Оставить заявку
Для заказа и получения более подробной информации оставьте заявку, наш менеджер свяжется с Вами!
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Классификация типов культур с использованием гиперспектральных данных и алгоритмов машинного обучения
Классификация типов культур с использованием гиперспектральных данных и алгоритмов машинного обучения
Nizom Farmonov , Khilola Amankulova , József Szatmári Seyed Mahdi Mirhoseini Nejad , Alireza Sharifi , Dariush Abbasi-Moghadam , and László Mucsi
Аннотация — Разработки в области космических гиперспектральных датчиков, передового дистанционного зондирования и машинного обучения могут помочь в определении урожайности сельскохозяйственных культур, моделировании, прогнозировании и мониторинге урожая для предотвращения потерь и обеспечения глобальной продовольственной безопасности. Однако точные и непрерывные спектральные характеристики, важные для мониторинга роста сельскохозяйственных культур на больших площадях и раннего прогнозирования урожайности с помощью передовых алгоритмов, могут быть получены только с помощью гиперспектральной визуализации. Поэтому в этой статье использовались изображения нового поколения Deutsches Zentrum für Luft- und Raumfahrt Earth Sensing Imaging Spectrometer (DESIS) для классификации основных типов сельскохозяйственных культур (гибридная кукуруза, соя, подсолнечник и озимая пшеница) в Мезё-Охедьеше (юго-восточная Венгрия).
Для автоматического картирования сельскохозяйственных культур на сельскохозяйственных землях использовались сверточная нейронная сеть с вейвлет-вниманием (Wavelet-attention convolutional neural network- WA-CNN ), алгоритмы Random Forest и Support Vector Machine (SVM). Наилучшая точность была достигнута помощью WA-CNN, алгоритма глубокого обучения на основе изображений и комбинации двух изображений с общей точностью (OA), равной 97,89%. Для этого, во-первых, был введен факторный анализ, чтобы уменьшить размер куба данных гиперспектрального изображения. Для выделения важных признаков было применено вейвлет-преобразование, которое в сочетании с механизмом спектрального анализа CNN позволило повысить точность отображения типов сельскохозяйственных культур. За ним следует алгоритм SVM, который показал OA на уровне 87,79%, при этом точность его классов для производителя и пользователя варьируется от 79,62% до 96,48% и от 79,63% до 95,73% соответственно. Эти результаты демонстрируют потенциальную возможность использования данных DESIS для наблюдения за ростом различных видов сельскохозяйственных культур и прогнозирования объем урожая, который имеет решающее значение для фермеров, мелких землевладельцев и лиц, принимающих решения.
Ключевые слова — спектрометр для получения изображений с помощью зондирования Земли DLR (DESIS), гиперспектральное дистанционное зондирование, Random Forest (RF),спектральная библиотека, прогнозирование урожайности.
I. ВВЕДЕНИЕ
Основные проблемы современного общества включают в себя сельскохозяйственные культуры и продовольственную безопасность, а также производство и управление сельскохозяйственными культурами сталкиваются с проблемами из-за роста населения и изменений окружающей среды [1], [2], [3]. Классификация типов сельскохозяйственных культур предоставляет важную информацию для различных процессов принятия решений, необходимых для управления сельскохозяйственными ресурсами [4]. Информация о типах сельскохозяйственных культур позволяет составлять карту интенсивности использования сельскохозяйственных земель в отношении последовательностей сельскохозяйственных культур. Продолжительность и разнообразие последовательностей сельскохозяйственных культур напрямую влияют на сложность ландшафта [5],[6]и, следовательно, могут привести к снижению урожайности, поскольку почвы истощаются, вероятнее заражение вредителями, а опылители или биологические агенты лишаются ресурсов [7], [8], [9]. Надежная информация должна быть доступна по сельскохозяйственным культурам, чтобы можно было улучшить управление сельским хозяйством и снизить затраты.
Исследования по мониторингу производительности сельского хозяйства и оценке продовольственной безопасности зависят от точных и надежных карт классификации культур [10]. Для разработки стратегий устойчивой сельскохозяйственной отрасли требуются подробные карты типов культур [11]. Благодаря передовым методам классификации обработка спутниковых изображений может давать своевременные и точные данные о типе культуры и надежную оценку урожайности. Дистанционное зондирование позволило значительно контролировать культуры [12]; например, сочетание изображений Landsat и Sentinel позволило повысить временное разрешение, что необходимо для этого применения [13]. Однако спектральная информация, необходимая для классификации культур, во многих случаях не может быть получена с помощью мультиспектральных датчиков.
Гиперспектральные (HS) изображения предоставляют данные в сотнях узких спектральных полос, что позволяет значительно углубить понимание и улучшить классификацию типов сельскохозяйственных культур [14],[15][14],[15]. Эффективные признаки, полученные из гиперспектральных изображений, играют ключевую роль в повышении точности классификации.
В различных задачах классификации важны особенности изображений. Один из эффективных подходов — гармонический анализ (HA), оптимизированный с помощью фильтра направленного масштаба (multiscale guided filter, GF). Этот метод интегрирует HA, оптимизированный GF, с морфологическими операциями, которые затем вводятся в систему коллективного обучения (ensemble learning, EL) для классификации гиперспектральных изображений [16].
Гармонический анализ (HA) обладает хорошими показателями, конвертируя спектральные сигнатуры в компоненты частотной области, а фильтр направленного масштаба (GF) сохраняет края и снижает присутствие шумов и избыточных признаков [17]. Однако морфологическое открытие и закрытие реконструкцией приводят к разрушению контуров и несоответствию цели в гиперспектральных изображениях [18]. Гиперспектральные данные широко используются в различных исследованиях, таких как контроль распространения инвазивных видов [19],[20] оценка биоразнообразия [21], классификация растительности, земельного покрова и остатков растений [22],[23] моделирование биохимических свойств [24] и многие другие сельскохозяйственные приложения [25].
Благодаря большому количеству спектральных полос (более 100), гиперспектральные изображения позволяют получать точные спектральные отклики, необходимые для обнаружения едва уловимых изменений на поверхности Земли с течением времени 14]. Однако доступность гиперспектральных изображений остается ограниченной, что препятствует широкому применению в системах точного земледелия. Кроме того, крупные размеры данных и сложная структура анализа создают дополнительные препятствия для широкого использования гиперспектральной информации [26].
Тем не менее, эти проблемы можно преодолеть, применяя современные методы машинного обучения и аналитики больших данных.
Методы глубокого обучения, такие как двумерная (2-D) и трехмерные сверточные нейронные сети (CNN), в последнее время широко используются для задач классификации гиперспектральных изображений (HSI) [27]. Из-за подходящей эффективности методов одновременное использование обеих моделей было представлено в работе [14]. Fu-SE-Net- это еще одна модель обучения, описанная в [28]. В [29] была предложена a3-D-CNN , которая решает сложную карту объектов, чтобы уменьшить пространственное изобилие, получаемое с помощью обычного 3-D-CNN для классификации. Авторы в [30] применили псевдотрехмерные модули вместе с плотносвязной моделью. В отличие от обычного трехмерного CNN, предлагаемые псевдо-трехмерные модули могут одновременно отображать как пространственные, так и спектральные характеристики. В [31], Был использован метод 3D-CNN и исследован эффект уменьшения размера изображения. Это показывает, что время обучения сократилось примерно на 60%. Хотя методы 3-D и 2-D позволяют извлекать как спектральные, так и пространственные характеристики для гиперспектрального изображения, эффективность модели ограничена при использовании с огромными наборами данных. Кроме того, вычислительные затраты на трехмерные CNN значительно выше, чем 2-D.
Для детального анализа сигнала/изображения вейвлет-преобразования (WT) являются отличным выбором. Окно частоты времени может быть обработано вейвлетом, который может получать более низкое и более высокое разрешение исходного сигнала. WT является мощным инструментом для увеличения деталей изображения, которое называется математическим увеличителем. Эта способность извлечения WT полезна и значима для решения вышеупомянутых проблем CNN. WT может легко изучать некоторые сложные признаки, регулируя переводы и масштабы. Таким образом, присоединив WT к CNNs, можно изучить особенности. Расширением функций WT можно управлять, изменяя масштаб. Изменение параметров масштаба может привести к изменению способности извлечения информации [32]. В [33] Гессер и соавт. предложили модель , которая содержит обратное вейвлет-преобразование, оснащенное пропускными соединениями , и дискретное вейвлет-преобразование, усиливающее повторное использование функций для уровней балансировки и разработки. Обратное вейвлет-преобразование увеличивает делегирование функций за счет полного восстановления недостающих деталей в структуре нисходящей выборки. Для уменьшения с учетом затрат на вычисления, для пропуска соединений было применено поэлементное агрегирование. Для снижения вычислительных затрат была применена поэлементная агрегация для пропускающих связей. Результат двухуровневого вейвлет-разложения представил эту модель с небольшим весом, не теряя эффективности. Практические результаты исследований по 3-D оценке показывают, что текущий метод превосходит модель на основе точечных столбов примерно на 14%, одновременно уменьшая количество обучающих параметров. Кроме того, они указали на использование преобразований Хаара для обучения вейвлет-модели.
В [34] Лю и др. показали, что нейронная сеть вейвлета принимает сетевую структуру нейронной сети обратного распространения для достижения более быстрого времени обучения. Функции активации являются функциями вейвлета в нейронной сети вейвлета для решения проблем, связанных с локальным минимумом. Лю и др. [35] указали, что вейвлетные CNN могут получить более высокую точность в обработке изображений и классификации текстур, сравнивая доступные модели, при этом обладают значительно меньшим количеством параметров, чем традиционные CNN. Бастидас Родригес и др. [36] использовали вейвлет Хаара для понижения дискретизации и повышения дискретизации в сети, что является основным выбором в отношении численной и сравнительной оценки. Хаар имеет эквивалентное время обучения с увеличенной CNN и U-net, но получает более высокие результаты PSNR, которые показывают эффективность MWCNN для компромисса между производительностью и эффективностью. Янг и др. [37] применили FA в гиперспектральных изображениях. Они считали, что использование FA на этапе предварительной обработки крайне полезно, поскольку FA способен объяснить изменчивость между несколькими коррелирующими и перекрывающимися полосами спектра, которые поддерживают создание модели лучше классифицируют аналогичный пример. Кроме того, регулярно используемый основанный на главном PCA декремент не решает напрямую эту цель в гиперспектральных изображениях. PCA обрабатывает оценку основных факторов , которые не помогают так хорошо различать похожие примеры.
Недавно было разработано множество космических датчиков HS, включая автономный гиперспектральный тепловизор на борту индийского микроспутника-1, гиперспектральный инфракрасный тепловизор, гиперспектральный тепловизор для прибрежной зоны океана, итальянский предшественник Iperspettrale dellaMissione Applicativa (PRISMA) и немецкий спектрометр для получения изображений методом зондирования Земли Deutsches Zentrum für Luft- und Raumfahrt (DLR) (DE SIS) [14], [38]. Кроме того, немецкая программа составления экологических карт и анализа, израильская и итальянская космическая программа Гиперспектральная прикладная миссия на суше и в океане, а также миссия NASA Surface Biology and Geology запустят новые HSsensors. DESIS собирает информацию в видимом и ближнем инфракрасном диапазоне длин волн 400-1000 нм и интегрируется в многопользовательскую систему зондирования Земли (MUSES), платформу на борту Международной космической станции; она регистрирует данные HS, используя 235 полос с индивидуальным спектральным разрешением 2,5 нм [39].
Благодаря свободному доступу к данным и характеристикам инструмента данные DESIS могут использоваться для любых целей, таких как среднесрочный и долгосрочный мониторинг окружающей среды в горнодобывающих районах, мониторинг растительности, измерение деградации почвы и т. д. [40]. Фактически, они уже служили для классификации сельскохозяйственных культур, мониторинга здоровья лесов, измерения деградации пастбищ, картирования качества воды и ландшафтной археологии, но пока не для прогнозирования урожайности.
Спектральные библиотеки данных отражения HS широко используются для автоматической идентификации и классификации культур; таким образом, это применение библиотек HS культур в настоящее время является одной из основных областей исследований [41]. Доступны несколько алгоритмов классификации ML, таких как контролируемый случайный лес (RF) на основе пикселей и опорная векторная машина (SVM), а также традиционные методы, такие как k-ближайших соседей, оценка максимального правдоподобия и неконтролируемая K-средняя кластеризация ISODATA. Более того, данные о стадиях развития культур, классификации культур и ранней оценке урожайности в пределах полевой изменчивости представляют стратегический интерес для фермеров, кооперативов и лиц, принимающих решения.
Aneece и Thenkabail [42] классифицировали пять основных мировых сельскохозяйственных культур (кукурузу, сою, озимую пшеницу, рис и хлопок) и фазу их роста, используя 99 Earth Observing-1 (EO-1) Изображения Hyperion HS основаны на библиотеке сельскохозяйственных культур HS в США. Алгоритмы классификации были запущены на движке Google Earth engine (GEE) с использованием линейного дискриминантного анализа и SVM; оптимальные диапазоны узких строк HS (HNBS) были получены с помощью анализа главных компонент, чтобы уменьшить размерность больших данных. Наилучших результатов они добились при анализе 15-20 HNBS с помощью SVM,с общей точностью (OA) в диапазоне 75-95%. Маршалл и др. [43] спрогнозировали биомассу и урожайность кукурузы, риса, сои и пшеницы, используя данные PRISMA и Sentinel-2, полученные в полевых условиях. Их исследование состояло из трех этапов: определение двухдиапазонных вегетационных индексов, оценка эффективности частичной регрессии методом наименьших квадратов и радиочастотный прогон. Они использовали нормализованные разностные вегетационные индексы, полученные на основе двухдиапазонных HNBS спектральных диапазонов PRISMA и sentinel-2, на протяжении трех основных стадий роста (вегетативная, репродуктивная и зрелость).. Модель Prismarf показала лучшие показатели со значениями среднеквадратичной ошибки (RMSE), равными 0,42 и 0,17 кг/м2 для биомассы и урожайности, соответственно, в то время как модель sentinel-2 RF one обеспечила соответствующие средние значения RMSE, равные 0,48 и 0,18 кг/м2.
Для автоматического картирования сельскохозяйственных культур на сельскохозяйственных землях использовались сверточная нейронная сеть с вейвлет-вниманием (Wavelet-attention convolutional neural network- WA-CNN ), алгоритмы Random Forest и Support Vector Machine (SVM). Наилучшая точность была достигнута помощью WA-CNN, алгоритма глубокого обучения на основе изображений и комбинации двух изображений с общей точностью (OA), равной 97,89%. Для этого, во-первых, был введен факторный анализ, чтобы уменьшить размер куба данных гиперспектрального изображения. Для выделения важных признаков было применено вейвлет-преобразование, которое в сочетании с механизмом спектрального анализа CNN позволило повысить точность отображения типов сельскохозяйственных культур. За ним следует алгоритм SVM, который показал OA на уровне 87,79%, при этом точность его классов для производителя и пользователя варьируется от 79,62% до 96,48% и от 79,63% до 95,73% соответственно. Эти результаты демонстрируют потенциальную возможность использования данных DESIS для наблюдения за ростом различных видов сельскохозяйственных культур и прогнозирования объем урожая, который имеет решающее значение для фермеров, мелких землевладельцев и лиц, принимающих решения.
Ключевые слова — спектрометр для получения изображений с помощью зондирования Земли DLR (DESIS), гиперспектральное дистанционное зондирование, Random Forest (RF),спектральная библиотека, прогнозирование урожайности.
I. ВВЕДЕНИЕ
Основные проблемы современного общества включают в себя сельскохозяйственные культуры и продовольственную безопасность, а также производство и управление сельскохозяйственными культурами сталкиваются с проблемами из-за роста населения и изменений окружающей среды [1], [2], [3]. Классификация типов сельскохозяйственных культур предоставляет важную информацию для различных процессов принятия решений, необходимых для управления сельскохозяйственными ресурсами [4]. Информация о типах сельскохозяйственных культур позволяет составлять карту интенсивности использования сельскохозяйственных земель в отношении последовательностей сельскохозяйственных культур. Продолжительность и разнообразие последовательностей сельскохозяйственных культур напрямую влияют на сложность ландшафта [5],[6]и, следовательно, могут привести к снижению урожайности, поскольку почвы истощаются, вероятнее заражение вредителями, а опылители или биологические агенты лишаются ресурсов [7], [8], [9]. Надежная информация должна быть доступна по сельскохозяйственным культурам, чтобы можно было улучшить управление сельским хозяйством и снизить затраты.
Исследования по мониторингу производительности сельского хозяйства и оценке продовольственной безопасности зависят от точных и надежных карт классификации культур [10]. Для разработки стратегий устойчивой сельскохозяйственной отрасли требуются подробные карты типов культур [11]. Благодаря передовым методам классификации обработка спутниковых изображений может давать своевременные и точные данные о типе культуры и надежную оценку урожайности. Дистанционное зондирование позволило значительно контролировать культуры [12]; например, сочетание изображений Landsat и Sentinel позволило повысить временное разрешение, что необходимо для этого применения [13]. Однако спектральная информация, необходимая для классификации культур, во многих случаях не может быть получена с помощью мультиспектральных датчиков.
Гиперспектральные (HS) изображения предоставляют данные в сотнях узких спектральных полос, что позволяет значительно углубить понимание и улучшить классификацию типов сельскохозяйственных культур [14],[15][14],[15]. Эффективные признаки, полученные из гиперспектральных изображений, играют ключевую роль в повышении точности классификации.
В различных задачах классификации важны особенности изображений. Один из эффективных подходов — гармонический анализ (HA), оптимизированный с помощью фильтра направленного масштаба (multiscale guided filter, GF). Этот метод интегрирует HA, оптимизированный GF, с морфологическими операциями, которые затем вводятся в систему коллективного обучения (ensemble learning, EL) для классификации гиперспектральных изображений [16].
Гармонический анализ (HA) обладает хорошими показателями, конвертируя спектральные сигнатуры в компоненты частотной области, а фильтр направленного масштаба (GF) сохраняет края и снижает присутствие шумов и избыточных признаков [17]. Однако морфологическое открытие и закрытие реконструкцией приводят к разрушению контуров и несоответствию цели в гиперспектральных изображениях [18]. Гиперспектральные данные широко используются в различных исследованиях, таких как контроль распространения инвазивных видов [19],[20] оценка биоразнообразия [21], классификация растительности, земельного покрова и остатков растений [22],[23] моделирование биохимических свойств [24] и многие другие сельскохозяйственные приложения [25].
Благодаря большому количеству спектральных полос (более 100), гиперспектральные изображения позволяют получать точные спектральные отклики, необходимые для обнаружения едва уловимых изменений на поверхности Земли с течением времени 14]. Однако доступность гиперспектральных изображений остается ограниченной, что препятствует широкому применению в системах точного земледелия. Кроме того, крупные размеры данных и сложная структура анализа создают дополнительные препятствия для широкого использования гиперспектральной информации [26].
Тем не менее, эти проблемы можно преодолеть, применяя современные методы машинного обучения и аналитики больших данных.
Методы глубокого обучения, такие как двумерная (2-D) и трехмерные сверточные нейронные сети (CNN), в последнее время широко используются для задач классификации гиперспектральных изображений (HSI) [27]. Из-за подходящей эффективности методов одновременное использование обеих моделей было представлено в работе [14]. Fu-SE-Net- это еще одна модель обучения, описанная в [28]. В [29] была предложена a3-D-CNN , которая решает сложную карту объектов, чтобы уменьшить пространственное изобилие, получаемое с помощью обычного 3-D-CNN для классификации. Авторы в [30] применили псевдотрехмерные модули вместе с плотносвязной моделью. В отличие от обычного трехмерного CNN, предлагаемые псевдо-трехмерные модули могут одновременно отображать как пространственные, так и спектральные характеристики. В [31], Был использован метод 3D-CNN и исследован эффект уменьшения размера изображения. Это показывает, что время обучения сократилось примерно на 60%. Хотя методы 3-D и 2-D позволяют извлекать как спектральные, так и пространственные характеристики для гиперспектрального изображения, эффективность модели ограничена при использовании с огромными наборами данных. Кроме того, вычислительные затраты на трехмерные CNN значительно выше, чем 2-D.
Для детального анализа сигнала/изображения вейвлет-преобразования (WT) являются отличным выбором. Окно частоты времени может быть обработано вейвлетом, который может получать более низкое и более высокое разрешение исходного сигнала. WT является мощным инструментом для увеличения деталей изображения, которое называется математическим увеличителем. Эта способность извлечения WT полезна и значима для решения вышеупомянутых проблем CNN. WT может легко изучать некоторые сложные признаки, регулируя переводы и масштабы. Таким образом, присоединив WT к CNNs, можно изучить особенности. Расширением функций WT можно управлять, изменяя масштаб. Изменение параметров масштаба может привести к изменению способности извлечения информации [32]. В [33] Гессер и соавт. предложили модель , которая содержит обратное вейвлет-преобразование, оснащенное пропускными соединениями , и дискретное вейвлет-преобразование, усиливающее повторное использование функций для уровней балансировки и разработки. Обратное вейвлет-преобразование увеличивает делегирование функций за счет полного восстановления недостающих деталей в структуре нисходящей выборки. Для уменьшения с учетом затрат на вычисления, для пропуска соединений было применено поэлементное агрегирование. Для снижения вычислительных затрат была применена поэлементная агрегация для пропускающих связей. Результат двухуровневого вейвлет-разложения представил эту модель с небольшим весом, не теряя эффективности. Практические результаты исследований по 3-D оценке показывают, что текущий метод превосходит модель на основе точечных столбов примерно на 14%, одновременно уменьшая количество обучающих параметров. Кроме того, они указали на использование преобразований Хаара для обучения вейвлет-модели.
В [34] Лю и др. показали, что нейронная сеть вейвлета принимает сетевую структуру нейронной сети обратного распространения для достижения более быстрого времени обучения. Функции активации являются функциями вейвлета в нейронной сети вейвлета для решения проблем, связанных с локальным минимумом. Лю и др. [35] указали, что вейвлетные CNN могут получить более высокую точность в обработке изображений и классификации текстур, сравнивая доступные модели, при этом обладают значительно меньшим количеством параметров, чем традиционные CNN. Бастидас Родригес и др. [36] использовали вейвлет Хаара для понижения дискретизации и повышения дискретизации в сети, что является основным выбором в отношении численной и сравнительной оценки. Хаар имеет эквивалентное время обучения с увеличенной CNN и U-net, но получает более высокие результаты PSNR, которые показывают эффективность MWCNN для компромисса между производительностью и эффективностью. Янг и др. [37] применили FA в гиперспектральных изображениях. Они считали, что использование FA на этапе предварительной обработки крайне полезно, поскольку FA способен объяснить изменчивость между несколькими коррелирующими и перекрывающимися полосами спектра, которые поддерживают создание модели лучше классифицируют аналогичный пример. Кроме того, регулярно используемый основанный на главном PCA декремент не решает напрямую эту цель в гиперспектральных изображениях. PCA обрабатывает оценку основных факторов , которые не помогают так хорошо различать похожие примеры.
Недавно было разработано множество космических датчиков HS, включая автономный гиперспектральный тепловизор на борту индийского микроспутника-1, гиперспектральный инфракрасный тепловизор, гиперспектральный тепловизор для прибрежной зоны океана, итальянский предшественник Iperspettrale dellaMissione Applicativa (PRISMA) и немецкий спектрометр для получения изображений методом зондирования Земли Deutsches Zentrum für Luft- und Raumfahrt (DLR) (DE SIS) [14], [38]. Кроме того, немецкая программа составления экологических карт и анализа, израильская и итальянская космическая программа Гиперспектральная прикладная миссия на суше и в океане, а также миссия NASA Surface Biology and Geology запустят новые HSsensors. DESIS собирает информацию в видимом и ближнем инфракрасном диапазоне длин волн 400-1000 нм и интегрируется в многопользовательскую систему зондирования Земли (MUSES), платформу на борту Международной космической станции; она регистрирует данные HS, используя 235 полос с индивидуальным спектральным разрешением 2,5 нм [39].
Благодаря свободному доступу к данным и характеристикам инструмента данные DESIS могут использоваться для любых целей, таких как среднесрочный и долгосрочный мониторинг окружающей среды в горнодобывающих районах, мониторинг растительности, измерение деградации почвы и т. д. [40]. Фактически, они уже служили для классификации сельскохозяйственных культур, мониторинга здоровья лесов, измерения деградации пастбищ, картирования качества воды и ландшафтной археологии, но пока не для прогнозирования урожайности.
Спектральные библиотеки данных отражения HS широко используются для автоматической идентификации и классификации культур; таким образом, это применение библиотек HS культур в настоящее время является одной из основных областей исследований [41]. Доступны несколько алгоритмов классификации ML, таких как контролируемый случайный лес (RF) на основе пикселей и опорная векторная машина (SVM), а также традиционные методы, такие как k-ближайших соседей, оценка максимального правдоподобия и неконтролируемая K-средняя кластеризация ISODATA. Более того, данные о стадиях развития культур, классификации культур и ранней оценке урожайности в пределах полевой изменчивости представляют стратегический интерес для фермеров, кооперативов и лиц, принимающих решения.
Aneece и Thenkabail [42] классифицировали пять основных мировых сельскохозяйственных культур (кукурузу, сою, озимую пшеницу, рис и хлопок) и фазу их роста, используя 99 Earth Observing-1 (EO-1) Изображения Hyperion HS основаны на библиотеке сельскохозяйственных культур HS в США. Алгоритмы классификации были запущены на движке Google Earth engine (GEE) с использованием линейного дискриминантного анализа и SVM; оптимальные диапазоны узких строк HS (HNBS) были получены с помощью анализа главных компонент, чтобы уменьшить размерность больших данных. Наилучших результатов они добились при анализе 15-20 HNBS с помощью SVM,с общей точностью (OA) в диапазоне 75-95%. Маршалл и др. [43] спрогнозировали биомассу и урожайность кукурузы, риса, сои и пшеницы, используя данные PRISMA и Sentinel-2, полученные в полевых условиях. Их исследование состояло из трех этапов: определение двухдиапазонных вегетационных индексов, оценка эффективности частичной регрессии методом наименьших квадратов и радиочастотный прогон. Они использовали нормализованные разностные вегетационные индексы, полученные на основе двухдиапазонных HNBS спектральных диапазонов PRISMA и sentinel-2, на протяжении трех основных стадий роста (вегетативная, репродуктивная и зрелость).. Модель Prismarf показала лучшие показатели со значениями среднеквадратичной ошибки (RMSE), равными 0,42 и 0,17 кг/м2 для биомассы и урожайности, соответственно, в то время как модель sentinel-2 RF one обеспечила соответствующие средние значения RMSE, равные 0,48 и 0,18 кг/м2.
Рис. 1. Область исследования: (а) Административная граница Венгрии и (б) Спектрометр зондирования Земли Немецкого центра аэронавтики и космонавтики RGB , получивший 16 июня изображение ложноцветного композита.
Aneece и Thenkabail [42] сравнили два поколения HS-сенсоров, Hyperion и DESIS, изучая классификацию трех культур (кукурузы, сои и озимой пшеницы) в Понка-Сити (Оклахома, США) с помощью методов МО, запущенных на GEE. Были использованы десять изображений EO-1 Hyperion с 2010 по 2013 год и три изображения DESIS с 2019 года; они использовали 15 ранее установленных оптимальных полос Hyperion из 242 для картирования типа культуры и выбрали 29 DESIS HNB на основе анализа лямбда-лямбда-корреляции. В целом, наилучшие результаты были получены с помощью SVM и RF при использовании обоих типов изображений HS с диапазоном OA 96% 100% для данных Hyperion с тройными наборами изображений и 67%–83% для данных DESIS с двойными наборами изображений. В этой статье представлено несколько важных тематических исследований, которые повысят понимание и знания о данных HS, проверив, как узкая полоса пропускания 2,55 нм может помочь улучшить точность классификации и характеристики сельскохозяйственных культур, и как уменьшить большие наборы данных до избыточности данных и автокорреляций с использованием алгоритмов глубокого обучения и машинного обучения.
В данной статье описан подход, использующий двумерную свёрточную нейронную сеть (2-D-CNN) с механизмом внимания на основе вейвлет-преобразования для классификации гиперспектральных изображений (HSI) с целью картирования типов сельскохозяйственных культур. Вейвлет-преобразование было применено как мощный инструмент для извлечения признаков, что позволяет значительно повысить точность классификации. Комбинация спектрального механизма внимания (AM) с вейвлет-преобразованием улучшает способность сети CNN фокусироваться на информативных признаках и извлекать пространственные и спектральные корреляции между различными типами признаков.
Кроме того, в ходе предварительной обработки данных использовалась факторный анализ (FA), чтобы уменьшить размерность гиперспектральных данных, избавляясь от избыточности. Вейвлет-преобразование дополнительно использовалось для извлечения спектральных признаков, которые затем передавались в CNN с механизмом внимания.
В отличие от традиционной трёхмерной свёрточной нейронной сети (3-D-CNN), где выделение признаков сложнее, предложенный подход позволяет легко и эффективно извлекать информативные признаки с помощью вейвлетов.
II. МАТЕРИАЛЫ И МЕТОДЫ
A. Область исследования
Область исследования (см. рис. 1) представляет сельскохозяйственные угодья, расположенные в Мезохедьесе, графство Бекеш, рядом с румынской границей (46°19' северной широты, 20°49' Восточной долготы). Мезохеджес - это город с общей административной площадью 15 544 га и населением 4950 человек. Почва на его лугах и низменностях в основном черноземная, это очень распространенный тип почвы с высоким содержанием извести, который отлично подходит для сельского хозяйства, особенно для выращивания зерновых и масличных культур.
Существует экспериментальная ферма, Mez˝ohedyesi Ménesbirtok Zrt., которая играет играет важную роль и в соседних населенных пунктах; это одна из сильнейших сельскохозяйственных компаний в Венгрии, владеющая землей площадью 9862 га.
В данной статье описан подход, использующий двумерную свёрточную нейронную сеть (2-D-CNN) с механизмом внимания на основе вейвлет-преобразования для классификации гиперспектральных изображений (HSI) с целью картирования типов сельскохозяйственных культур. Вейвлет-преобразование было применено как мощный инструмент для извлечения признаков, что позволяет значительно повысить точность классификации. Комбинация спектрального механизма внимания (AM) с вейвлет-преобразованием улучшает способность сети CNN фокусироваться на информативных признаках и извлекать пространственные и спектральные корреляции между различными типами признаков.
Кроме того, в ходе предварительной обработки данных использовалась факторный анализ (FA), чтобы уменьшить размерность гиперспектральных данных, избавляясь от избыточности. Вейвлет-преобразование дополнительно использовалось для извлечения спектральных признаков, которые затем передавались в CNN с механизмом внимания.
В отличие от традиционной трёхмерной свёрточной нейронной сети (3-D-CNN), где выделение признаков сложнее, предложенный подход позволяет легко и эффективно извлекать информативные признаки с помощью вейвлетов.
II. МАТЕРИАЛЫ И МЕТОДЫ
A. Область исследования
Область исследования (см. рис. 1) представляет сельскохозяйственные угодья, расположенные в Мезохедьесе, графство Бекеш, рядом с румынской границей (46°19' северной широты, 20°49' Восточной долготы). Мезохеджес - это город с общей административной площадью 15 544 га и населением 4950 человек. Почва на его лугах и низменностях в основном черноземная, это очень распространенный тип почвы с высоким содержанием извести, который отлично подходит для сельского хозяйства, особенно для выращивания зерновых и масличных культур.
Существует экспериментальная ферма, Mez˝ohedyesi Ménesbirtok Zrt., которая играет играет важную роль и в соседних населенных пунктах; это одна из сильнейших сельскохозяйственных компаний в Венгрии, владеющая землей площадью 9862 га.
ТАБЛИЦА IХАРАКТЕРИСТИКИ DESIS.
ТАБЛИЦА I IОБЩЕЕ КОЛИЧЕСТВО ВЫБРАННЫХ ОБРАЗЦОВ ИЗ DESIS
Согласно климатическим записям на станции Мезёхедьес (рядом с выбранными полями), годовое количество осадков составило 575 мм (458 мм/мин) в сезоне 2021 года. Основные классы землепользования/земельного покрова (LULC) включают гибридную кукурузу, подсолнечник, пшеницу, сою и несельскохозяйственные классы, такие как луга, застроенные территории, водоемы и лесные массивы.
Дополнительные типы культур, включенные в исследуемую область, то есть кормовая кукуруза (для лошадей), силиконовая кукуруза, ячмень, люцерна, силос и сорго [44], были разделены на другие классы в процедуре классификации.
B. Спутниковые данные
Данные DESIS предназначены преимущественно для коммерческих целей. Однако изображения DESIS можно бесплатно получить для научных и гуманитарных нужд, отправив предложение в Немецкий авиационно-космический центр (DLR), указав предполагаемый способ использования. Соответственно, изображения DESIS были заказаны в DLR для изучаемого района, а камера Teledyne Brown Engineing HS была установлена на борту MUSES, управляемого Teledyne.
Два изображения DESIS уровня 2A с атмосферной коррекцией (Bottom of Atmosphere Reflectance) за июнь были загружены с портала EOWEB GeoPortal (https://eoweb.dlr.de/egp/, последний доступ 25 мая 2021 г.) и затем привязаны к координатам в программе ERDAS IMAGINE 2020. В режиме "надир" пространственное разрешение (ground sampling distance) зависит от высоты орбиты Международной космической станции (МКС) и составляет около 30 м. DESIS занимает площадь 30 км × 30 км (≈900 км2) [45]; его подробные характеристики приведены в таблице I.
C. Полевые данные
В общей сложности 5080 выборочных пикселей были сгенерированы случайным образом с помощью инструмента точечной выборки QGIS версии 3.16; они состояли из 1000 кукурузы, 600 соевых бобов, 820 подсолнечника, 860 озимой пшеницы и 1800 образцов других культур за июнь (см. таблицу II). Эти образцы были случайным образом разделены на две подгруппы для обучения и проверки достоверности. Для сельскохозяйственной классификации были использованы обучающие и проверочные разбивки в интервале 70:30 (см. рис. 2). Исходные данные сравнивались с изображениями sentinel-2 высокого разрешения и изображениями Google Планета Земля с географической привязкой на основе наземной достоверности. Наконец, образцы были отфильтрованы в качестве слоя-маски использовалась официальная карта плана посева, а образцы, находящиеся за пределами этого слоя, были удалены. В конце вегетационного периода в сентябре был собран урожай подсолнечника 26 с зерноуборочным комбайном John Deere W650i, оснащенным системой отображения урожайности с использованием программного обеспечения Green Star, которая записывала данные об урожайности в точечном формате. Каждые 2 секунды получалась примерно одна запись об урожайности, и ее можно было просматривать и манипулировать ею в географической информационной системе.
Сельскохозяйственные культуры очень чувствительны к видимым и ближним инфракрасным длинам волн. Спектральные профили DESIS показали отчетливые спектральные сигнатуры в зависимости от типа сельскохозяйственной культуры (см. рис. 3). Узкие полосы HS и непрерывная спектральная выборка, наряду с сильным ближним инфракрасным отражением растительности, позволяют легко отличать типы сельскохозяйственных культур друг от друга. Например, значение отражения для гибридной кукурузы было очень низким, поскольку эта культура находилась в вегетативном периоде 16 июня, а соя также находилась в своей средней вегетативной фазе, а именно, развивались дополнительные тройчатые листья. Напротив, подсолнечник достиг стадии удлинения стебля и развития цветочных почек, а пшеница только что вступила в стадию созревания и созревания (см. рис. 4). Наземная контрольная проверка содержит пять классов, и подробности образцов показаны в таблицах III–V.
Дополнительные типы культур, включенные в исследуемую область, то есть кормовая кукуруза (для лошадей), силиконовая кукуруза, ячмень, люцерна, силос и сорго [44], были разделены на другие классы в процедуре классификации.
B. Спутниковые данные
Данные DESIS предназначены преимущественно для коммерческих целей. Однако изображения DESIS можно бесплатно получить для научных и гуманитарных нужд, отправив предложение в Немецкий авиационно-космический центр (DLR), указав предполагаемый способ использования. Соответственно, изображения DESIS были заказаны в DLR для изучаемого района, а камера Teledyne Brown Engineing HS была установлена на борту MUSES, управляемого Teledyne.
Два изображения DESIS уровня 2A с атмосферной коррекцией (Bottom of Atmosphere Reflectance) за июнь были загружены с портала EOWEB GeoPortal (https://eoweb.dlr.de/egp/, последний доступ 25 мая 2021 г.) и затем привязаны к координатам в программе ERDAS IMAGINE 2020. В режиме "надир" пространственное разрешение (ground sampling distance) зависит от высоты орбиты Международной космической станции (МКС) и составляет около 30 м. DESIS занимает площадь 30 км × 30 км (≈900 км2) [45]; его подробные характеристики приведены в таблице I.
C. Полевые данные
В общей сложности 5080 выборочных пикселей были сгенерированы случайным образом с помощью инструмента точечной выборки QGIS версии 3.16; они состояли из 1000 кукурузы, 600 соевых бобов, 820 подсолнечника, 860 озимой пшеницы и 1800 образцов других культур за июнь (см. таблицу II). Эти образцы были случайным образом разделены на две подгруппы для обучения и проверки достоверности. Для сельскохозяйственной классификации были использованы обучающие и проверочные разбивки в интервале 70:30 (см. рис. 2). Исходные данные сравнивались с изображениями sentinel-2 высокого разрешения и изображениями Google Планета Земля с географической привязкой на основе наземной достоверности. Наконец, образцы были отфильтрованы в качестве слоя-маски использовалась официальная карта плана посева, а образцы, находящиеся за пределами этого слоя, были удалены. В конце вегетационного периода в сентябре был собран урожай подсолнечника 26 с зерноуборочным комбайном John Deere W650i, оснащенным системой отображения урожайности с использованием программного обеспечения Green Star, которая записывала данные об урожайности в точечном формате. Каждые 2 секунды получалась примерно одна запись об урожайности, и ее можно было просматривать и манипулировать ею в географической информационной системе.
Сельскохозяйственные культуры очень чувствительны к видимым и ближним инфракрасным длинам волн. Спектральные профили DESIS показали отчетливые спектральные сигнатуры в зависимости от типа сельскохозяйственной культуры (см. рис. 3). Узкие полосы HS и непрерывная спектральная выборка, наряду с сильным ближним инфракрасным отражением растительности, позволяют легко отличать типы сельскохозяйственных культур друг от друга. Например, значение отражения для гибридной кукурузы было очень низким, поскольку эта культура находилась в вегетативном периоде 16 июня, а соя также находилась в своей средней вегетативной фазе, а именно, развивались дополнительные тройчатые листья. Напротив, подсолнечник достиг стадии удлинения стебля и развития цветочных почек, а пшеница только что вступила в стадию созревания и созревания (см. рис. 4). Наземная контрольная проверка содержит пять классов, и подробности образцов показаны в таблицах III–V.
Рис. 2. Пространственное распределение точек обучения и валидации
Рис. 3. Спектры отражения, предоставленные DESIS для различных типов сельскохозяйственных культур.
Рис. 4. Фотографии основных видов сельскохозяйственных культур на исследуемой территории, сделанные 14 июня 2021 года.
ТАБЛИЦА III ПРИМЕРНАЯ ИНФОРМАЦИЯ ДЛЯ КАЖДОГО КЛАССА В НАБОРЕ ДАННЫХ (1% ВЫБОРОК ДЛЯ ОБУЧЕНИЕ)
ТАБЛИЦА IV ПРИМЕРНАЯ ИНФОРМАЦИЯ ДЛЯ КАЖДОГО КЛАССА В НАБОРЕ ДАННЫХ (10% ВЫБОРОК ДЛЯ ОБУЧЕНИЕ)
D. Методология
Предложенный метод использует преимущество вейвлета и AM для извлечения ценных признаков. Первоначально гиперспектральное изображение размерно уменьшается с помощью факторного анализа.В основу модели положены вейвлет-преобразование, spectral attention и средство извлечения признаков CNN для расширения возможностей модели. Гиперспектральное изображение с размерностью W×H×M, где W, H и M — размеры изображения, которые обозначают ширину, высоту и спектральные полосы, пропускается через факторный анализ для уменьшения огромной размерности спектральных полос гиперспектрального изображения до W × H ×C. Где W и H являются пространственными размерностями входных данных, а M представлено в виде спектральных полос. Подтверждено, что уменьшение размерности значительно сокращает время обучения. Выходной вектор помечен SAK, который выделяет определенные классы из определенных и охватывающих классов.. Если эти метки {y1, y2,...,yL}∈ R1× 1× L, L обозначается как классы растительного покрова. Факторный анализ сохраняет размеры гиперспектрального изображения W ×H, только полосы спектра уменьшаются до C. Используя факторный анализ, можно продемонстрировать изменчивость в различных перекрывающихся и сильно коррелированных спектральных полосах.
Эта способность может чрезвычайно снизить шум и ухудшить полосы спектра, при этом подчеркивая ценные характеристики. Затем входные данные преобразуются в 3-D-размеры (NS× D × D × C). Где NS это количество выборок, D × D — размер окна Distepatch, а C — это количество сокращенных полос. Затем патчи отправляются в преобразование Хаара, которое генерирует пару ядер Kh и Kl. Где, Kh,t показаны как вейвлеты Хаара, а Kl,t изображены как масштабирующая функция. Вейвлет-преобразования Хаара выполняются в четырех ядрах, которые являются (fHH, KLL, KLH, KHL).
Предложенный метод использует преимущество вейвлета и AM для извлечения ценных признаков. Первоначально гиперспектральное изображение размерно уменьшается с помощью факторного анализа.В основу модели положены вейвлет-преобразование, spectral attention и средство извлечения признаков CNN для расширения возможностей модели. Гиперспектральное изображение с размерностью W×H×M, где W, H и M — размеры изображения, которые обозначают ширину, высоту и спектральные полосы, пропускается через факторный анализ для уменьшения огромной размерности спектральных полос гиперспектрального изображения до W × H ×C. Где W и H являются пространственными размерностями входных данных, а M представлено в виде спектральных полос. Подтверждено, что уменьшение размерности значительно сокращает время обучения. Выходной вектор помечен SAK, который выделяет определенные классы из определенных и охватывающих классов.. Если эти метки {y1, y2,...,yL}∈ R1× 1× L, L обозначается как классы растительного покрова. Факторный анализ сохраняет размеры гиперспектрального изображения W ×H, только полосы спектра уменьшаются до C. Используя факторный анализ, можно продемонстрировать изменчивость в различных перекрывающихся и сильно коррелированных спектральных полосах.
Эта способность может чрезвычайно снизить шум и ухудшить полосы спектра, при этом подчеркивая ценные характеристики. Затем входные данные преобразуются в 3-D-размеры (NS× D × D × C). Где NS это количество выборок, D × D — размер окна Distepatch, а C — это количество сокращенных полос. Затем патчи отправляются в преобразование Хаара, которое генерирует пару ядер Kh и Kl. Где, Kh,t показаны как вейвлеты Хаара, а Kl,t изображены как масштабирующая функция. Вейвлет-преобразования Хаара выполняются в четырех ядрах, которые являются (fHH, KLL, KLH, KHL).
Также может быть показано (i,j) содержание спектрального места в виде (1), когда участки извлекаются из вейвлет-преобразований Хаара.
Подуровни создаются после прохождения входных фрагментов через вейвлет-преобразования. Фактически, дизайн вейвлет-преобразования Хаара создает входные фрагменты. Результаты четырех подуровней передаются в CNN для извлечения пространственных и спектральных характеристик. Уровень 1 предлагаемой модели состоит из двух двумерных CNN с размером ядра 3 ×3. После каждой операции свертки спектральные AMS используются для фокусировки на спектральных характеристиках. Система внимания разработана в соответствии с человеческим визуальным пониманием, которое может фокусироваться на общественных и локальных признаках [15]. Цель системы внимания - получить нового агента, полагающегося на признаки корреляции. В этой статье AM использовался для разработки числа эффективных агентов путем предотвращения ненужных признаков и выделения полезных признаков, которые были показаны на рис. 5.
Выходные данные уровней 1 и 2 объединяются для сохранения извлеченных спектральных и пространственных характеристик. В то время как модель извлекает объекты из объединенных объектов уровней 1 и 2 с помощью двух модулей 2D-CNN и attention, входные исправления затем отправляются на уровень 3, а результаты объединяются в together. Аналогичная операция выполняется для уровня 4. Чтобы уменьшить размер объекта после первой свертки, был использован шаг 2. Чтобы предотвратить чрезмерное сглаживание, после каждой свертки применяется объединение средних значений, а также 2 отсева и исправленная линейная единица в качестве функции активации наряду с этим была также использована пакетная нормализация. В конце процесса используется полностью подключенный слой с функцией SoftMax, которая состоит из вероятности каждого класса.
Как если бы в качестве выходных данных было отсортировано наибольшее значение вероятности для каждого класса. Перекрестная энтропия как функция потерь применяется для определения совместимости модели с прогнозированием новых наборов данных. Входной тензор трехмерной формы передается через двухмерный CNN с параметром CF=B=B, где C=B=B - размер каждого участка, а F показывает количество выходных CNN, названных картами объектов. Были получены карты характеристик всех каналов в спектральном измерении, чтобы изменить форму двумерного тензора CF×B×B для дальнейшего изменения пространственно-спектральных свойств. Каждая полоса спектра создает новые полосы включая различные данные после обработки CNN. Затем веса присоединяются к диапазонам, чтобы представить корреляцию между диапазонами и основными данными. Большее соотношение достигается с помощью большего количества весов, а функции из более релевантных диапазонов точно извлекаются AM. Механизм привлечения внимания показан на рис. 6.
Выходные данные уровней 1 и 2 объединяются для сохранения извлеченных спектральных и пространственных характеристик. В то время как модель извлекает объекты из объединенных объектов уровней 1 и 2 с помощью двух модулей 2D-CNN и attention, входные исправления затем отправляются на уровень 3, а результаты объединяются в together. Аналогичная операция выполняется для уровня 4. Чтобы уменьшить размер объекта после первой свертки, был использован шаг 2. Чтобы предотвратить чрезмерное сглаживание, после каждой свертки применяется объединение средних значений, а также 2 отсева и исправленная линейная единица в качестве функции активации наряду с этим была также использована пакетная нормализация. В конце процесса используется полностью подключенный слой с функцией SoftMax, которая состоит из вероятности каждого класса.
Как если бы в качестве выходных данных было отсортировано наибольшее значение вероятности для каждого класса. Перекрестная энтропия как функция потерь применяется для определения совместимости модели с прогнозированием новых наборов данных. Входной тензор трехмерной формы передается через двухмерный CNN с параметром CF=B=B, где C=B=B - размер каждого участка, а F показывает количество выходных CNN, названных картами объектов. Были получены карты характеристик всех каналов в спектральном измерении, чтобы изменить форму двумерного тензора CF×B×B для дальнейшего изменения пространственно-спектральных свойств. Каждая полоса спектра создает новые полосы включая различные данные после обработки CNN. Затем веса присоединяются к диапазонам, чтобы представить корреляцию между диапазонами и основными данными. Большее соотношение достигается с помощью большего количества весов, а функции из более релевантных диапазонов точно извлекаются AM. Механизм привлечения внимания показан на рис. 6.
ТАБЛИЦА V ВЫБОРОЧНАЯ ИНФОРМАЦИЯ ДЛЯ КАЖДОГО КЛАССА В НАБОРЕ ДАННЫХ (5% ВЫБОРОК ДЛЯ ОБУЧЕНИЯ)
Рис. 5. Факторный анализ применен к кубу с размерностью W = H = C для уменьшения размера спектральных полос. В качестве входных данных для предлагаемого метода создаются и передаются патчи. Результатом вейвлета является четырехуровневая декомпозиция. Была использована двумерная нейронная сеть свертки с размером 3 ×3, поскольку размер ядра, заполнение 1×1 и AM применяются после каждого CNN. Шаг 2 и отступ 1 используются для уменьшения отображения объектов.
Рис. 6. Архитектура модели AM. W, H и C - ширина, высота и количество полос соответственно. X, S, T и Y - входные данные, часть входных данных, данные о внимании и выходные данные АМ.
III. РЕЗУЛЬТАТЫ
A. Реализация предлагаемого метода
Модель началась с 2-D-CNN с размером ядра 3 × 3 и одним в качестве заполнения. Вместо слоя объединения мы применили CNN с шагом 2. Чтобы предотвратить переобучение модели, были применены различные инструменты, такие как глобальное среднее объединение и пакетная нормализация. Некоторые гиперпараметры также установлены для уменьшения вероятности переобучения, включая ReLU, который использовался в качестве функции активации. Для более эффективного использования вейвлет-преобразований добавляются плотные слои, что подтверждает, что все извлеченные признаки проходят через модель постоянно. После окончания каждой CNN спектральное внимание было применено к выделенным признакам, на которых нужно было сосредоточиться. Мы запускаем модель на протяжении 250 периодов и используем стохастический градиентный спуск с частотой обучения 0,001. Использовался фиксированный пакета, который был установлен равным 30.
Предложенный метод не работает с применением различных библиотек в среде Colab. Мы измерили эффективность модели с использованием набора данных . Сначала набор данных предварительно обрабатывается с помощью факторного анализа, чтобы уменьшить размер гиперспектрального изображения, а затем разделяется на тестовый, обучающий и проверочный. Затем из гиперспектрального изображения генерируются патчи с размером D×D×C, где C обозначается как количество факторов, а D×D — размер патча. Эти параметры очень эффективны в результатах классификации. Исходные данные включают пять категорий, а информация о классификациях приведена в таблицах III–V.
1) Влияние пространственного размера на точность классификации: патчи отправляются в сеть в качестве входных данных. Здесь были протестированы различные пространственные размеры для оценки эффективности классификации [46]. Рис. 7 представляет влияние изменения размера патчей на точность.
Модель была протестирована с патчами 24×24, 48×48, 96×96 и 192×192. Очевидно, что точность показала тенденцию к росту при увеличении размера пространственных патчей. Это связано с тем, что она предоставляет меньше информации, когда размер патчей мал. С другой стороны, более крупные патчи включают больше данных с большим количеством шума. Это может напрямую отрицательно сказываться на точности. Таким образом, для предлагаемого набора данных, увеличивая пространственные патчи до 48×48, производительность сети заметно улучшается.
2) Влияние факторного анализа на точность классификации:
Уменьшение размера и сложности гиперспектрального изображения является одним из важных методов. FA извлечет признаки, которые содержат больше информации и являются ценными. Извлеченные признаки уникальны и не коррелируют друг с другом. Здесь FA используется для уменьшения размерности входных данных. Различные FA были протестированы на размере 48×48 для измерения наилучшей эффективности классификации. Рис. 8 иллюстрирует точность трех размеров обучающего набора данных. Как можно видеть, при увеличении числа FA с 2 до 3 OA будет постепенно расти, и после этого точность немного увеличится.
B. Внедрение методов ML
Для достижения лучших результатов с помощью методов ML для классификации были использованы только 29 ранее установленных полос оптимальных КОНСТРУКЦИЙ
[41]. Выбранные полосы находились в спектральном диапазоне 500-1000 нм и были следующими: 41; 48; 52; 62; 69; 75; 80; 84; 90; 94; 98; 102; 111; 120; 126; 134; 143; 149; 156; 167; 179; 183; 191; 199; 204; 210; 214; 224; и 229.
Классификация была выполнена только с выбранными диапазонами, чтобы уменьшить размерность данных, поскольку оптимальный выбор диапазона в спектроскопии изображений может повысить точность классификации [47]. Кроме того, был создан спектральный профиль интересующих объектов и проведена оценка спектральных характеристик отклика каждого класса.
Наборы одиночных и двойных изображений DESIS были проверены на предмет классификации по обрезке; наборы тройных изображений не были реализованы из-за облачного покрытия изображения, полученного 6 июня, что, следовательно, не рассматривалось в этой статье. Поскольку изображений за апрель, июль и август не было, были использованы снимки, сделанные в июне. С одной стороны, были применены два наиболее широко используемых алгоритма управления на основе пикселей, RF и SVM, для классификации сельскохозяйственных культур (например, гибридов кукурузы, сои, подсолнечника, пшеницы и других) . RF - это метод EL в ML, предложенный Breiman [48], который может быть использован как для задач классификации, так и для задач регрессии.
Этот метод наиболее часто используется в области дистанционного зондирования из-за его высокой точности классификации [49]. Классификация была реализована с использованием пакета random forest в R 4.2.1. Количество переменных, используемых для разделения узлов дерева (mtry), было установлено в качестве значения по умолчанию. Оптимальное количество деревьев (ntree) было выбрано на основе соотношения между уменьшением ошибки "вне пакета" и количеством деревьев (см. рис. 9); впоследствии значение ntree было установлено равным 500. С другой стороны, предложенная модель была также сравнена с двумя самыми последним алгоритмами глубокого анализа, названными MSRN [50] и MDBRSSN [51].
A. Реализация предлагаемого метода
Модель началась с 2-D-CNN с размером ядра 3 × 3 и одним в качестве заполнения. Вместо слоя объединения мы применили CNN с шагом 2. Чтобы предотвратить переобучение модели, были применены различные инструменты, такие как глобальное среднее объединение и пакетная нормализация. Некоторые гиперпараметры также установлены для уменьшения вероятности переобучения, включая ReLU, который использовался в качестве функции активации. Для более эффективного использования вейвлет-преобразований добавляются плотные слои, что подтверждает, что все извлеченные признаки проходят через модель постоянно. После окончания каждой CNN спектральное внимание было применено к выделенным признакам, на которых нужно было сосредоточиться. Мы запускаем модель на протяжении 250 периодов и используем стохастический градиентный спуск с частотой обучения 0,001. Использовался фиксированный пакета, который был установлен равным 30.
Предложенный метод не работает с применением различных библиотек в среде Colab. Мы измерили эффективность модели с использованием набора данных . Сначала набор данных предварительно обрабатывается с помощью факторного анализа, чтобы уменьшить размер гиперспектрального изображения, а затем разделяется на тестовый, обучающий и проверочный. Затем из гиперспектрального изображения генерируются патчи с размером D×D×C, где C обозначается как количество факторов, а D×D — размер патча. Эти параметры очень эффективны в результатах классификации. Исходные данные включают пять категорий, а информация о классификациях приведена в таблицах III–V.
1) Влияние пространственного размера на точность классификации: патчи отправляются в сеть в качестве входных данных. Здесь были протестированы различные пространственные размеры для оценки эффективности классификации [46]. Рис. 7 представляет влияние изменения размера патчей на точность.
Модель была протестирована с патчами 24×24, 48×48, 96×96 и 192×192. Очевидно, что точность показала тенденцию к росту при увеличении размера пространственных патчей. Это связано с тем, что она предоставляет меньше информации, когда размер патчей мал. С другой стороны, более крупные патчи включают больше данных с большим количеством шума. Это может напрямую отрицательно сказываться на точности. Таким образом, для предлагаемого набора данных, увеличивая пространственные патчи до 48×48, производительность сети заметно улучшается.
2) Влияние факторного анализа на точность классификации:
Уменьшение размера и сложности гиперспектрального изображения является одним из важных методов. FA извлечет признаки, которые содержат больше информации и являются ценными. Извлеченные признаки уникальны и не коррелируют друг с другом. Здесь FA используется для уменьшения размерности входных данных. Различные FA были протестированы на размере 48×48 для измерения наилучшей эффективности классификации. Рис. 8 иллюстрирует точность трех размеров обучающего набора данных. Как можно видеть, при увеличении числа FA с 2 до 3 OA будет постепенно расти, и после этого точность немного увеличится.
B. Внедрение методов ML
Для достижения лучших результатов с помощью методов ML для классификации были использованы только 29 ранее установленных полос оптимальных КОНСТРУКЦИЙ
[41]. Выбранные полосы находились в спектральном диапазоне 500-1000 нм и были следующими: 41; 48; 52; 62; 69; 75; 80; 84; 90; 94; 98; 102; 111; 120; 126; 134; 143; 149; 156; 167; 179; 183; 191; 199; 204; 210; 214; 224; и 229.
Классификация была выполнена только с выбранными диапазонами, чтобы уменьшить размерность данных, поскольку оптимальный выбор диапазона в спектроскопии изображений может повысить точность классификации [47]. Кроме того, был создан спектральный профиль интересующих объектов и проведена оценка спектральных характеристик отклика каждого класса.
Наборы одиночных и двойных изображений DESIS были проверены на предмет классификации по обрезке; наборы тройных изображений не были реализованы из-за облачного покрытия изображения, полученного 6 июня, что, следовательно, не рассматривалось в этой статье. Поскольку изображений за апрель, июль и август не было, были использованы снимки, сделанные в июне. С одной стороны, были применены два наиболее широко используемых алгоритма управления на основе пикселей, RF и SVM, для классификации сельскохозяйственных культур (например, гибридов кукурузы, сои, подсолнечника, пшеницы и других) . RF - это метод EL в ML, предложенный Breiman [48], который может быть использован как для задач классификации, так и для задач регрессии.
Этот метод наиболее часто используется в области дистанционного зондирования из-за его высокой точности классификации [49]. Классификация была реализована с использованием пакета random forest в R 4.2.1. Количество переменных, используемых для разделения узлов дерева (mtry), было установлено в качестве значения по умолчанию. Оптимальное количество деревьев (ntree) было выбрано на основе соотношения между уменьшением ошибки "вне пакета" и количеством деревьев (см. рис. 9); впоследствии значение ntree было установлено равным 500. С другой стороны, предложенная модель была также сравнена с двумя самыми последним алгоритмами глубокого анализа, названными MSRN [50] и MDBRSSN [51].
Рис. 7. Влияние пространственного размера на общую точность наборов данных.
Рис. 8. Влияние FA на общую точность наборов данных.
Рис. 9. Зависимость между ошибкой выхода из пакета и количеством деревьев, используемых в радиочастотной модели.
Рис. 10. Оптимизация параметров с помощью поиска по сетке в SVM-модели.
SVM - это ML-алгоритм, который создает гиперплоскость в трехмерном пространстве для разделения различных классов [52]. Его основное преимущество заключается в том, что его можно использовать как для задач классификации, так и для задач регрессии. Было разработано несколько типов ядер, и наиболее распространенным из них является радиальная базисная функция (RBF). Здесь была применена модель SVM с использованием пакета e1071 в R 4.2.1, и был использован RBF. Для SVM требуются два параметра, один- гамма γ и один - стоимость C. Поиск наилучших гиперметров имеет важное значение, и наилучшая комбинация не может быть оценена в продвижение. Таким образом, с помощью перекрестной проверки были сравнены значения ОА и определены наилучшие параметры на основе графика проб и ошибок (см. рис. 10). Параметр регуляризации C и параметр ядра gammaγ были установлены на 64 и 0,0625, соответственно.
Эти четкие спектральные структуры позволили различать различные типы изображений с помощью RF- и SVM-классификаций. Классификация была выполнена два раза для RF- и SVM-изображений с использованием наборов одиночных и двойных изображений DESIS. При использовании одного изображения классификаторы SVM достигли значений OA и κ, равных 85,23% и 0,80% соответственно, в то время как классификация RF получила значения OA, равные 83,3% и akof0,78%. При использовании двойных наборов изображений значения OA и κ увеличились соответственно до 87,79% и 0,84% для SVM и 86,28% и 0,82% для RF. Результаты показывают, что алгоритм SVM превзошел RF с небольшой разницей в OA примерно +2% в обоих случаях.Однако два последних исследования MSRN и MDBRSSN, использующие модели, применили новые идеи, такие как 3-D-CNN, гибридные 2-D-3-D, пропущенные соединения и плотное соединение, которые повысили точность классификации и эффективность по сравнению с традиционными моделями. Модели глубокого обучения MSRN и MDBRSSN достигли OA и κ 92,2%, 93,4% и 0,90%, 0,91% соответственно, в то время как предложенная модель получила OA 97,89% и κ 0,97% (см. Таблицу VI); соответствующие классифицированные изображения показаны на Рис. 11.
Согласно отчету о классификации, гибридная кукуруза была наиболее культивируемым видом культуры на исследуемой территории с площадью 2464,29 га, в то время как другие сорта заняли второе место с площадью 2340,99 га, за которыми следовали пшеница, соя и подсолнечник. Исходя из этих результатов и средней урожайности подсолнечника, в 2021 году со всех полей Сан-Франциско планируется собрать 4961,88 тонны зерна. Предложенная имитационная модель была повторена 10 раз для нашего набора данных, чтобы получить более точную оценку. Конечно, классификатор SVM и RF не работает хорошо из-за нашего шумного и перекрывающегося набора данных в классах. Он также показывает плохую производительность в несбалансированных наборах данных. Однако MSRN и MDBRSSN имеют более глубокую сетевую структуру и используют новые концепции, такие как 3-D-2-D CNN, гибридные модели, многомасштабные, пропущенные соединения и плотное соединение, которые повышают эффективность классификации. Наборы данных PU (см. Таблицу VII), IP (см. Таблицу VIII) и WHU-HI (см. Таблицу IX) были протестированы методами MSRN и MDBRSSN и были по крайней мере на 15%, 40% и 7% лучше, чем последняя наибольшая модель (SVM) соответственно. Другим методом, который увеличил эффективность моделей, который несколько ученых недавно применили в своих моделях, является AM. Предложенная модель также использовала AM для задачи классификации, получив лучшую эффективность, чем другие методы. Например, на основе таблиц VI–IX,AA в наборах данных PU, IP и WHU-HI показано, что предлагаемый метод на 1,22%, 1,38% и 0,85% превосходит производительность модели MDBRSSN соответственно. Наша предлагаемая модель, которая извлекает основные признаки с помощью вейвлета, 3-D-CNN и AM с различными размерами ядер, может идентифицировать классы. OA предлагаемой классификации модели на 0,9%, 1% и 0,75% превосходной точности между моделями, связанными с MDBRSSN, превосходит производительность в наборах данных SA, PU, IP и WHU-HI соответственно.
IV. ОБСУЖДЕНИЕ
Результаты показали, что выбор эффективных и репрезентативных полос имеет решающее значение для преодоления избыточности данных и автокорреляции и сокращения времени вычислений для потенциальных приложений спектроскопии изображений в реальном времени. Однако полосы DESIS менее избыточны и более информативны из-за их узкой полосы пропускания (2,55 нм) по сравнению с другими изображениями (например, Hyperion) [42]. Здесь 29 DESIS HBN были окончательно выбраны из 235 в диапазоне 500–100 нм. Выбранные HBN уже использовались во многих других сельскохозяйственных исследованиях [53], [54], [55], включая прогнозирование биофизических и биохимических параметров, таких как индекс листовой поверхности (LAI), азот, классификация стадий роста культур, биомасса, прогноз урожайности, сорняки, обнаружение болезней, классификация LULC, стресс, пигмент и т. д. Например, полосы около 504, 522 и 540тнм хороши для приложений болезней, LAI и стресса, тогда как полосы около 556 и 625 нм можно использовать для картирования стадий роста культур. Более того, значения отражательной способности при 648, 763, 778, 824 и 848 нм важны для исследований биомассы, урожайности и классификации культур.
Эти четкие спектральные структуры позволили различать различные типы изображений с помощью RF- и SVM-классификаций. Классификация была выполнена два раза для RF- и SVM-изображений с использованием наборов одиночных и двойных изображений DESIS. При использовании одного изображения классификаторы SVM достигли значений OA и κ, равных 85,23% и 0,80% соответственно, в то время как классификация RF получила значения OA, равные 83,3% и akof0,78%. При использовании двойных наборов изображений значения OA и κ увеличились соответственно до 87,79% и 0,84% для SVM и 86,28% и 0,82% для RF. Результаты показывают, что алгоритм SVM превзошел RF с небольшой разницей в OA примерно +2% в обоих случаях.Однако два последних исследования MSRN и MDBRSSN, использующие модели, применили новые идеи, такие как 3-D-CNN, гибридные 2-D-3-D, пропущенные соединения и плотное соединение, которые повысили точность классификации и эффективность по сравнению с традиционными моделями. Модели глубокого обучения MSRN и MDBRSSN достигли OA и κ 92,2%, 93,4% и 0,90%, 0,91% соответственно, в то время как предложенная модель получила OA 97,89% и κ 0,97% (см. Таблицу VI); соответствующие классифицированные изображения показаны на Рис. 11.
Согласно отчету о классификации, гибридная кукуруза была наиболее культивируемым видом культуры на исследуемой территории с площадью 2464,29 га, в то время как другие сорта заняли второе место с площадью 2340,99 га, за которыми следовали пшеница, соя и подсолнечник. Исходя из этих результатов и средней урожайности подсолнечника, в 2021 году со всех полей Сан-Франциско планируется собрать 4961,88 тонны зерна. Предложенная имитационная модель была повторена 10 раз для нашего набора данных, чтобы получить более точную оценку. Конечно, классификатор SVM и RF не работает хорошо из-за нашего шумного и перекрывающегося набора данных в классах. Он также показывает плохую производительность в несбалансированных наборах данных. Однако MSRN и MDBRSSN имеют более глубокую сетевую структуру и используют новые концепции, такие как 3-D-2-D CNN, гибридные модели, многомасштабные, пропущенные соединения и плотное соединение, которые повышают эффективность классификации. Наборы данных PU (см. Таблицу VII), IP (см. Таблицу VIII) и WHU-HI (см. Таблицу IX) были протестированы методами MSRN и MDBRSSN и были по крайней мере на 15%, 40% и 7% лучше, чем последняя наибольшая модель (SVM) соответственно. Другим методом, который увеличил эффективность моделей, который несколько ученых недавно применили в своих моделях, является AM. Предложенная модель также использовала AM для задачи классификации, получив лучшую эффективность, чем другие методы. Например, на основе таблиц VI–IX,AA в наборах данных PU, IP и WHU-HI показано, что предлагаемый метод на 1,22%, 1,38% и 0,85% превосходит производительность модели MDBRSSN соответственно. Наша предлагаемая модель, которая извлекает основные признаки с помощью вейвлета, 3-D-CNN и AM с различными размерами ядер, может идентифицировать классы. OA предлагаемой классификации модели на 0,9%, 1% и 0,75% превосходной точности между моделями, связанными с MDBRSSN, превосходит производительность в наборах данных SA, PU, IP и WHU-HI соответственно.
IV. ОБСУЖДЕНИЕ
Результаты показали, что выбор эффективных и репрезентативных полос имеет решающее значение для преодоления избыточности данных и автокорреляции и сокращения времени вычислений для потенциальных приложений спектроскопии изображений в реальном времени. Однако полосы DESIS менее избыточны и более информативны из-за их узкой полосы пропускания (2,55 нм) по сравнению с другими изображениями (например, Hyperion) [42]. Здесь 29 DESIS HBN были окончательно выбраны из 235 в диапазоне 500–100 нм. Выбранные HBN уже использовались во многих других сельскохозяйственных исследованиях [53], [54], [55], включая прогнозирование биофизических и биохимических параметров, таких как индекс листовой поверхности (LAI), азот, классификация стадий роста культур, биомасса, прогноз урожайности, сорняки, обнаружение болезней, классификация LULC, стресс, пигмент и т. д. Например, полосы около 504, 522 и 540тнм хороши для приложений болезней, LAI и стресса, тогда как полосы около 556 и 625 нм можно использовать для картирования стадий роста культур. Более того, значения отражательной способности при 648, 763, 778, 824 и 848 нм важны для исследований биомассы, урожайности и классификации культур.
ТАБЛИЦА VI
ТОЧНОСТЬ ОЦЕНКА ТОЧНОСТИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ ДЛЯ КЛАССОВ ТИПОВ КУЛЬТУР ДЛЯ НАБОРА ДАННЫХ (10% ВЫБОРОК ДЛЯ ОБУЧЕНИЯ)
Рис. 11. Классификационная карта с использованием методов SVM, RF и wavelet attention CNN
ТАБЛИЦА VII
ОЦЕНКА ТОЧНОСТИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ ДЛЯ КЛАССОВ ВИДОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР ДЛЯ НАБОРА ДАННЫХ УНИВЕРСИТЕТА ПАВИИ (10%–НАЯ ПОГРЕШНОСТЬ ДЛЯ ОБУЧЕНИЯ)
ОЦЕНКА ТОЧНОСТИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ ДЛЯ КЛАССОВ ВИДОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР ДЛЯ НАБОРА ДАННЫХ УНИВЕРСИТЕТА ПАВИИ (10%–НАЯ ПОГРЕШНОСТЬ ДЛЯ ОБУЧЕНИЯ)
ТАБЛИЦА VIII
ОЦЕНКА ТОЧНОСТИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ ДЛЯ КЛАССОВ ТИПОВ КУЛЬТУР ДЛЯ НАБОРА ДАННЫХ INDIAN PINES (10%-НАЯ ПОГРЕШНОСТЬ ДЛЯ ОБУЧЕНИЯ)
ОЦЕНКА ТОЧНОСТИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ ДЛЯ КЛАССОВ ТИПОВ КУЛЬТУР ДЛЯ НАБОРА ДАННЫХ INDIAN PINES (10%-НАЯ ПОГРЕШНОСТЬ ДЛЯ ОБУЧЕНИЯ)
ТАБЛИЦА IX
ОЦЕНКА ТОЧНОСТИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ ДЛЯ КЛАССОВ ТИПОВ КУЛЬТУР ДЛЯ НАБОРА ДАННЫХ WHU-HI-LONGKOU (НА 25% МЕНЬШЕ, ЧЕМ ДЛЯ ОБУЧЕНИЯ)
ОЦЕНКА ТОЧНОСТИ РЕЗУЛЬТАТОВ, ПОЛУЧЕННЫХ ДЛЯ КЛАССОВ ТИПОВ КУЛЬТУР ДЛЯ НАБОРА ДАННЫХ WHU-HI-LONGKOU (НА 25% МЕНЬШЕ, ЧЕМ ДЛЯ ОБУЧЕНИЯ)
Специальная библиотека DESIS HS позволяет легко различать культуры на основе их спектральных профилей (см. рис. 5), повышая точность классификации [56]. Результаты, представленные в таблицах VI–IX, продемонстрировали увеличение ОА для классификации культур при использовании наборов двойных изображений. Наилучшие результаты с точки зрения OA и κ были получены с помощью алгоритма SVM.
Что касается конкретных классов, то компания wheat достигла наивысшей точности для пользователя (UA) и производителя (PA) в диапазоне от 92,80% до 96,12% при использовании как RF-, так и SVM-моделей, в то время как SOYBEAN показал следующие результаты при использовании двух алгоритмов (64,9% и 88,2% соответственно). Это произошло из-за того, что некоторые пиксели сои были ошибочно классифицированы как подсолнечник и наоборот. Из-за спектрального сходства пикселей точность определения сои и подсолнечника была снижена. Этот результат согласуется с результатами, полученными Анисом и Тенкабайлом [41], которые также классифицировали основные сельскохозяйственные культуры в США с помощью данных DESIS и алгоритмов ML, запущенных в GEE и программном обеспечении R; они классифицировали три ведущие мировые культуры (кукурузу, сою и пшеницу-проросток), получив наивысшую точность при использовании модели SVM в июне. Снимки, сделанные в августе, с OAof85%. Несколько исследований показали , что методы SVM и RF-анализа повышают точность классификации при использовании космических датчиков HS [44]. Внимание к вейвлету метод CNN был повторен десять раз для каждого размера участка и различных номеров FA, чтобы получить более точную оценку. оценка результата. Основные показатели и классы точности указаны в таблице VI. Метод классификации SVM , вероятно, не работает, когда классы перекрываются, набор данных зашумлен, а также в несбалансированных наборах данных. RF и SVM показали худшую производительность по сравнению с предложенной моделью. Результаты , приведенные в таблице VI, показали, что обе классические модели имеют худшую точность, а ОА в 10% обучающего набора данных составляет 86,23% и 82,34% соответственно. Однако предложенный нами метод значительно улучшился. Производительность значительно возросла при этом OA достигла 97,89%. В предлагаемой модели использовался AM, что привело к значительному повышению производительности. По сравнению с классическими классификаторами SVM и RF-модели улучшились на 14,5% и 18,6% в случае средней точности (AA). Модель также обладает более высокой точностью классификации во всех классах от 1 до 5 OA модельной классификации на 13,5% и 17,5% выше, чем у SVM и RF, соответственно.
V. ЗАКЛЮЧЕНИЕ
В этой статье мы рассмотрели вейвлет-внимание 2-D-CNN для классификации изображений по типу обрезки с учетом уменьшения размера изображения и спектрального расширения. Используя FA и вейвлет-анализ для уменьшения размерагиперспектральных изображений, мы смогли успешно отфильтровать бесполезную информацию в низкочастотной области. Пространственный участок размером 48х48 дюймов был признан лучшим в наборе данных, а FA от 2 до 3 дал наивысший коэффициент полезного действия. Результат доказывает, что недавно разработанный WA-CNN для картографирования типов культур может учитывать специфические подробная информация о характеристиках в высокочастотной области, улучшающая способность CNN изучать характеристики для категоризации изображений. Была создана библиотека DESIS HS для четырех основных культур (гибридов кукурузы, подсолнечника, пшеницы и сои). Всего 29 важных полос DESIS из 235 были выбраны на основе предварительно определенных узких полос в качестве входных данных для моделей RF и SVM. Благодаря высокому спектральному разрешению (2,55 нм) эти выбранные узкие полосы могут помочь в различении культур, имеющих схожие спектральные характеристики. Была исследована производительность различных алгоритмов ML, RF и SVM, автоматически классифицирующих целевые культуры с использованием установленной библиотеки HS. Эта статья является одной из немногих, использующих данные DESIS HS, поскольку они стали доступны только недавно. Классификатор, контролируемый SVM, был более надежным в картировании сельскохозяйственных культур с OA 87,79% и κ 0,84%. Точность классификации (PA, PA и UA) увеличилась при использовании двух объединенных изображений. Однако недавно предложенный метод, основанный на вейвлет-внимании 2-D-CNN, алгоритме на основе признаков, получил более высокую точность с точки зрения значений OA и κ 97,28 и 97,89 соответственно, чем традиционные алгоритмы МО. В целом, эта статья демонстрирует, как очень высокое спектральное разрешение узких полос DESIS может поддерживать классификацию сельскохозяйственных культур и идентификацию низкоурожайных культур, что имеет решающее значение и может улучшить продовольственную безопасность в уязвимых регионах. Непрерывная спектральная информация с изображений DESIS может лучше оценить биофизические и биохимические параметры культур, которые необходимы для картирования, измерения, мониторинга и моделирования урожайности.
Что касается конкретных классов, то компания wheat достигла наивысшей точности для пользователя (UA) и производителя (PA) в диапазоне от 92,80% до 96,12% при использовании как RF-, так и SVM-моделей, в то время как SOYBEAN показал следующие результаты при использовании двух алгоритмов (64,9% и 88,2% соответственно). Это произошло из-за того, что некоторые пиксели сои были ошибочно классифицированы как подсолнечник и наоборот. Из-за спектрального сходства пикселей точность определения сои и подсолнечника была снижена. Этот результат согласуется с результатами, полученными Анисом и Тенкабайлом [41], которые также классифицировали основные сельскохозяйственные культуры в США с помощью данных DESIS и алгоритмов ML, запущенных в GEE и программном обеспечении R; они классифицировали три ведущие мировые культуры (кукурузу, сою и пшеницу-проросток), получив наивысшую точность при использовании модели SVM в июне. Снимки, сделанные в августе, с OAof85%. Несколько исследований показали , что методы SVM и RF-анализа повышают точность классификации при использовании космических датчиков HS [44]. Внимание к вейвлету метод CNN был повторен десять раз для каждого размера участка и различных номеров FA, чтобы получить более точную оценку. оценка результата. Основные показатели и классы точности указаны в таблице VI. Метод классификации SVM , вероятно, не работает, когда классы перекрываются, набор данных зашумлен, а также в несбалансированных наборах данных. RF и SVM показали худшую производительность по сравнению с предложенной моделью. Результаты , приведенные в таблице VI, показали, что обе классические модели имеют худшую точность, а ОА в 10% обучающего набора данных составляет 86,23% и 82,34% соответственно. Однако предложенный нами метод значительно улучшился. Производительность значительно возросла при этом OA достигла 97,89%. В предлагаемой модели использовался AM, что привело к значительному повышению производительности. По сравнению с классическими классификаторами SVM и RF-модели улучшились на 14,5% и 18,6% в случае средней точности (AA). Модель также обладает более высокой точностью классификации во всех классах от 1 до 5 OA модельной классификации на 13,5% и 17,5% выше, чем у SVM и RF, соответственно.
V. ЗАКЛЮЧЕНИЕ
В этой статье мы рассмотрели вейвлет-внимание 2-D-CNN для классификации изображений по типу обрезки с учетом уменьшения размера изображения и спектрального расширения. Используя FA и вейвлет-анализ для уменьшения размерагиперспектральных изображений, мы смогли успешно отфильтровать бесполезную информацию в низкочастотной области. Пространственный участок размером 48х48 дюймов был признан лучшим в наборе данных, а FA от 2 до 3 дал наивысший коэффициент полезного действия. Результат доказывает, что недавно разработанный WA-CNN для картографирования типов культур может учитывать специфические подробная информация о характеристиках в высокочастотной области, улучшающая способность CNN изучать характеристики для категоризации изображений. Была создана библиотека DESIS HS для четырех основных культур (гибридов кукурузы, подсолнечника, пшеницы и сои). Всего 29 важных полос DESIS из 235 были выбраны на основе предварительно определенных узких полос в качестве входных данных для моделей RF и SVM. Благодаря высокому спектральному разрешению (2,55 нм) эти выбранные узкие полосы могут помочь в различении культур, имеющих схожие спектральные характеристики. Была исследована производительность различных алгоритмов ML, RF и SVM, автоматически классифицирующих целевые культуры с использованием установленной библиотеки HS. Эта статья является одной из немногих, использующих данные DESIS HS, поскольку они стали доступны только недавно. Классификатор, контролируемый SVM, был более надежным в картировании сельскохозяйственных культур с OA 87,79% и κ 0,84%. Точность классификации (PA, PA и UA) увеличилась при использовании двух объединенных изображений. Однако недавно предложенный метод, основанный на вейвлет-внимании 2-D-CNN, алгоритме на основе признаков, получил более высокую точность с точки зрения значений OA и κ 97,28 и 97,89 соответственно, чем традиционные алгоритмы МО. В целом, эта статья демонстрирует, как очень высокое спектральное разрешение узких полос DESIS может поддерживать классификацию сельскохозяйственных культур и идентификацию низкоурожайных культур, что имеет решающее значение и может улучшить продовольственную безопасность в уязвимых регионах. Непрерывная спектральная информация с изображений DESIS может лучше оценить биофизические и биохимические параметры культур, которые необходимы для картирования, измерения, мониторинга и моделирования урожайности.
ССЫЛКИ
[1] S. S. Wahla, J. H. Kazmi, A. Sharifi, S. A. Shirazi, A. Tariq, and H. J. Smith, “Assessing spatiotemporal mapping and monitoring of climatic variability using SPEI and RF machine learning models,” Geocarto Int., vol. 38, no. 1, pp. 1–20, Jun. 2022.
[2] A. Sharifi, H. Mahdipour, E. Moradi, and A. Tariq, “Agricultural field extraction with deep learning algorithm and satellite imagery,” J. Indian Soc. Remote Sens., vol. 50, no. 2, pp. 417–423, 2022.
[3] K. Amankulova, N. Farmonov, and L. Mucsi, “Time-series analysis of sentinel-2 satellite images for sunflower yield estimation,” Smart Agricultural Technol., vol. 3, 2023, Art. no. 100098.
[4] A. Tariq, S. Siddiqui, A. Sharifi, and S. H. I. A. Shah, “Impact of spatiotemporal land surface temperature on cropping pattern and land use and land cover changes using satellite imagery, Hafiz Abad district, Punjab, province of Pakistan,” Arabian J. Geosci., vol. 15, no. 11, 2022, Art. no. 1045.
[5] T. de Sousa Leite, R. M. Oliveira de Freitas, N. da Silva Dias, J. L. Dallabona Dombroski, and N. W. Nogueira, “The interplay between leaf water potential and osmotic adjustment on photosynthetic and growth parameters of tropical dry forest trees,” J. Forestry Res., vol. 7, pp. 1–9, 2022.
[6] T.Tscharntke,I.Grass,T.C.Wanger,C.Westphal,andP.Batáry,“Beyond organic farming– harnessing biodiversity-friendly landscapes,” Trends Ecol. Evol., vol. 36, no. 10. pp. 919–930, 2021.
[7] J. Sun, X. Zhao, Y. Fang, F. Gao, C. Wu, and J. Xia, “Effects of water and salt for groundwater-soil systems on root growth and architecture of Tamarix chinensis in the Yellow River Delta, China,” J. Forestry Res., vol. 335, 2022, pp. 104–111.
[8] A.J.Bennett,G.D.Bending,D.Chandler,S.Hilton,andP.Mills,“Meeting the demand for crop production: The challenge of yield decline in crops grown in short rotations,” Biol. Rev., vol. 87, no. 1. pp. 52–71, 2012.
[9] N. A. Schellhorn, V. Gagic, and R. Bommarco, “Time will tell: Resource continuity bolsters ecosystem services,” Trends Ecol. Evol., vol. 30, no. 9. pp. 524–530, 2015.
[10] A. Orynbaikyzy, U. Gessner, and C. Conrad, “Crop type classification using a combination of optical and radar remote sensing data: A review,” Int. J. Remote Sens., vol. 40, no. 17, pp. 6553–6595, 2019.
[11] L. Blickensdörfer, M. Schwieder, D. Pflugmacher, C. Nendel, S. Erasmi, andP. Hostert, “Mapping of croptypes and crop sequences with combined time series of sentinel-1, sentinel-2 and landsat 8 data for Germany,” Remote Sens. Environ., vol. 269, 2022, Art. no. 112831.
[12] A. Kosari, A. Sharifi, A. Ahmadi, and M. Khoshsima, “Remote sensing satellite’s attitude control system: Rapid performance sizing for pas sive scan imaging mode,” Aircr. Eng. Aerosp. Technol., vol. 92, no. 7, pp. 1073–1083, 2020.
[13] S. Jalayer, A. Sharifi, D. Abbasi-Moghadam, A. Tariq, and S. Qin, “Modeling and predicting land use land cover spatiotemporal changes: Acase study in Chalus watershed, Iran,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 15, pp. 5496–5513, 2022, doi: 10.1109/JS TARS.2022.3189528.
[14] B. Lu, P. D. Dao, J. Liu, Y. He, and J. Shang, “Recent advances of hyperspectralimagingtechnologyandapplicationsinagriculture,”Remote Sens., vol. 12, no. 16, 2020, Art. no. 2659.
[15] S. M. M. Nejad, D. Abbasi-Moghadam, A. Sharifi, N. Farmonov, K. Amankulova, and M. Laszlo, “Multispectral crop yield prediction using 3D-convolutional neural networks and attention convolutional LSTM approaches,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 16, pp. 254–266, 2023, doi: 10.1109/JSTARS.2022.3223423.
[16] W. Zhang et al., “An improved feature set for hyperspectral image classification: Harmonic analysis optimized by multiscale guided filter,” IEEE J. Sel. Topics Appl. Earth Observe. Remote Sens., vol. 13, pp. 3903–3916, 2020, doi: 10.1109/JSTARS.2020.3006772.
[17] X. Kang, S. Li, and J. A. Benediktsson, “Feature extraction of hyperspectral images with image fusion and recursive filtering,” IEEE Trans. Geosci. Remote Sens., vol. 52, no. 6, pp. 3742–3752, Jun. 2014, doi: 10.1109/TGRS.2013.2275613.
[18] M.D.Mura,J.A.Benediktsson,B.Waske,andL.Bruzzone,“Morphological attribute profiles for the analysis of very high resolution images,”IEEE Trans. Geosci. Remote Sens., vol. 48, no. 10, pp. 3747–3762, Oct. 2010, doi: 10.1109/TGRS.2010.2048116.
[19] K. S. He, D. Rocchini, M. Neteler, and H. Nagendra, “Benefits of hyper spectral remote sensing for tracking plant invasions,” Diversity Distrib., vol. 17, no. 3, pp. 381–392, 2011
[20] M. Liu et al., “The impact of spatial resolution on the classification of vegetation types in highly fragmented planting areas based on unmanned aerial vehicle hyperspectral images,” Remote Sens., vol. 12, no. 1, 2020, Art. no. 126.
[21] K. M. Carlson, G. P. Asner, R. F. Hughes, R. Ostertag, and R. E. Martin, “HyperspectralremotesensingofcanopybiodiversityinHawaiianlowland rainforests,” Ecosyst., vol. 10, no. 4, pp. 536–549, 2007.
[22] A.Sharifi,“Flood mapping using relevance vector machine and SAR data: AcasestudyfromAqqala,Iran,”J.IndianSoc.RemoteSens.,vol.48,no.9, pp. 1289–1296, 2020.
[23] A. Banskota, R. H. Wynne, and N. Kayastha, “Improving within-genus tree species discrimination using the discrete wavelet transform applied to airborne hyperspectral data,” Int. J. Remote Sens., vol. 32, no. 13, pp. 3551–3563, 2011.
[24] M. Beland et al., “Mapping changing distributions of dominant species in oil-contaminated salt marshes of Louisiana using imaging spectroscopy,” Remote Sens. Environ., vol. 182, pp. 192–207, 2016. [25] B.CsendesandL.Mucsi,“Identificationandspectralevaluationofagricul tural crops on hyperspectral airborne data,” J. Environ. Geography,vol.9, no. 3–4, Nov. 2016.
[26] C. Kwan et al., “Deep learning for land cover classification using only a few bands,” Remote Sens., vol. 12, no. 12, 2020, Art. no. 2000.
[27] X. Yang, Y. Ye, X. Li, R. Y. K. Lau, X. Zhang, and X. Huang, “Hyperspectral image classification with deep learning models,” IEEE Trans. Geosci. Remote Sens., vol. 56, no. 9, pp. 5408–5423, Sep. 2018, doi: 10.1109/TGRS.2018.2815613.
[28] S. K. Roy, S. R. Dubey, S. Chatterjee, and B. B. Chaudhuri, “FuSENet: Fused squeeze-and-excitation network for spectral-spatial hyperspectral image classification,” IET Image Process., vol. 14, no. 8, pp. 1653–1661, 2020, doi: 10.1049/iet-ipr.2019.1462.
[29] Q. Xu, Y. Xiao, D. Wang, and B. Luo, “CSA-MSO3DCNN: Multiscale octave 3DCNNwithchannelandspatialattentionforhyperspectralimage classification,” Remote Sens., vol. 12, no. 1, 2020, Art. no. 188.
[30] A.LiandZ.Shang,“A new spectral-spatial Pseudo-3D dense network for hyperspectral image classification,” in Proc. Int. Joint Conf. Neural Netw., 2019, pp. 1–7.
[31] N. Laban, B. Abdellatif, H. M. Ebeid, H. A. Shedeed, and M. F. Tolba, “Reduced 3-D deep learning framework for hyperspectral image clas sification,” in Proc. Int. Conf. Adv. Mach. Learn. Technol. Appl., 2020, pp. 13–22.
[32] J. W. Liu, F. L. Zuo, Y. X. Guo, T. Y. Li, and J. M. Chen, “Research on improved wavelet convolutional wavelet neural networks,” Appl. Intell., vol. 51, no. 6, pp. 4106–4126, 2021.
[33] D. F. Hesser, S. Mostafavi, G. K. Kocur, and B. Markert, “Identification of acoustic emission sources for structural health monitoring applications based on convolutional neural networks and deep transfer learning,” Neurocomputing, vol. 453, pp. 1–12, 2021.
[34] J. Liu, P. Li, X. Tang, J. Li, and J. Chen, “Research on improved convolutional wavelet neural network,” Sci. Rep., vol. 11, no. 1, 2021, Art. no. 17941.
[35] P. Liu, H. Zhang, K. Zhang, L. Lin, and W. Zuo, “Multi-level wavelet-CNN for image restoration,” in Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. Workshops, 2018, pp. 886–895, doi: 10.1109/CVPRW.2018.00121.
[36] M. X. B. Rodriguez et al., “Deep adaptive wavelet network,” in Proc. IEEE Winter Conf. Appl. Comput. Vis., 2020, pp. 3100–3108, doi: 10.1109/WACV45572.2020.9093580. [37] J. Yang, Y. Q. Zhao, J. C. W. Chan, and L. Xiao, “A multi-scale wavelet 3D-CNNforhyperspectralimagesuper-resolution,”RemoteSens.,vol.11, no. 13, 2019, Art. no. 1557.
[38] S.Cogliati et al., “The PRISMA imaging spectroscopy mission: Overview and first performance analysis,” Remote Sens. Environ., vol. 262, 2021, Art. no. 112499.
[39] D. Krutz et al., “The instrument design of the DLR earth sensing imaging spectrometer (DESIS),” Sensors, vol. 19, no. 7, 2019, Art. no. 1622.
[40] G. Kerr et al., “The hyperspectral sensor DESIS on MUSES: Processing and applications,” in Proc. Int. Geosci. Remote Sens. Symp., 2016, pp. 268–271.
[41] I. Aneece and P. S. Thenkabail, “Classifying crop types using two generations of hyperspectral sensors (Hyperion and DESIS) with machine learning on the cloud,” Remote Sens., vol. 13, no. 22, 2021, Art. no. 4704.
[42] I. Aneece and P. Thenkabail, “Accuracies achieved in classifying five leading world crop types and their growth stages using optimal earth observing 1hyperionhyperspectralnarrowbandsonGoogleearthengine,” Remote Sens., vol. 10, no. 12, 2018, Art. no. 2027.
[43] M. Marshall, M. Belgiu, M. Boschetti, M. Pepe, A. Stein, and A. Nelson, “Field-level crop yield estimation with PRISMA and Sentinel-2,” ISPRS J. Photogramm. Remote Sens., vol. 187, pp. 191–210, 2022.
[44] I. Aneece and P. S. Thenkabail, “DESIS and PRISMA: A study of a new generation of space borne hyperspectral sensors in the study of world crops,” in Proc.IEEEInt.Geosci.RemoteSens.Symp.,2021,pp. 479–479, doi: 10.1109/igarss47720.2021.9553718.
[45] R.Müller et al., “the New hyperspectral sensor desis on the multi-payload platform muses installed on the ISS,” Int. Arch. Photogramm. Remote Sens., vol. XLI-B1, pp. 461–467, 2016.
[46] A. Sharifi, “Development of a method for flood detection based on sentinel-1 images and classifier algorithms,” Water Environ. J., vol. 35, no. 3, pp. 924–929, 2021.
[47] S. S. Sawant and M. Prabukumar, “A survey of band selection techniques for hyperspectral image classification,” J. Spectr. Imag., vol. 9, pp. 1–18, 2020.
[48] L. Breiman, “Random forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001.
[49] V. F. Rodriguez-Galiano, B. Ghimire, J. Rogan, M. Chica-Olmo, and J. P. Rigol-Sanchez, “An assessment of the effectiveness of a random forest classifier for land-cover classification,” ISPRS J. Photogramm. Remote Sens., vol. 67, no. 1, pp. 93–104, 2012.
[50] H. Gao, Y. Yang, C. Li, L. Gao, and B. Zhang, “Multiscale residual network with mixed depth wise convolution for hyperspectral image class if ication,”IEEETrans.Geosci.RemoteSens.,vol.59,no.4,pp. 3396–3408, Apr. 2021, doi: 10.1109/TGRS.2020.3008286.
[51] H.Gao,Y.Zhang,Z.Chen,andC.Li,“A multiscale dual-branch feature fusion and attention network for hyperspectral images classification,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 14, pp. 8180–8192, 2021, doi: 10.1109/JSTARS.2021.3103176.
[52] L. Su and Y. Huang, “Support vector machine (SVM) classification: Comparison of linkage techniques using a clustering-based method for training data selection,” GISci. Remote Sens., vol. 46, no. 4, pp. 411–423, 2009.
[53] J. Ren, R. Wang, G. Liu, R. Feng, Y. Wang, and W. Wu, “Partitioned relief-F method for dimensionality reduction of hyperspectral images,” Remote Sens., vol. 12, no. 7, 2020, Art. no. 1104. [54] Z. Chen et al., “Leaf area index estimation algorithm for GF-5 hyper spectral data based on different feature selection and machine learning methods,” Remote Sens., vol. 12, no. 13, 2020, Art. no. 2110. [55] X. Deng et al., “Detection of citrus huanglongbing based on multi-input neural network model of UAV hyperspectral remote sensing,” Remote Sens., vol. 12, no. 17, 2020, Art. no. 2678.
[56] N. R. Rao, P. K. Garg, and S. K. Ghosh, “Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data,” Precis. Agriculture, vol. 8, no. 4–5, pp. 173–185, 2007
[1] S. S. Wahla, J. H. Kazmi, A. Sharifi, S. A. Shirazi, A. Tariq, and H. J. Smith, “Assessing spatiotemporal mapping and monitoring of climatic variability using SPEI and RF machine learning models,” Geocarto Int., vol. 38, no. 1, pp. 1–20, Jun. 2022.
[2] A. Sharifi, H. Mahdipour, E. Moradi, and A. Tariq, “Agricultural field extraction with deep learning algorithm and satellite imagery,” J. Indian Soc. Remote Sens., vol. 50, no. 2, pp. 417–423, 2022.
[3] K. Amankulova, N. Farmonov, and L. Mucsi, “Time-series analysis of sentinel-2 satellite images for sunflower yield estimation,” Smart Agricultural Technol., vol. 3, 2023, Art. no. 100098.
[4] A. Tariq, S. Siddiqui, A. Sharifi, and S. H. I. A. Shah, “Impact of spatiotemporal land surface temperature on cropping pattern and land use and land cover changes using satellite imagery, Hafiz Abad district, Punjab, province of Pakistan,” Arabian J. Geosci., vol. 15, no. 11, 2022, Art. no. 1045.
[5] T. de Sousa Leite, R. M. Oliveira de Freitas, N. da Silva Dias, J. L. Dallabona Dombroski, and N. W. Nogueira, “The interplay between leaf water potential and osmotic adjustment on photosynthetic and growth parameters of tropical dry forest trees,” J. Forestry Res., vol. 7, pp. 1–9, 2022.
[6] T.Tscharntke,I.Grass,T.C.Wanger,C.Westphal,andP.Batáry,“Beyond organic farming– harnessing biodiversity-friendly landscapes,” Trends Ecol. Evol., vol. 36, no. 10. pp. 919–930, 2021.
[7] J. Sun, X. Zhao, Y. Fang, F. Gao, C. Wu, and J. Xia, “Effects of water and salt for groundwater-soil systems on root growth and architecture of Tamarix chinensis in the Yellow River Delta, China,” J. Forestry Res., vol. 335, 2022, pp. 104–111.
[8] A.J.Bennett,G.D.Bending,D.Chandler,S.Hilton,andP.Mills,“Meeting the demand for crop production: The challenge of yield decline in crops grown in short rotations,” Biol. Rev., vol. 87, no. 1. pp. 52–71, 2012.
[9] N. A. Schellhorn, V. Gagic, and R. Bommarco, “Time will tell: Resource continuity bolsters ecosystem services,” Trends Ecol. Evol., vol. 30, no. 9. pp. 524–530, 2015.
[10] A. Orynbaikyzy, U. Gessner, and C. Conrad, “Crop type classification using a combination of optical and radar remote sensing data: A review,” Int. J. Remote Sens., vol. 40, no. 17, pp. 6553–6595, 2019.
[11] L. Blickensdörfer, M. Schwieder, D. Pflugmacher, C. Nendel, S. Erasmi, andP. Hostert, “Mapping of croptypes and crop sequences with combined time series of sentinel-1, sentinel-2 and landsat 8 data for Germany,” Remote Sens. Environ., vol. 269, 2022, Art. no. 112831.
[12] A. Kosari, A. Sharifi, A. Ahmadi, and M. Khoshsima, “Remote sensing satellite’s attitude control system: Rapid performance sizing for pas sive scan imaging mode,” Aircr. Eng. Aerosp. Technol., vol. 92, no. 7, pp. 1073–1083, 2020.
[13] S. Jalayer, A. Sharifi, D. Abbasi-Moghadam, A. Tariq, and S. Qin, “Modeling and predicting land use land cover spatiotemporal changes: Acase study in Chalus watershed, Iran,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 15, pp. 5496–5513, 2022, doi: 10.1109/JS TARS.2022.3189528.
[14] B. Lu, P. D. Dao, J. Liu, Y. He, and J. Shang, “Recent advances of hyperspectralimagingtechnologyandapplicationsinagriculture,”Remote Sens., vol. 12, no. 16, 2020, Art. no. 2659.
[15] S. M. M. Nejad, D. Abbasi-Moghadam, A. Sharifi, N. Farmonov, K. Amankulova, and M. Laszlo, “Multispectral crop yield prediction using 3D-convolutional neural networks and attention convolutional LSTM approaches,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 16, pp. 254–266, 2023, doi: 10.1109/JSTARS.2022.3223423.
[16] W. Zhang et al., “An improved feature set for hyperspectral image classification: Harmonic analysis optimized by multiscale guided filter,” IEEE J. Sel. Topics Appl. Earth Observe. Remote Sens., vol. 13, pp. 3903–3916, 2020, doi: 10.1109/JSTARS.2020.3006772.
[17] X. Kang, S. Li, and J. A. Benediktsson, “Feature extraction of hyperspectral images with image fusion and recursive filtering,” IEEE Trans. Geosci. Remote Sens., vol. 52, no. 6, pp. 3742–3752, Jun. 2014, doi: 10.1109/TGRS.2013.2275613.
[18] M.D.Mura,J.A.Benediktsson,B.Waske,andL.Bruzzone,“Morphological attribute profiles for the analysis of very high resolution images,”IEEE Trans. Geosci. Remote Sens., vol. 48, no. 10, pp. 3747–3762, Oct. 2010, doi: 10.1109/TGRS.2010.2048116.
[19] K. S. He, D. Rocchini, M. Neteler, and H. Nagendra, “Benefits of hyper spectral remote sensing for tracking plant invasions,” Diversity Distrib., vol. 17, no. 3, pp. 381–392, 2011
[20] M. Liu et al., “The impact of spatial resolution on the classification of vegetation types in highly fragmented planting areas based on unmanned aerial vehicle hyperspectral images,” Remote Sens., vol. 12, no. 1, 2020, Art. no. 126.
[21] K. M. Carlson, G. P. Asner, R. F. Hughes, R. Ostertag, and R. E. Martin, “HyperspectralremotesensingofcanopybiodiversityinHawaiianlowland rainforests,” Ecosyst., vol. 10, no. 4, pp. 536–549, 2007.
[22] A.Sharifi,“Flood mapping using relevance vector machine and SAR data: AcasestudyfromAqqala,Iran,”J.IndianSoc.RemoteSens.,vol.48,no.9, pp. 1289–1296, 2020.
[23] A. Banskota, R. H. Wynne, and N. Kayastha, “Improving within-genus tree species discrimination using the discrete wavelet transform applied to airborne hyperspectral data,” Int. J. Remote Sens., vol. 32, no. 13, pp. 3551–3563, 2011.
[24] M. Beland et al., “Mapping changing distributions of dominant species in oil-contaminated salt marshes of Louisiana using imaging spectroscopy,” Remote Sens. Environ., vol. 182, pp. 192–207, 2016. [25] B.CsendesandL.Mucsi,“Identificationandspectralevaluationofagricul tural crops on hyperspectral airborne data,” J. Environ. Geography,vol.9, no. 3–4, Nov. 2016.
[26] C. Kwan et al., “Deep learning for land cover classification using only a few bands,” Remote Sens., vol. 12, no. 12, 2020, Art. no. 2000.
[27] X. Yang, Y. Ye, X. Li, R. Y. K. Lau, X. Zhang, and X. Huang, “Hyperspectral image classification with deep learning models,” IEEE Trans. Geosci. Remote Sens., vol. 56, no. 9, pp. 5408–5423, Sep. 2018, doi: 10.1109/TGRS.2018.2815613.
[28] S. K. Roy, S. R. Dubey, S. Chatterjee, and B. B. Chaudhuri, “FuSENet: Fused squeeze-and-excitation network for spectral-spatial hyperspectral image classification,” IET Image Process., vol. 14, no. 8, pp. 1653–1661, 2020, doi: 10.1049/iet-ipr.2019.1462.
[29] Q. Xu, Y. Xiao, D. Wang, and B. Luo, “CSA-MSO3DCNN: Multiscale octave 3DCNNwithchannelandspatialattentionforhyperspectralimage classification,” Remote Sens., vol. 12, no. 1, 2020, Art. no. 188.
[30] A.LiandZ.Shang,“A new spectral-spatial Pseudo-3D dense network for hyperspectral image classification,” in Proc. Int. Joint Conf. Neural Netw., 2019, pp. 1–7.
[31] N. Laban, B. Abdellatif, H. M. Ebeid, H. A. Shedeed, and M. F. Tolba, “Reduced 3-D deep learning framework for hyperspectral image clas sification,” in Proc. Int. Conf. Adv. Mach. Learn. Technol. Appl., 2020, pp. 13–22.
[32] J. W. Liu, F. L. Zuo, Y. X. Guo, T. Y. Li, and J. M. Chen, “Research on improved wavelet convolutional wavelet neural networks,” Appl. Intell., vol. 51, no. 6, pp. 4106–4126, 2021.
[33] D. F. Hesser, S. Mostafavi, G. K. Kocur, and B. Markert, “Identification of acoustic emission sources for structural health monitoring applications based on convolutional neural networks and deep transfer learning,” Neurocomputing, vol. 453, pp. 1–12, 2021.
[34] J. Liu, P. Li, X. Tang, J. Li, and J. Chen, “Research on improved convolutional wavelet neural network,” Sci. Rep., vol. 11, no. 1, 2021, Art. no. 17941.
[35] P. Liu, H. Zhang, K. Zhang, L. Lin, and W. Zuo, “Multi-level wavelet-CNN for image restoration,” in Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. Workshops, 2018, pp. 886–895, doi: 10.1109/CVPRW.2018.00121.
[36] M. X. B. Rodriguez et al., “Deep adaptive wavelet network,” in Proc. IEEE Winter Conf. Appl. Comput. Vis., 2020, pp. 3100–3108, doi: 10.1109/WACV45572.2020.9093580. [37] J. Yang, Y. Q. Zhao, J. C. W. Chan, and L. Xiao, “A multi-scale wavelet 3D-CNNforhyperspectralimagesuper-resolution,”RemoteSens.,vol.11, no. 13, 2019, Art. no. 1557.
[38] S.Cogliati et al., “The PRISMA imaging spectroscopy mission: Overview and first performance analysis,” Remote Sens. Environ., vol. 262, 2021, Art. no. 112499.
[39] D. Krutz et al., “The instrument design of the DLR earth sensing imaging spectrometer (DESIS),” Sensors, vol. 19, no. 7, 2019, Art. no. 1622.
[40] G. Kerr et al., “The hyperspectral sensor DESIS on MUSES: Processing and applications,” in Proc. Int. Geosci. Remote Sens. Symp., 2016, pp. 268–271.
[41] I. Aneece and P. S. Thenkabail, “Classifying crop types using two generations of hyperspectral sensors (Hyperion and DESIS) with machine learning on the cloud,” Remote Sens., vol. 13, no. 22, 2021, Art. no. 4704.
[42] I. Aneece and P. Thenkabail, “Accuracies achieved in classifying five leading world crop types and their growth stages using optimal earth observing 1hyperionhyperspectralnarrowbandsonGoogleearthengine,” Remote Sens., vol. 10, no. 12, 2018, Art. no. 2027.
[43] M. Marshall, M. Belgiu, M. Boschetti, M. Pepe, A. Stein, and A. Nelson, “Field-level crop yield estimation with PRISMA and Sentinel-2,” ISPRS J. Photogramm. Remote Sens., vol. 187, pp. 191–210, 2022.
[44] I. Aneece and P. S. Thenkabail, “DESIS and PRISMA: A study of a new generation of space borne hyperspectral sensors in the study of world crops,” in Proc.IEEEInt.Geosci.RemoteSens.Symp.,2021,pp. 479–479, doi: 10.1109/igarss47720.2021.9553718.
[45] R.Müller et al., “the New hyperspectral sensor desis on the multi-payload platform muses installed on the ISS,” Int. Arch. Photogramm. Remote Sens., vol. XLI-B1, pp. 461–467, 2016.
[46] A. Sharifi, “Development of a method for flood detection based on sentinel-1 images and classifier algorithms,” Water Environ. J., vol. 35, no. 3, pp. 924–929, 2021.
[47] S. S. Sawant and M. Prabukumar, “A survey of band selection techniques for hyperspectral image classification,” J. Spectr. Imag., vol. 9, pp. 1–18, 2020.
[48] L. Breiman, “Random forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001.
[49] V. F. Rodriguez-Galiano, B. Ghimire, J. Rogan, M. Chica-Olmo, and J. P. Rigol-Sanchez, “An assessment of the effectiveness of a random forest classifier for land-cover classification,” ISPRS J. Photogramm. Remote Sens., vol. 67, no. 1, pp. 93–104, 2012.
[50] H. Gao, Y. Yang, C. Li, L. Gao, and B. Zhang, “Multiscale residual network with mixed depth wise convolution for hyperspectral image class if ication,”IEEETrans.Geosci.RemoteSens.,vol.59,no.4,pp. 3396–3408, Apr. 2021, doi: 10.1109/TGRS.2020.3008286.
[51] H.Gao,Y.Zhang,Z.Chen,andC.Li,“A multiscale dual-branch feature fusion and attention network for hyperspectral images classification,” IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens., vol. 14, pp. 8180–8192, 2021, doi: 10.1109/JSTARS.2021.3103176.
[52] L. Su and Y. Huang, “Support vector machine (SVM) classification: Comparison of linkage techniques using a clustering-based method for training data selection,” GISci. Remote Sens., vol. 46, no. 4, pp. 411–423, 2009.
[53] J. Ren, R. Wang, G. Liu, R. Feng, Y. Wang, and W. Wu, “Partitioned relief-F method for dimensionality reduction of hyperspectral images,” Remote Sens., vol. 12, no. 7, 2020, Art. no. 1104. [54] Z. Chen et al., “Leaf area index estimation algorithm for GF-5 hyper spectral data based on different feature selection and machine learning methods,” Remote Sens., vol. 12, no. 13, 2020, Art. no. 2110. [55] X. Deng et al., “Detection of citrus huanglongbing based on multi-input neural network model of UAV hyperspectral remote sensing,” Remote Sens., vol. 12, no. 17, 2020, Art. no. 2678.
[56] N. R. Rao, P. K. Garg, and S. K. Ghosh, “Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data,” Precis. Agriculture, vol. 8, no. 4–5, pp. 173–185, 2007
09 июля/ 2025