователями, часто нескоординированным образом. В настоящее время систематической Глобальной гиперспектральной Библиотеки сельскохозяйственных культур (GHISA) не существует. Необходимость в GHISA имеет первостепенное значение в текущем сценарии возросшей доступности современных гиперспектральных датчиков на различных платформах (Ortenberg 2018, Hoque и Phinn 2018, Ghamisi и др. 2017, Panda и др. 2015). GHISA — это «всеобъемлющее и систематическое сопоставление, синтез, стандартизация и характеристика глобальных гиперспектральных сигнатур сельскохозяйственных культур, полученных с помощью космических, воздушных (например, самолетов, беспилотников), платформенных и наземных портативных спектрорадиометров или спектроскопии изображений. Данные GHISA получают в виде почти непрерывных спектров (например, каждые 1 или 10 нм) вдоль диапазона электромагнитного спектра (например, 400–2500 нм или 400–1000 нм или 8000–14000 нм). Протоколы получения и сопоставления данных GHISA четко определены и задокументированы. Данные GHISA обрабатываются с использованием стандартного набора протоколов и алгоритмов для преобразования необработанных данных в отражательную способность поверхности. Синтез данных GHISA включает их привязку к глобально понятным характеристикам сельскохозяйственных культур, таким как агроэкологические зоны, точное геопозиционирование, типы сельскохозяйственных культур, условия выращивания сельскохозяйственных культур, методы полива (например, орошаемые или богарные) и многочисленные другие переменные (например, такие входные данные, как внесение азота, геном и т. д.). Спектральные библиотеки GHISA должны иметь большие размеры выборки для каждого класса, чтобы быть надежными. Характеристика данных GHISA может включать, например, сравнение гиперспектральных узкополосных данных с мультиспектральными широкополосными данными для каждого типа сельскохозяйственных культур» (Thenkabail и Aneece, этот документ). Необходимость многогранна в понимании, моделировании, картировании и мониторинге следующих признаков сельскохозяйственных культур и/или помощи в ответах на следующие вопросы:

1. Каковы типичные гиперспектральные сигнатуры отдельных сельскохозяйственных культур? Как эти гиперспектральные сигнатуры изменяются в зависимости от: (a) стадий роста, (b) географической области, (c) геномов, (d) методов управления, (e) ресурсов, (f) и множества других параметров (например, орошение или богара, почвы)?
2. Как одна и та же культура, выращенная в разных частях света, меняет свои гиперспектральные характеристики? Почему?
3. Как гиперспектральные сигнатуры сельскохозяйственных культур, полученные на определенной территории за один сезон, сравниваются по годам (например, в обычные, засушливые и влажные годы)?
4. Какие признаки сельскохозяйственных культур можно количественно оценить с помощью гиперспектральных библиотек GHISA? Какова их точность?
5. Каким образом технический прогресс за последние годы может изменить способность гиперспектральной библиотеки GHISA характеризовать сельскохозяйственные культуры?
6. Как гиперспектральные характеристики сельскохозяйственных культур различаются от культуры к культуре?

7. Какие достижения могут быть сделаны в понимании, моделировании, картировании и мониторинге сельскохозяйственных культур с использованием гиперспектральных узкополосных данных по сравнению с мультиспектральными широкополосными данными?
8. Какие уникальные гиперспектральные индексы растительности (HVI) разработаны, чтобы помочь нам продвинуться в понимании характеристик сельскохозяйственных культур относительно индексов растительности, полученных на основе мультиспектральных широкополосных данных (MBVI)? Какие уникальные характеристики сельскохозяйственных культур, которые не могут быть охарактеризованы MBVI, характеризуются HVI?
9. Как сравниваются и/или противопоставляются гиперспектральные сигнатуры GHISA конкретной сельскохозяйственной культуры, полученные с разных платформ (например, космических, воздушных, наземных)?
10. Как GHISA может помочь местным, региональным, федеральным и международным организациям принимать обоснованные решения в отношении методов ведения сельского хозяйства?

В двух словах, GHISA предоставляет банк знаний о сельскохозяйственных культурах мира, выращиваемых в разных странах, регионах, агроэкологических зонах и условиях. Он будет служить многим целям научного и практического применения. Например, GHISA станет сигнатурным банком для обучения алгоритмов для картирования типов культур или для установления их количественных признаков для разработки биофизических и биохимических моделей культур (Aneece и Thenkabail, 2018).

Гиперспектральный и эталонный ввод данных

Гиперспектральные данные EO-1 Hyperion

Этот теоретический базовый документ алгоритма (ATBD) содержит подробный отчет о продукте GHISA, который создается с использованием космических гиперспектральных спутниковых датчиков Hyperion Earth Observing-1 (EO-1). Существует более 70 000 гиперспектральных изображений EO-1 Hyperion (рисунок 1), полученных в период с 2000 по 2015 год и доступных бесплатно на сайте USGS EarthExplorer (https://eartheexplorer.usgs.gov/). Полное описание данных EO-1 Hyperion см. в работах Барри (2001), Куршида и др. (2006) и Шеффлера и Карраша (2014).


Рисунок 1.Гиперспектральные данные космического аппарата EO-1 Hyperion, полученные по всему миру с 2000 по 2015 год. Более 70 000 изображений доступны для бесплатной загрузки с сайта USGS EarthExplorer (https://eartheexplorer.usgs.gov/). Каждое изображение имеет размер 185 км x 7,5 км и содержит 242 спектральные полосы шириной 10 нанометров каждая в диапазоне 400–2500 нм (Источник: Thenkabail et al., 2012).

В этом документе описывается схема производства GHISA для смежных Соединенных Штатов (CONUS) на основе данных EO-1 Hyperion, полученных в различных агроэкологических зонах США на нескольких участках (таблица 1, рисунок 2). Подробное описание этих данных приведено в работах Aneece и Thenkabail (2018) и Aneece et al. (2018). Было получено 66 изображений EO-1 Hyperion (таблица 1), расположение которых показано на рисунке 2. Это репрезентативные изображения для каждой агроэкологической зоны (ФАО, 2018), причем для каждого участка или контрольной области (рисунок 2) имеется несколько изображений (таблица 1). Каждая контрольная область была выбрана на основе нескольких изображений Hyperion, доступных для участка, а также наличия двух или более основных мировых культур (например, пшеницы, риса, кукурузы, сои, хлопка). Кроме того, эти культуры также изучались на предмет стадий роста (всходы/очень ранняя вегетация, ранняя-средняя вегетация, поздняя вегетация, критическая, старение и сбор урожая).

99 снимков EO-1 Hyperion (таблица 1) были выбраны для CONUS за период с 2008 по 2015 год, поскольку в это время справочные данные Министерства сельского хозяйства США (USDA) (см. раздел III.2) были доступны для всего CONUS. Данные Hyperion были выбраны, поскольку Hyperion является единственным известным источником космических гиперспектральных данных, охватывающих весь мир последовательно в течение длительных периодов времени. Такие данные позволят провести всестороннее и систематическое исследование мировых сельскохозяйственных культур в течение нескольких лет. Крайне важно контролировать урожай и оценивать глобальную продовольственную безопасность, особенно с учетом роста мирового населения, урбанизации и изменения предпочтений в питании. Знание типов и стадий роста сельскохозяйственных культур может помочь оценить урожайность сельскохозяйственных культур. Дистанционное зондирование может использоваться для классификации растительности, а гиперспектральное дистанционное зондирование, в частности, может позволить дифференцировать типы и стадии роста сельскохозяйственных культур.
Таблица 1:Изображения Hyperion в семи агроэкологических зонах (AEZ) и ведущих мировых культурах

в этих изображениях. Мы использовали в общей сложности 99 гиперспектральных изображений Hyperion, распределенных по семи агроэкологическим зонам (AEZ) с 2008 по 2015 год в США. Также показаны доминирующие ведущие мировые культуры на каждом из этих изображений. [Источник: Aneece и Thenkabail, 2018].

*Оригинальные изображения Hyperion содержат 242 полосы, из которых 198 откалиброваны и доступны в Google Earth Engine. После удаления проблемных полос, наиболее подверженных атмосферному шуму, мы сохранили 131 полосу от 356 нм до 2577 нм.

**Агроэкологические зоны (АЭЗ) на основе данных Продовольственной и сельскохозяйственной организации Объединенных Наций (ФАО) (ФАО, 2018).
Рисунок 2.Районы исследований по всей территории США в различных агроэкологических зонах. Районы исследований США, названные в соответствии с агроэкологическими зонами (AEZ), в которых они расположены. AEZ, как определено ФАО (FAO, 2018). [Источник: Aneece and Thenkabail, 2018].

Справочные данные

Уровень данных о пахотных землях (CDL) Министерства сельского хозяйства США (USDA, 2018a; https://nassgeodata.gmu.edu/CropScape/) использовался в качестве справочных данных для определения того, какие культуры существуют в каком точном месте по всей территории США в течение лет, соответствующих датам получения изображений (таблица 1, рисунок 2), а затем извлекал гиперспектральные библиотеки культур для GHISA. В дополнение к маркировке спектров по типу культуры в GHISA, мы также маркировали их по стадиям роста культуры (всходы/очень ранняя вегетация, ранняя-средняя вегетация, поздняя вегетация, критическая, старение и сбор урожая). Эти стадии роста оценивались с использованием календарей урожая, созданных Центром устойчивого развития и глобальной окружающей среды (SAGE) в Университете Висконсин-Мэдисон (Сакс и др., 2010). Эти календари были доступны для определенных типов культур в определенных местах по всей территории США в различных агроэкологических зонах (рисунок 2). Они включают даты посадки и сбора урожая, а также среднемесячные осадки и температуры. Мы также проверили спектральные профили, чтобы уточнить эти метки.


Описание алгоритма и обработка данных

Изображения Hyperion были предварительно обработаны в JavaScript Application Programming Interface (API) облачной вычислительной платформы Google Earth Engine (GEE) с использованием шагов, показанных на рисунке 3. Для предварительной обработки этих изображений мы разделили данные VNIR и SWIR на отдельные изображения, поскольку они были получены двумя разными спектрометрами и, следовательно, имели разные требования к калибровке (Scheffler и Karrasch, 2014, Datt et al. 2003, Bannari et al. 2015, Pervez et al. 2016). Затем мы преобразовали цифровые числа VNIR и SWIR в яркость, разделив цифровые числа на 40 и 80 соответственно (Barry 2001, Thenkabail et al. 2004, Thenkabail et al. 2013, Pervez et al. 2016). После рекомбинации этих наборов данных мы преобразовали сияние в отражательную способность поверхности, используя модель переноса излучения SMARTS (Gueymard, 1995, 2001) (рисунок 3). После маскирования облаков и теней от облаков спектры были извлечены из пикселей, соответствующих известным местоположениям типов культур, используя USDA CDL в качестве эталона (USDA, 2018 a, b). Затем эти спектры были сглажены с использованием 3-полосного скользящего среднего в
R. Календари урожая, разработанные Институтом исследований окружающей среды Нельсона, SAGE, Университетом Висконсин-Мэдисон (Sacks et al., 2010), использовались для оценки стадий роста урожая, уточненных путем визуального осмотра спектров. Подробности этих шагов, проиллюстрированных на рисунке 3, приведены в 1a и 1b ниже. Более подробная информация об этапах предварительной обработки также приведена в Aneece et al. (2018).

Обработка данных для получения спектральной библиотеки сельскохозяйственных культур GHISA для всей территории CONUS США представлена ​​в разделе III и его подразделах. Весь набор данных EO-1 Hyperion для территории CONUS (рисунок 1 и подмножество, использованное в этом исследовании: рисунок 2, таблица 1) доступен в GEE для всей территории США с 2008 по 2015 год. Эти необработанные изображения загружаются в GEE командой GEE и легко доступны пользователю для предварительной обработки. Точные справочные данные о типах культур, соответствующих этим изображениям, доступны через USDA
CDL-(USDA,-2018b;
https://www.nass.usdа.gov/Research_and_Science/Cropland/metadata/meta.php). Данные о стадиях роста сельскохозяйственных культур были получены на основе набора данных SAGE (SAGE, 2019;https://nelson.wisc.edu/sage/data- and-models/набор-данных-календаря-урожая/index.php).

Недавно выведенный из эксплуатации гиперспектральный спутниковый датчик Hyperion собрал более 70 000 изображений по всему миру, все из которых находятся в свободном доступе через USGS EarthExplorer и GEE. Эти изображения могут быть использованы для создания спектральной библиотеки сельскохозяйственных культур в разных областях, годах и стадиях роста. Шестьдесят шесть изображений Hyperion в GEE в семи агроэкологических зонах по всей территории США с 2008 по 2015 год были использованы для картирования пяти доминирующих в мире сельскохозяйственных культур (кукуруза, хлопок, рис, соя и озимая пшеница) и стадий их роста (всходы/очень ранняя вегетация, ранняя-средняя вегетация, поздняя вегетация, критическая, старение и сбор урожая).
Рисунок 3. Пример рабочего процесса предварительной обработки EO-1 Hyperion. Это наиболее распространенные методы, доступные для предварительной обработки; существуют и другие методы. Выделенные методы — это те, которые рекомендуют авторы. [Источник: Aneece et al. 2018].
Алгоритмы

a. Подробности алгоритма

Изображения Hyperion были предварительно обработаны в GEE. Облачные вычисления позволяют обрабатывать большие коллекции изображений без ограничений личного пространства для хранения или личной вычислительной мощности (Navulur et al., 2013). Таким образом, это облегчает исследования в больших временных и пространственных масштабах, что

в противном случае было бы невозможно. Например, Падарян и др. (2015) провели анализ, включающий 654 000 изображений Landsat, примерно за 100 часов в GEE, что заняло бы миллион часов. Поскольку изображения Hyperion уже загружены в GEE, их можно визуализировать и анализировать на платформе. Используя JavaScript API, мы предварительно обработали изображения Hyperion, выполнив следующие шаги. Код для этих шагов доступен через LP DAAC.

Данные Hyperion были получены двумя спектрометрами, один для VNIR-полос 1-70 и один для SWIR-полос 71-242 (Scheffler and Karrasch, 2014). Эти спектрометры имеют разные требования к калибровке (Scheffler and Karrasch, 2014), поэтому мы разделили их на два набора данных для преобразования из цифровых чисел (DN) в яркость (Rad). Это было сделано путем деления VNIR DN на 40, а SWIR DN на 80, как описано Барри (2001).

Затем излучение было преобразовано в отражательную способность поверхности (SR) с использованием модели переноса излучения Simple Model of the Atmospheric Radiative Transfer of Sunshine (SMARTS) (Gueymard, 1995, 2001). Было обнаружено, что эта модель в 25 раз быстрее, чем модель 6S, с разницей в результатах обработки спутниковых данных всего в 5% (Seidel et al. 2010). Для преобразования излучения в отражательную способность поверхности использовалось уравнение 1 (из Chavez, 1996, предполагающее отсутствие дымки), где L — это излучение на спутнике в Вт·м-2·ср-1·мм-1, Esun — это солнечное излучение в Вт·м-2·ср-1·мм-1, θz и θv — это зенитный и обзорный углы соответственно в радианах, T — коэффициент пропускания (безразмерный), а Edown — это диффузное нисходящее излучение. Коэффициент пропускания (T) рассчитывается с использованием уравнения 2 (из Gueymard, 2001), где TRλ - коэффициент пропускания Рэлея (безразмерный), зависящий от длины волны λ, Toλ - коэффициент пропускания озона (безразмерный), Tnλ - коэффициент пропускания диоксида азота (безразмерный), Tgλ - коэффициент пропускания однородно смешанного газа (безразмерный), Twλ - коэффициент пропускания водяного пара (безразмерный), а Taλ - коэффициент пропускания аэрозоля (безразмерный). Эти компоненты рассчитывались с использованием методов, описанных Gueymard (1995, 2001). Edown рассчитывался с использованием уравнений 3 и 4 (из Gopinathan и Polokoana, 1986), где τD - безразмерный коэффициент пропускания для прямого солнечного излучения (Liu и
Jordan, 1960). Более подробную информацию об атмосферной коррекции см. в Aneece и Thenkabail (2018) и Aneece et al. (2018).
После преобразования в отражательную способность поверхности мы замаскировали облака и тени облаков перед извлечением спектров. Облака были обнаружены с использованием пороговых значений отражательной способности в синей полосе и суммы отражательной способности в красной, зеленой и синей полосах, поскольку облака имеют очень высокую отражательную способность в видимой области. Тени облаков были обнаружены с использованием пороговых значений отражательной способности в сумме полос в областях NIR и SWIR, в которых тени облаков имеют очень низкую отражательную способность. Пороговые значения зависят от изображения и предпочтений пользователя относительно того, насколько консервативной они хотят видеть маску. Это очень элементарный инструмент, который также маскирует некоторые водоемы; это было приемлемо для

приложения, которому нужны только спектральные сигнатуры от пахотных земель. Однако, если пользователь хочет также изучать водоемы, следует построить более подробную маску.

После маскирования облаков и теней от облаков спектры были извлечены из пикселей с известными типами урожая, используя USDA CDL в качестве эталона. Эти спектры были скомпилированы в электронную таблицу Excel, и были удалены проблемные (шумные) полосы: 933-963 нм, 1114-1155 нм, 1336-1498 нм, 1780-2042 нм и 2365-2396 нм. Затем спектры были сглажены с использованием 3-полосного скользящего среднего. Скрипт R для этого также доступен в LP DAAC.

Полученные спектры вместе с информацией об изображении, географическими координатами, соответствующей агроэкологической зоной, метками типов культур и метками стадий роста культур были объединены в Глобальную гиперспектральную библиотеку сельскохозяйственных культур (GHISA) для США.

b.Программирование и код

Шаги предварительной обработки Hyperion были закодированы в GEE с использованием JavaScript Application Programming Interface (API). Код доступен для загрузки вместе с ATBD.

Результаты

Используя 66 гиперспектральных снимков EO-1 Hyperion территории CONUS (раздел III.1) и основываясь на знаниях из справочных данных (раздел III.2), мы вывели гиперспектральные библиотеки GHISA сельскохозяйственных культур для их типов (рисунок 4, таблица 2) и стадий роста культур (рисунок 5, таблица 3).

Данные для обучения и проверки типа культуры (таблица 2) были получены из 11 изображений в пяти AEZ для пяти культур с использованием данных USDA CDL для справки. Иллюстрации GHISA, например, изображений Hyperion со спектральными средними по типу культуры, включены в Рисунок 4. В целом, было 2876 образцов для обучения и 969 для проверки. На изображениях кукуруза имела 1104 обучающих и 372 проверочных образца. Соя имела 1087 обучающих и 366 проверочных образцов. Озимая пшеница имела 551 обучающий и 184 проверочных образца. Рис имел 86 обучающих и 30 проверочных образцов. Наконец, хлопок имел 48 обучающих и 17 проверочных образцов. Эти данные использовались для дифференциации типов культур (Aneece и Thenkabail, 2018).

Данные для обучения и проверки стадий роста сельскохозяйственных культур (таблица 3) были получены из 99 изображений Hyperion в семи AEZ для пяти культур. Иллюстрация гиперспектральных профилей Hyperion, усредненных по стадиям роста сельскохозяйственных культур, показана на рисунке 5. В целом, было 5184 образца для обучения и 1739 для проверки. У кукурузы было представлено шесть стадий роста, всего 1916 обучающих и 641 проверочный образец. У сои были представлены все шесть стадий роста, а также 1563 обучающих и 523 проверочных образцов. У озимой пшеницы было представлено четыре стадии роста, а именно 6188 обучающих и 2076 проверочных образцов. У хлопка было представлено пять стадий роста, а именно 615 обучающих и 208 проверочных образцов. Наконец, у риса были представлены две из шести стадий роста, а именно 86 обучающих и 30 проверочных образцов. Эти данные использовались для дифференциации стадий роста сельскохозяйственных культур (Aneece и Thenkabail, 2018).

Рисунок 4.Иллюстрация GHISA США для пяти культур. Глобальная гиперспектральная библиотека сельскохозяйственных культур (GHISA) проиллюстрирована для пяти культур в определенных агроэкологических зонах и стадиях роста. N — количество спектров, включенных в среднее значение. [Источник: Aneece и Thenkabail, 2018].

Таблица 2.Образцы для различения типов культур. Размеры обучающей и проверочной выборки для дискриминантного анализа типов культур и анализа классификации изображений; «другое» только для классификации изображений. [Источник: Aneece and Thenkabail, 2018].

Рисунок 5.Иллюстрация GHISA США для пяти культур. Глобальная гиперспектральная библиотека сельскохозяйственных культур (GHISA) проиллюстрирована для одной культуры на двух стадиях роста в AEZ 7 и четырех-шести стадиях роста для других культур в AEZ 9. N — количество спектров, включенных в среднее значение. [Источник: Aneece и Thenkabail, 2018].

Таблица 3.Образцы для обучения и проверки для различения стадий роста сельскохозяйственных культур. Размеры выборок для обучения и проверки для дискриминантного анализа по типам сельскохозяйственных культур в семи агроэкологических зонах (AEZ) с использованием библиотеки спектральных изображений сельскохозяйственных культур (GHISA) США для каждой культуры на каждой из шести стадий роста, где они присутствуют, полученные из данных Hyperion. [Источник: Aneece and Thenkabail, 2018].

Ограничения

Ограничения исследования включали:
1. Ограниченная доступность изображений EO-1 Hyperion в различные периоды роста;
2.Отсутствие полного покрытия CONUS с помощью EO-1 Hyperion ограничило более комплексную разработку GHISA, особенно для культур, не охваченных здесь;
3.Неопределенность в справочных данных CDL. Хотя CDL является золотым стандартом для картирования типов культур в США, неопределенность существует в определенной степени;
4. Соотношение сигнал/шум данных EO-1 Hyperion

Выводы

Это первая попытка разработать комплексную глобальную гиперспектральную библиотеку сельскохозяйственных культур (GHISA). Мы использовали 66 изображений EO-1 Hyperion за период 2008-2015 гг. вместе со справочными данными USDA CDL для разработки гиперспектральных библиотек GHISA сельскохозяйственных культур континентальных Соединенных Штатов (CONUS) на основе культур, выращиваемых в различных агроэкологических зонах. GHISA CONUS была разработана для пяти основных культур (кукуруза, хлопок, рис, соя и озимая пшеница). Эти гиперспектральные библиотеки доступны для загрузки через LP DAAC. Протоколы для создания GHISA доступны в этом документе, а также в Aneece и Thenkabail (2018) и Aneece и др. (2018). Код, используемый при обработке данных EO-1 Hyperion в GEE, можно загрузить в LP DAAC.

Целью этих усилий является создание всеобъемлющей библиотеки GHISA для всего мира с использованием гиперспектральных данных с различных платформ (например, космических, воздушных, беспилотных и наземных) для ведущих мировых сельскохозяйственных культур. В рамках этих конкретных усилий мы разработали GHISA для смежных Соединенных Штатов (CONUS) на основе данных EO-1 Hyperion. Мы продолжим эти усилия для других частей света и для CONUS с использованием других платформ в будущем. Релизы GHISA поставляются с руководствами пользователя, ATBD и кодом обработки данных, выполненным в GEE или иным образом.
Публикации

Aneece, IP и Thenkabail, PS 2018. Точность, достигнутая при классификации пяти ведущих мировых типов сельскохозяйственных культур и стадий их роста с использованием оптимальных гиперспектральных узких полос Earth Observing-1 Hyperion на Google Earth Engine. Remote Sensing Open Access Journal of MDPI. 10(12), 2027. Доступно по адресу:https://pubs.er.usgs.gov/publication/70201462

Aneece, I., Thenkabail, PS, Lyon, J., Huete, A. и Slonecker, T. 2018. Глава 9 (из тома I четырехтомной книги): Предварительная обработка данных Spaceborne Hyperspectral EO-1 Hyperion: методы, подходы и алгоритмы. Название тома I: Основы, сенсорные системы, спектральные библиотеки и интеллектуальный анализ данных для растительности. С. 251–271. Название книги: «Hyperspectral Remote Sensing of Vegetation» (второе издание, набор из 4 томов). Издатель: CRC Press- Taylor and Francis group, Бока-Ратон, Лондон, Нью-Йорк. С. 450. (Редакторы: Thenkabail, PS, Lyon, GJ и Huete, A.). (Редакторы:Thenkabail,PS,Lyon,GJ,andHuete,A.).IP-091722.Доступно по адресу: https://www.routledge.com/Hyperspectral-Remote-Sensing-of-Vegetation-Second-Edition- FourVolume/Thenkabail-Lyon-Huete/p/book/9781138066250

Благодарности

Этот проект финансировался Mendenhall Postdoctoral Fellowship, United States Geological Survey (USGS). Поддержка, предоставленная USGS Land Resources Mission Area (LRMA), а также программами National Land Imaging (NLI) и Land Change Science (LCS), глубоко ценится.

Контактная информация

Пользовательские службы LP DAAC
Геологическая служба США (USGS)
Центр наблюдения и науки о ресурсах Земли (EROS) 47914 252nd Street
Су-Фолс, Южная Дакота 57198-0001 Номер телефона: 605-594-6116
Бесплатный номер: 866-573-3222 (866-LPE-DAAC) Факс: 605-594-6963
Электронная почта:lpdaac@usgs.gov Веб:https://lpdaac.usgs.gov

Для главных исследователей, пожалуйста, пишите по адресу:
Прасад С. Тенкабаил вpthenkabail@usgs.gov Ития Анисе вianeece@usgs.gov

Цитаты

Aneece, I. и Thenkabail, P. 2019. Глобальная гиперспектральная библиотека сельскохозяйственных культур (GHISA) для континентальных Соединенных Штатов (CONUS). Документ по теоретическим основам алгоритма (ATBD. NASAРаспределенный активный архивный центр процессов на земле (LP)DAAC). IP-110217.

Ссылки

Абдель-Рахман Э., Макори Д., Ландманн Т., Пийройнен Р., Гасим С., Пелликка П. и Райна,
S. 2015. Использование гиперспектральных данных AISA Eagle и случайного классификатора лесов для картирования цветков. Дистанционное зондирование, 7, 13298-13318.

Adao, T., Hruska, J., Padua, L., Bessa, J., Peres, E., Morais, R. и Sousa, J. 2017. Гиперспектральная съемка: обзор датчиков на базе БПЛА, обработки данных и приложений для сельского и лесного хозяйства. Дистанционное зондирование, 9, 1110.
Aneece, IP и Thenkabail, PS 2018. Точность, достигнутая при классификации пяти ведущих мировых типов сельскохозяйственных культур и стадий их роста с использованием оптимальных гиперспектральных узких полос Earth Observing-1 Hyperion на Google Earth Engine. Журнал открытого доступа к дистанционному зондированию MDPI.
10(12), 2027. Доступно по адресу: https://pubs.er.usgs.gov/publication/70201462

Aneece, I., Thenkabail, PS, Lyon, J., Huete, A. и Slonecker, T. 2018. Глава 9 (из тома I четырехтомной книги): Предварительная обработка гиперспектральных данных EO-1 Hyperion с космических аппаратов: методы, подходы и алгоритмы. Название тома I: Основы, сенсорные системы, спектральные библиотеки и интеллектуальный анализ данных по растительности. С. 251–271. Название книги: «Hyperspectral Remote Sensing of Vegetation» (второе издание, набор из 4 томов). Издатель: CRC Press- Taylor and Francis group, Бока-Ратон, Лондон, Нью-Йорк. С. 450. (Редакторы: Thenkabail, PS, Lyon, GJ и Huete, A.). (Редакторы: Thenkabail, PS, Lyon, GJ и Huete, A.). IP-091722. Доступно по адресу:

https://www.routledge.com/Hyperspectral-Remote-Sensing-of-Vegetation-Second-Edition- FourVolume/Thenkabail-Lyon-Huete/p/book/9781138066250

Баннари, А., Штаенц, К., Шампань, К. и Хуршид, К. 2015. Картографирование пространственной изменчивости пожнивных остатков с использованием гиперспектральных данных Hyperion (EO-1). Дистанционное зондирование, 7, 8107–8127.
Барри, П., 2001. EO-1/ Руководство пользователя Hyperion Science Data, уровень 1 b. Публикация, L1 B HYP.TO.01.077, TRW Space, Defense and Information Systems, Редондо-Бич, Калифорния.
Бхаттачарья, Б., Грин, Р., Рао, С., Саксена, М., Шарма, С., Кумар, К., Шринивасулу, П., Шарма, С., Дхар, Д., Бандйопадхай, С., Бхатвадекар, С. и Кумар, Р. 2019. Обзор воздушной гиперспектральной научной кампании AVIRIS-NG над Индией. Current Science, 116 (7), 1082-1088.
Bracken, A., Coburn, C., Staenz, K., Rochdi, N., Segl, K., Chabrillat, S. и Schmid, T. 2019. Обнаружение эрозии почвы в полузасушливых средиземноморских условиях с использованием моделируемых данных EnMAP. Geoderma, 340, 164-174.
Буцци, Дж., Риаза, А., Гарсия-Мелендес, Э., Вайде, С. и Бахманн, М. 2014. Картографирование изменений на восстанавливающемся участке шахты с использованием гиперспектральных аэрофотоснимков HyMap (Сотиель, юго-запад Испании). Minerals, 4, 313-329.
Cahalane, C., Walsh, D., Magee, A., Mannion, S., Lewis, P. и McCarthy, T. 2017. Датчики Pods: Мульти-разрешающие съемки с легкого самолета. Inventions, 2, 2, doi:10.3390/inventions2010002
Чауб, Н., Леле, Н., Мисра, А., Мурти, Т., Манна, С., Хазра, С., Панда, М. и Самал, Р. 2019. Распознавание видов мангровых деревьев и оценка их состояния с использованием гиперспектральных данных AVIRIS-NG. Current Science, 116 (7), 1136-1142.
Чавес, П., младший, 1996. Атмосферные коррекции на основе изображений — пересмотренные и улучшенные.
Фотограмметрическая инженерия и дистанционное зондирование, 62, 1025–1036.
Кларк, М. 2017. Сравнение смоделированных гиперспектральных снимков HyspIRI и мультиспектральных снимков Landsat 8 и Sentinel-2 для многосезонного регионального картирования земельного покрова. Дистанционное зондирование окружающей среды, 200, 311-325.
Дао, П., Хе, И. и Лу, Б. 2019. Максимизация количественной полезности гиперспектральных изображений с воздуха для изучения физиологии растений: оптимальная процедура настройки экспозиции датчика и метод эмпирической линии для атмосферной коррекции. Международный журнал прикладного наблюдения Земли и геоинформатики, 77, 140-150.
Datt, B., McVicar, T., Van Niel, T; Jupp, D. и Pearlman, J. 2003. Предварительная обработка гиперспектральных данных EO-1 Hyperion для поддержки применения сельскохозяйственных индексов. Труды IEEE по геонауке и дистанционному зондированию, 41, 1246–1259.
Дэвидсон, С., Сантос, М., Слоан, В., Уоттс, Дж., Феникс, Г., Ойчел, В. и Зона, Д. 2016. Картографирование растительных сообществ арктической тундры с использованием полевой спектроскопии и мультиспектральных

спутниковых данных в Северной Аляске, США. Дистанционное зондирование, 8, 978.
Донеус, М., Верховен, Г., Ацбергер, К., Весс, М. и Рус, М. 2014. Новые способы извлечения археологической информации из гиперспектральных пикселей. Журнал археологической науки, 52, 84-96.
eoPortal.2019.МКС Использование: HISUI (гиперспектральный формирователь изображений)Люкс). Доступно в:https://eoportal.org/web/eoportal/satellite-missions/content/-/article/iss-utilization-hisui- набор-для-гиперспектрального-визуализации-
ФАО — Продовольственная и сельскохозяйственная организация Объединенных Наций. GAEZ — Глобальные агроэкологические зоны; ФАО: Рим, Италия, 2018. Доступно по адресу:http://www.fao.org/nr/gaez/en/
Франческини, М., Бартоломеус, Х., ван Апелдорн, Д., Суомалайнен, Й. и Коойстра, Л. 2017. Взаимное сравнение беспилотных летательных аппаратов и наземных узкополосных спектрометров, применяемых для мониторинга признаков сельскохозяйственных культур при производстве органического картофеля. Датчики, 17, 1428.
Гамиси, П., Ёкоя, Н., Ли, Дж., Ляо, В., Лю, С., Плаза, Дж., Расти, Б. и Плаза, А. 2017. Достижения в области обработки гиперспектральных изображений и сигналов: всесторонний обзор современного состояния дел. Журнал IEEE Geoscience and Remote Sensing, DOI: 10.1109/MGRS.2017.2762087.
Гопинатан, К. и Полокоана, П. 1986. Оценка почасового пучка и рассеянного солнечного излучения.
Солнечные и ветровые технологии, 3, 223–229.
Gueymard, C., 1995. SMARTS2, простая модель атмосферного радиационного переноса солнечного света: алгоритмы и оценка производительности. Технический отчет FSEC-PF-270-95, Флоридский центр солнечной энергии; Университет Центральной Флориды, Коко, Флорида.
Gueymard, C., 2001. Параметризованная модель пропускания для прямого луча и околосолнечного спектрального излучения. Solar Energy, 71(5), 325–346.
Gumma, M., Thenkabail, PS, Deevi, K., Mohammed, I., Teluguntla, P., Oliphant, A., Xiong, J., Aye, T. и Whitbread, A. 2018. Картографирование залежных площадей пахотных земель в Мьянме для масштабирования устойчивой интенсификации выращивания бобовых культур в системе земледелия. Геофизические науки и дистанционное зондирование, 55 (6), 926-949.
Го, Л., Чжан, Х., Ши, Т., Чэнь, И., Цзян, Ц. и Линдерман, М. 2019. Прогнозирование запасов органического углерода в почве с помощью лабораторных спектральных данных и гиперспектральных изображений с воздуха. Geoderma, 337, 32-41.
Hoque, M. и Phinn, S. 2018. Глава 12: Методы связывания гиперспектральных данных с дронов и полевых данных со спутниковыми данными. Название тома I: Основы, сенсорные системы, спектральные библиотеки и интеллектуальный анализ данных для растительности. С. 321–354. Название книги: «Hyperspectral Remote Sensing of Vegetation» (второе издание, набор из 4 томов). Издатель: CRC Press- Taylor and Francis group, Бока-Ратон, Лондон, Нью-Йорк. С. 450. (Редакторы: Thenkabail, PS, Lyon, GJ и Huete, A.). (Редакторы: Thenkabail, PS, Lyon, GJ и Huete, A.). IP-091722. Доступно по адресу:https://www.routledge.com/Hyperspectral-Remote-Sensing-of-Vegetation-Second-Edition-

FourVolume/Thenkabail-Lyon-Huete/p/book/9781138066250
Икбал, А., Улла, С., Халид, Н., Ахмад, В., Ахмад, И., Шафик, М., Халли, Г., Робертс, Д. и Скидмор, А. 2018. Выбор оптимальных положений полос HyspIRI для картографирования состава Земли с использованием данных HyTES. Дистанционное зондирование окружающей среды, 206, 350-362.
Ивушкин К., Бартоломеус Х., Брегт А., Пулатов А., Франческини М., Крамер Х., ван Лоо Э., Роман В. и Финкерс Р. 2019. На базе БПЛА оценка засоления почв пахотных земель.
Геодерма, 338, 502-512.
Джа, К., Ракеш, Сингхал, Дж., Редди, К., Раджашекар, Г., Майти, С., Патнаик, К., Дас, А., Мисра, А., Сингх, К., Мохапатра, Дж. ., Кришнайя Н., Киран С., Таунсенд П. и Мартинес М. 2019.
Характеристика видового разнообразия и здоровья лесов с использованием данных гиперспектрального дистанционного зондирования AVIRIS-NG. Current Science, 116 (7), 1124-1135.
Куршид, К., Штаенц, К., Сан, Л., Невилл, Р., Уайт, Х., Баннари, А., Шампань, К. и Хичкок, Р. 2006. Предварительная обработка данных EO-1 Hyperion. Канадский журнал дистанционного зондирования, 32 (2), 84-97.
Krutz, D., Muller, R., Knodt, U., Gunther, B., Walter, I., Sebastian, I., Sauberlich, T., Reulke, R., Carmona, E., Eckardt, A., Venus, H., Fischer, C., Zender, B., Arloth, S., Lieder, M., Neidhardt, M., Grote, U., Schrandt, F., Gelmi, S. и Wojtkowiak, A. 2019. Конструкция прибора спектрометра DLR Earth Sensing Imaging Spectrometer (DESIS). Датчики, 19, 1622.
Lausch, A., Salbach, C., Schmidt, A., Doktor, D., Merbach, I. и Pause, M. 2015. Получение фенологии ячменя с помощью гиперспектрального дистанционного зондирования. Экологическое моделирование, 295, 123-135.
Ли, К., Кейбл, М., Хук, С., Грин, Р., Устин, С., Мандл, Д. и Миддлтон, Э. 2015. Введение в миссию NASA Hyperspectral InfraRed Imager (HyspIRI) и подготовительные мероприятия. Дистанционное зондирование окружающей среды, 167, 6-19.
Леглейтер, К., Оверстрит, Б., Гленни, К., Пан, З., Фернандес-Диас, Дж. и Сингхания, А. 2016. Оценка возможностей гиперспектральной системы визуализации CASI и батиметрического лидара Aquarius для измерения морфологии русла в двух различных речных средах. Процессы на поверхности Земли и формы рельефа, 41, 344-363.
Lin, J., Pan, Y., Lyu, H., Zhu, X., Li, X., Dong, B. и Li, H. 2019. Разработка двухэтапного алгоритма для оценки индекса листовой поверхности лесов со сложной структурой на основе данных CHRIS/PROBA. Лесная экология и управление, 441, 57-70.
Лю, Б. и Джордан, Р. 1960. Взаимосвязь и характерное распределение прямой, рассеянной и общей солнечной радиации. 1-19.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Madrigal, V., Mallinis, G., Dor, E., Helman, D., Estes, L., Ciraolo, G., Mullerova, J., Tauro, F., de lima, M., de Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-Perez, G., Su, Z., Vico, G. и Toth, B. 2018. Об использовании беспилотных воздушных систем для мониторинга окружающей среды. Дистанционное зондирование, 10, 641.
Мансур, К., Мутанга, О., Эверсон, Т. и Адам, Э. 2012. Различение видов трав-индикаторов для оценки деградации пастбищ с использованием гиперспектральных данных, повторно отобранных до разрешения AISA Eagle. Журнал фотограмметрии и дистанционного зондирования ISPRS, 70, 56-65.
Мариотто, И., Тенкабаил, П., Хьюте, А., Слонекер, Т. и Платонов, А. 2013. Гиперспектральное и мультиспектральное моделирование урожайности сельскохозяйственных культур и различение типов для миссии HyspIRI. Дистанционное зондирование окружающей среды, 139, 291–305.
Маршалл, М. и Тенкабаил, П. 2014. Моделирование биомассы четырех ведущих мировых культур с использованием гиперспектральных узких полос в поддержку миссии HyspIRI. Фотограмметрическая инженерия и дистанционное зондирование, 80, 757–772.
Мацунага Т., Ивасаки А., Цучида С., Ивао К., Тании Дж., Касимура О., Накамура Р., Ямамото Х., Като С., Обата К., Моури , К., Ямамото, С., Тачикава, Т. 2018. Статус Хисуи на пути к запуску в 2019 финансовом году, IGARSS 2018–2018 Международный симпозиум по геонаукам и дистанционному зондированию IEEE, Валенсия, стр. 160-163. doi: 10.1109/IGARSS.2018.8518639
Мей, Б., Кооситра, Л., Суомалайнен, Дж., Барел, Дж., Дейн, Г. 2017. Дистанционное зондирование реакций признаков растений на полевую обратную связь растение-почва с использованием оптических датчиков на базе БПЛА. Biogeosciences, 14, 733-749.
Миддлтон, Э. 2010. Суточные и направленные реакции флуоресценции хлорофилла и PRl на кукурузном поле. 4-й Международный семинар по дистанционному зондированию флуоресценции растительности, Валенсия, Испания. 15-17 ноября.
Мохарана, С. и Дутта, С. 2016. Пространственная изменчивость содержания хлорофилла и азота в рисе по гиперспектральным снимкам. Журнал фотограмметрии и дистанционного зондирования ISPRS, 122, 17–29.
Mourolis, P., Gorp, B., Green, R., Dierssen, H., Wilson, D., Eastwood, M., Boardman, J., Gao, B., Cohen, D., Franklin, B., Loya, F., Lundeen, S., Mazer, A., McCubbin, I., Randall, D., Richardson, B., Rodriguez, J., Sarture, C., Urquiza, E., Vargas, R., White, V. и Yee, K. 2014. Портативный спектрометр для дистанционной визуализации прибрежного океана: конструкция, характеристики и результаты первого полета. Прикладная оптика, 53 (7), 1363-1380.
Mozgeris, G., Juodkiene, V., Jonikavicius, D., Straigyte, L, Gadal, S. и Ouerghemmi, W. 2018. Сверхлегкая авиационная гиперспектральная и цветная инфракрасная съемка для определения видов лиственных деревьев в городской среде. Remote Sensing, 10, 1668.
Навулур, К., Лестер, Д., Маркетти, А., Хамманн, Г., 2013. Разоблачение облачных вычислений для приложений дистанционного зондирования. Earth Imaging Journal, стр. 14–19.
Окуджени, А., Линден, С. и Хостерт, П. 2015. Расширение модели растительности–непроницаемости–почвы с использованием смоделированных данных EnMAP и машинного обучения. Дистанционное зондирование окружающей среды, 158, 69-80.
Олифант, А. Дж., Тенкабаил, П. С., Телугунтла, П., Сюн, Дж., Гумма, МК, Конгалтон, Р. Г. и Ядав, К. 2019. Картографирование площади пахотных земель Юго-Восточной и Северо-Восточной Азии с использованием многолетних данных.

Серия данных Landsat 30-м с использованием случайного классификатора леса в облаке Google Earth Engine.
Международный журнал прикладных наблюдений за Землей и геоинформатики, 81, 110-124.
Ортенберг, Ф. 2018. Глава 2: Характеристики гиперспектральных датчиков: бортовых, космических, ручных и установленных на грузовиках; Интеграция гиперспектральных данных с LiDAR. Название тома I: Основы, сенсорные системы, спектральные библиотеки и интеллектуальный анализ данных для растительности. С. 41-69. Название книги: «Гиперспектральное дистанционное зондирование растительности» (второе издание, набор из 4 томов).
Издатель: CRC Press- Taylor and Francis group, Boca Raton, London, New York. С. 450. (Редакторы: Thenkabail, PS, Lyon, GJ и Huete, A.). (Редакторы: Thenkabail, PS, Lyon, GJ и Huete, A.). IP-091722. Доступно по адресу:https://www.routledge.com/Hyperspectral-Remote- Sensing-of-Vegetation-Второе-Издание-Четырехтомник/Thenkabail-Lyon- Huete/p/book/9781138066250
Оксоуэй, М. и Бабакан, С. 2016. Обнаружение измененных минералов с использованием анализа данных Hyperion в Лахруде. Журнал Индийского общества дистанционного зондирования, 44(5), 713-721.
Падарян, Дж., Минасны, Б., МакБратни, А., 2015. Использование облачной платформы Google для цифрового картирования почв. Компьютеры и науки о Земле, 83, 80–88.
Падган, М. и Дешмукх, Р. 2017. Спектроскопическое определение надземной биомассы в траве с использованием модели частичной регрессии наименьших квадратов. Международный журнал научной инженерии и технологий, 6 (9), 332-335.
Панда, С. С., Рао, М. Н., Тенкабайль, П. С., Фитцеральд, Дж. Э. 2015. Системы дистанционного зондирования – платформы и датчики: воздушные, спутниковые, БПЛА, оптические, радарные и лидарные, глава 1. В Thenkabail, PS, (главный редактор), 2015. «Справочник по дистанционному зондированию» (том I): характеристика, классификация и точность данных дистанционного зондирования. ISBN 9781482217865 - CAT# K22125. Taylor and Francis Inc.\CRC Press, Бока-Ратон, Лондон, Нью-Йорк. С. 3–60. IP- 060641.
Первез, В., Уддин, В., Хан, С. и Хан, Дж. 2016. Спутниковое картографирование землепользования: сравнительный анализ изображений Landsat-8, Advanced Land Imager и больших данных Hyperion. Журнал прикладного дистанционного зондирования, 10, 026004-1–026004-20.
Ратиш Р., Чаудхури Н., Раджпут П., Арора М., Гуджрати А., Арункумар С., Шетти А., Барал Р., Патель Р., Джоши Д., Патель Х., Патак Б., Джаяппа К., Самал Р. и Раджават А. 2019. Динамика прибрежных отложений, экология и обнаружение макроводорослей коралловых рифов с помощью AVIRIS-NG. Current Science, 116 (7), 1157–1165.
Ри, Д., Ким, Й., Канг, Б. и Ким. Д. 2018. Применение беспилотных летательных аппаратов в речном дистанционном зондировании: обзор последних достижений. Журнал гражданского строительства KSCE, 22 (2), 588-602.
Риаза, А., Буцци, Дж., Гарсия-Мелендес, Э., Каррере, В., Сармьенто, А. и Мюллер, А. 2014. Мониторинг кислой воды в загрязненной реке с помощью гиперспектрального дистанционного зондирования (Hymap). Журнал гидрологических наук, DOI: 10.1080/02626667.2014.899704

Сакс, В., Деринг, Д., Фоли, Дж., Раманкутти, Н., 2010. Даты посадки сельскохозяйственных культур: анализ глобальных закономерностей. Глобальная экология и биогеография 19: 607-620. DOI: 10.1111/j.1466- 8238.2010.00551.x.
SAGE. 2019. Набор данных календаря урожая. Доступно по адресу:https://nelson.wisc.edu/sage/data-and- модели/набор данных-календаря-урожая/index.php
Салем, С. 2017. Полевые гиперспектральные измерения ASD для различения железистых пород и типов железной руды в районе Эль-Гедида-Гораби, оазис Бахария, Западная пустыня, Египет. Arabian Journal of Geosciences, 10, 166.
Шеффлер Д., Карраш П., 2014. Удаление гиперспектральных данных: Оценка различных алгоритмов с использованием данных EO-1 Hyperion. Журнал прикладного дистанционного зондирования, 8, 083645–1 to 083645–18.
Seidel, F., Kokhanovsky, A., Schaepman, M., 2010. Быстрая и простая модель атмосферного переноса излучения. Atmospheric Measurement Techniques, 3, 1129–1141.
Teluguntla, P., Thenkabail, PS, Oliphant, A., Xiong, J., Gumma, M., Congalton, R., Yadav, K. и Huete, A. 2018. Продукт протяженности пахотных земель Австралии и Китая размером 30 м, полученный с помощью Landsat с использованием алгоритма случайного машинного обучения леса на платформе облачных вычислений Google Earth Engine. Журнал фотограмметрии и дистанционного зондирования ISPRS, 144, 325-340.
Thenkabail, PS, Lyon, GJ и Huete, A. (редакторы) 2018a. Название книги: Hyperspectral Remote Sensing of Vegetation (второе издание, набор из четырех томов). Название тома I: Fundamentals, Sensor Systems, Spectral Libraries, and Data Mining for Vegetation. Издатель: CRC Press- Taylor and Francis group, Boca Raton, London, New York. С. 449, идентификатор в твердом переплете: 9781138058545; идентификатор электронной книги: 9781315164151.
https://www.routledge.com/Fundamentals-Sensor-Systems-Spectral-Libraries-and-Data- Добыча-растительности/Thenkabail-Lyon-Huete/p/book/9781138058545
Thenkabail, PS, Lyon, GJ, и Huete, A. (редакторы) 2018b. Название книги: Гиперспектральное дистанционное зондирование растительности (второе издание, набор из четырех томов). Название тома II: Гиперспектральные индексы и классификации изображений для сельского хозяйства и растительности. Издатель: CRC Press- Taylor and Francis group, Бока-Ратон, Лондон, Нью-Йорк. С. 296. Идентификатор в твердом переплете: 9781138066038; Идентификатор электронной книги: 9781315159331.
https://www.routledge.com/Hyperspectral-Indices-and-Image-Classifications-for-Agricultural- и-Растительность/Thenkabail-Lyon-Huete/p/book/9781138066038
Thenkabail, PS, Lyon, GJ, и Huete, A. (редакторы) 2018c. Название книги: Hyperspectral Remote Sensing of Vegetation (второе издание, четырехтомный комплект). Название тома III: Biophysical and Biochemical Characterization and Plant Species Studies. Издатель: CRC Press- Taylor and Francis group, Boca Raton, London, New York. С. 348. Твердый переплет: 9781138364714; идентификатор электронной книги: 9780429431180
https://www.routledge.com/Biophysical-and-Biochemical-Characterization-and-Plant-Species- Исследования/Thenkabail-Lyon-Huete/p/book/9781138364714

Thenkabail, PS, Lyon, GJ, и Huete, A. (редакторы) 2018d. Название книги: Hyperspectral Remote Sensing of Vegetation (второе издание, набор из четырех томов). Название тома IV: Advanced Applications in Remote Sensing of Agricultural Crops and Natural Vegetation. Издатель: CRC Press- Taylor and Francis group, Boca Raton, London, New York. С. 386. Твердый переплет: 9781138364769;-eBook-ID:9780429431166
https://www.routledge.com/Advanced-Applications-in-Remote-Sensing-of-Agricultural-Crops- and-Natural/Thenkabail-Lyon-Huete/p/book/9781138364769
Thenkabail, P., Mariotto, I., Gumma, M., Middleton, E., Landis, D. и Huemmrich, K. 2013. Выбор гиперспектральных узких полос (HNB) и состав гиперспектральных двухполосных индексов растительности (HVI) для биофизической характеристики и различения типов сельскохозяйственных культур с использованием полевой отражательной способности и данных Hyperion/EO-1. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6, 427–439.
Thenkabail, PS и Wu, Z. 2012. Автоматизированный алгоритм классификации пахотных земель (ACCA) для Таджикистана путем объединения данных Landsat, MODIS и вторичных данных. Дистанционное зондирование, 4, 2890-2918.
Thenkabail, PS, Hanjra, M., Dheeravath, V. и Gumma, M. 2010. Целостный взгляд на мировые пахотные земли и их водопользование для обеспечения глобальной продовольственной безопасности в 21 веке с помощью современных методов дистанционного зондирования и недистанционных методов зондирования. Дистанционное зондирование, 2, 211-261.
Thenkabail, P., Enclona, ​​E., Ashton, M., Legg, C. и de Dieu, M. 2014. Датчики Hyperion, IKONOS, ALI и ETM+ в изучении африканских тропических лесов. Дистанционное зондирование окружающей среды, 90, 23–43.
Томпсон, Д., Зайдель, Ф., Гао, Б., Гиерах, М., Грин, Р., Кудела, Р. и Мурулис, П. 2015. Оптимизация оценок освещенности для спектроскопии изображений прибрежных и внутренних вод. Geophysical Research Letters, 42, doi:10.1002/2015GL063287.
USDA, 2018a. CropScape- набор данных о пахотных землях. URLhttps://nassgeodata.gmu.edu/CropScape/ USDA, 2018b. CropScape и набор данных о сельскохозяйственных угодьях — метаданные. URL
https://www.nass.usda.gov/Research_and_Science/Cropland/metadata/meta.php

Verrelst, J., Romijn, E. и Kooistra, L. 2012. Картографирование плотности растительности в неоднородной экосистеме речной поймы с использованием точечных данных CHRIS/PROBA. Дистанционное зондирование, 4, 2866-2889.

Xu, Q., Liu, S., Ye, F., Zhang, Z. и Zhang, C. 2018. Применение гиперспектральных данных CASI/SASI и fieldspec4 при разведке уранового месторождения Байянхэ, Хэбукэсайер, Синьцзян, Северо-Западный Китай. Международный журнал дистанционного зондирования, 39 (2), 453-469.

Чжан, Дж., Ривард, Б., Санчес-Азофейфа, А. и Кастро-Эсау, К. 2006. Внутри- и межклассовая спектральная изменчивость тропических видов деревьев в Ла-Сельве, Коста-Рика: значение для идентификации видов с использованием изображений HYDICE. Дистанционное зондирование окружающей среды, 105, 129-141.
29 октября/ 2024