Новая методология определения видов растений и их разновидностей с использованием гиперспектральных данных: применение на вике и чечевице

АННОТАЦИЯ

Представлена новая методология распознавания видов растений и их разновидностей с применением гиперспектральных данных. Метод основывается на комбинации алгоритмов предварительной спектральной обработки (SPPA), позволяющей существенно повысить точность идентификации видов и сортов.

Основные этапы предложенной методики включают:

·         Использование гиперспектральных снимков для изучения уникальных спектральных характеристик растений.

·         Применение многошагового подхода с использованием последовательных алгоритмов предварительной обработки (k-ступенчатая схема).

·         Оценку результатов с помощью простых генетических алгоритмов для оптимизации процесса спектрального сопоставления.

Исследование проводилось на образцах девяти сортов вики и девяти сортов чечевицы, показывая успешность метода независимо от стадии развития растений.
1. ВВЕДЕНИЕ

Традиционные методы картографирования видов растений требуют значительных трудозатрат. Гиперспектральные данные, благодаря высокому спектральному разрешению, позволяют дифференцировать не только виды, но и их сорта. Вика и чечевица — важные сельскохозяйственные культуры в Греции, имеющие множество сортов, что требует точных методов идентификации.
Основные задачи при работе с гиперспектральными данными:

·         разработка мер спектрального подобия;
·         выбор информативных спектральных диапазонов;
·         оптимальная предобработка данных для выделения ключевых признаков.

В литературе описаны различные меры подобия: Spectral Angle Mapper (SAM), кросс-корреляция (CC), адаптивный косинусный оценщик (ACE) и другие. Однако использование единого алгоритма предобработки часто оказывается недостаточным для надёжного различения множества сортов.

В данной работе предлагается k-шаговая методология, сочетающая несколько SPPA для усиления дискриминации сигнатур.

2. АЛГОРИТМЫ ПРЕДВАРИТЕЛЬНОЙ СПЕКТРАЛЬНОЙ ОБРАБОТКИ (SPPA)

Для повышения точности распознавания применяются специальные предварительные шаги обработки спектральных данных. Рассматриваются следующие алгоритмы:

·         Сглаживание: устранение шумов из спектральных сигнатур с помощью фильтров типа Savitzky-Golay, медианных фильтров и Гауссова сглаживания.·         Нормализация вектора: приведение спектральной сигнатуры к стандартной форме для упрощенного сравнения спектров.·         Дискретное преобразование Фурье (DFT): выделение основных компонент сигнала для дальнейшего анализа.·         Логарифмическое преобразование: расчет величины поглощения согласно закону Бера-Ламберта.·         Преобразование Кубелки-Мунка: учет эффектов многократного рассеяния света растениями.·         Вычисление производных: оценка наклона спектральных кривых для выявления скрытых закономерностей.·         Удаление континуума: выявление специфичных характеристик поглощения.·         Глубина полосы: построение графиков поглощения, представляющих спектральные особенности.Применение вышеуказанных процедур помогает улучшить точность спектрального сопоставления и классификацию объектов.

3. МЕТОДОЛОГИЯ k-ШАГА

Методология включает последовательное применение k алгоритмов SPPA к спектральным сигнатурам с целью максимизации их различий. После преобразования выполняется спектральное сопоставление с использованием комбинации мер SAM и CC.

Из-за большого числа возможных комбинаций SPPA (k = 1–3) для поиска оптимальной последовательности применяется простой генетический алгоритм (SGA). Функция пригодности оценивает точность сопоставления после применения комбинации SPPA.

4. ДАННЫЕ И ЭКСПЕРИМЕНТЫ

Использовались гиперспектральные данные 9 сортов вики и 9 сортов чечевицы, полученные спектрорадиометром GER1500 (280–1100 нм, 512 каналов). Измерения проводились в две фазы вегетации (март и апрель) для моделирования реальных условий. Данные разделены на эталонный и оценочный наборы.

5. РЕЗУЛЬТАТЫ

Без предобработки точность сопоставления составила 22%. Применение SPPA значительно улучшило результат:


Наилучшие результаты (100% точность) достигнуты при k = 2 и 3, причём первым этапом во всех случаях было преобразование Фурье (амплитуда).

6. ВЫВОДЫ

Предложенная k-шаговая методология позволяет достичь 100% точности распознавания сортов вики и чечевицы по гиперспектральным данным.
Она позволит снизить трудозатраты и повысит эффективность мониторинга аграрных территорий.

Таким образом, данная работа открывает новые перспективы для применения гиперспектральных технологий в сельском хозяйстве и экологии.

Читать полную статью