Определение типов и оценка состояния здоровья растений с помощью гиперспектральной визуализации

Rahul Nigam1,*, Rojalin Tripathy1, Sujay Dutta1, Nita Bhagia1, Rohit Nagori1, K. Chandrasekar2, Rajsi Kot3, Bimal K. Bhattacharya1 and Susan Ustin4 1Agriculture and Land Eco-system Division, Earth, Ocean, Atmosphere, Planetary Sciences and Applications Area, Space Applications Centre (ISRO), Ahmedabad 380 015, India 2National Remote Sensing Centre (ISRO), Hyderabad 500 037, India 3M.G. Science Institute, Ahmedabad 380 009, India 4Environmental and Resource Sciences, University of California, Davis, CA 95616, USA

Достижения в области технологий гиперспектрального дистанционного зондирования открыли новые возможности для изучения инновационных способов картографирования сельскохозяйственных культур с точки зрения площади и здоровья. Для точного картографирования сельскохозяйственных и садово-огородных культур, а также биофизических и биохимических характеристик в полевых условиях была проведена воздушная гиперспектральная съемка в различных агроклиматических регионах, представляющих различные типы сельского хозяйства Индии. Классификация сельскохозяйственных культур с использованием свободно доступных и разработанных алгоритмов была применена как гомогенным, так и гетерогенным сельскохозяйственным посевным площадям. Алгоритмы spectral anglemapperи maximum likelihood показали точность классификации 77-94% для AVIRI-NG и 42-55% для LISS IV. Индивидуальные схемы классификации на основе глубокой нейронной сети и функции максимального шума (MNF) показали точность 93% и 86% для картирования сельскохозяйственных и садоводческих культур соответственно. Был разработан протокол модели прямого и обратного переноса излучения в пологе для поиска параметров растений, таких как индекс площади листьев (LAI) и содержание хлорофилла (Cab), с использованием анализа узких полос. Полученные значения LAI и Cab показали отклонение от среднего значения на 19%-27% и 23%-29% соответственно для однородных и неоднородных сельскохозяйственных районов. Эмпирическая модель, основанная на индексе положения красного края, и многомерная линейная регрессия нескольких индексов показали максимальную корреляцию 0,62 и 0,93 соответственно для определения содержания азота в листьях. Индекс состояния воды был разработан с использованием растительных и водных индексов для определения абиотического стресса сельскохозяйственных культур, связанного с водой. Желтая ржавчина пшеницы была выявлена в полевых условиях с помощью абсорбционного анализа. Анализ глубины полосы при 662-702 и 2155-2175 нм, а также дальнейшее применение к AVIRIS-NG данным для выявления биологического  стресса в пространственном масштабе. Это исследование показывает, что такие миссии потенциально могут повысить точность составления карт экономически ценных второстепенных культур и генерировать индикаторы здоровья для различения биотических и абиотических стрессов в полевых масштабах.

Ключевые слова: оценка, биотический и абиотический стресс, классификация сельскохозяйственных культур, здоровье, гиперспектральная визуализация.

Вступление

Растущая нагрузка населения на природные ресурсы и экономические издержки ведения сельского хозяйства ограничивают посевные площади и производство в Индии. Таким образом, необходимость постоянного и точного мониторинга роста и состояния сельского хозяйства имеет первостепенное значение для разумного использования ресурсов фермы для управления потенциальной урожайностью сельскохозяйственных культур.

Технологические достижения в области дистанционного зондирования доказали свою эффективность для определения характеристик сельскохозяйственных угодий от полевых до региональных масштабов. За последние три десятилетия традиционные мультиспектральные широкополосные датчики получили широкое распространение, используются для оценки площади посевов и сезонного мониторинга. Однако эти датчики имеют известные ограничения с точки зрения спектральной полосы пропускания и пространственного разрешения.
Более того, они не в состоянии отображать биофизические и биохимические параметры сельскохозяйственных культур. Эти факторы приводят к значительной неопределенности в классификации и мониторинге здоровья сельскохозяйственных культур. Для этого необходимы специальные узкие полосы для изучения спектральных свойств в зависимости от молекулярного состава растительного материала. Гиперспектральное дистанционное зондирование (или визуализирующая спектроскопия) демонстрирует большой потенциал и усовершенствования в классификации различных видов сельскохозяйственных культур, получении биофизических и биохимических данных, оценке содержания питательных веществ и обнаружении абиотических и биотических микроорганизмов.

Технология гиперспектрального дистанционного зондирования дает возможность отображать реакцию различных типов сельскохозяйственных культур с точки зрения морфологических и физиологических характеристик в непрерывных спектральных полосах. Точность классификации будет еще больше увеличиваться за счет снижения размерности и избыточности гиперспектральных данных. Использование различных методов, таких как анализ главных компонентов (PCA), преобразование максимальной доли шума (MNF) с последующим индексом чистоты пикселей, может помочь в снижении размерности данных и обещает более высокую точность классификации. Физические и биохимические параметры сельскохозяйственных культур, такие как индекс площади листьев (LAI), содержание хлорофилла (Cab) и содержание азота (N), предоставят индикаторы для оценки физиологического состояния сельскохозяйственных культур в различных условиях. LAI, Cab и N играют прямую роль в фотосинтетических процессах сбора света и инициирования переноса электронов, а его чувствительность будет меняться в зависимости от тяжести биотических и абиотических стрессов. Эти параметры можно получить с помощью моделей переноса излучения пологом и различных гиперспектральных индексов растительности. Биофизические и биохимические компоненты полога сельскохозяйственных культур напрямую выражаются в сигнатурах отражательной способности, которые можно получить из измерений спектрометрами визуализации. Спектральные характеристики жизненных проявлений и контроля растительности позволяют нам для количественных применений спектроскопии изображений для того, чтобы решить проблему неопределенности агроэкосистемы.Более того, спектроскопическое дистанционное зондирование может выступать в качестве моста между полем и региональным масштабом, а также может служить мостом к регионам, характерным для глобальных миссий дистанционного зондирования из космоса, где грубый размер пикселя исключает прямое сравнение с мелкомасштабными измерениями важных свойств агроэкосистемы.

В Индии в рамках совместного сотрудничества Indian Space Национальная исследовательская организация по аэронавтике (ISRO) Космическим управлением (НАСА) и Лабораторией реактивного движения (JPL) была организована воздушная кампания по проведению спектроскопической съемки отдельных сельскохозяйственных объектов Индии. В рамках этой кампании на борту самолета ISRO B200 был установлен бортовой спектрометр визуализации в видимом/инфракрасном диапазоне trometer-датчик следующего поколения (AVIRIS-NG). AVIRIS-NG – это визуализирующий спектрометр, имеющий около 425 смежных спектральных полос ближнего ряда в диапазоне 380-2500 нм с высокой спектральное разрешение около 5 нм и мгновенное поле зрения (IFOV) 1 мрад (https://aviris-ng.jpl.nasa. gov/ ). В этом исследовании данные, полученные на различных сельскохозяйственных площадках Индии с помощью AVIRIS-NG, были использованы для классификации типов сельскохозяйственных культур, поиска биофизических и биохимических параметров и составления карт абиотического и биотического стресса.

Район исследования

Для воздушного полета были выбраны однородные и разнородные сельскохозяйственные участки площадью 20-550 кв. км. Здесь, Кота (Раджастхан), Маддур (Карнатака), Ананд (Гуджарат), Талала (Гуджарат), Джагадия (Гуджарат), Командные районы Рупнагар (Пенджаб) и Нагарджуна Сагар (Телангана) были выбраны для проведения сельскохозяйственных исследований. Места для исследования выбраны исходя из их уникальных агроклиматических условий, почвы, сельскохозяйственных культур (монокультур и смешанных культур), условий богарного и орошаемого земледелия. Территория Кота расположена на центральном плато и в холмистой местности и  представляет собой однородный сельскохозяйственный регион, в котором преобладает пшеница.

Участок Маддур расположен в округе Чамараджанагар штата Карнатака и находится в южном плато и горном регионе. Участок представляет собой неоднородную сельскохозяйственную зону. Участки Ананд, Талала и Джагдиа расположены на равнинах и в горном районе и на них выращивается множество культур, в том числе манговыми плантациями, расположенными в неоднородной сельскохозяйственной зоне. В районе управления Нагарджуна Сагар преобладают чернохлопковые глинистые почвы южного плато и горного района. Участок Рупнагар представляет собой однородный участок с пшеницей и расположен в трансгангской равнине. На рисунке 1 показано пространственное распределение участков по территории Индии, а в таблице 1 описана площадь, охваченная бортовым радиолокационным комплексом AVIRIS-NG.

Использованные наборы данных

Данные in situ

Данные об отражательной способности сельскохозяйственных культур и почвы были получены с помощью спектрорадиометра ASD в спектральном диапазоне 350–2500 нм с интервалом 1 нм на вышеупомянутых участках исследования согласно полету AVIRIS-NG. Прибор был прикреплен к стандартной передней оптической системе с полем зрения 25° через постоянный оптоволоконный кабель. Все спектральные измерения проводились между 10:30 и 14:20 по местному стандартному времени. Измерения LAI и хлорофильного индекса для различных сельскохозяйственных культур проводились (анализатор LICOR 2000 Canopy и хлорофиллметр Konica Minolta SPAD-502 Plus соответственно) для всех участков. В Anand образцы сельскохозяйственных культур были собраны с каждого участка, и содержание азота в листьях было оценено с помощью автоанализатора.
 

Данные с борта самолета

AVIRIS-NG — это спектрометр для получения изображений, имеющий около 425 смежных узких спектральных полос в спектральном диапазоне 380–2500 нм с шагом 5 нм, высоким отношением сигнал/шум (SNR) (>2000 при 600 нм и >1000 при 2200 нм) и точностью 95%, полем зрения 34° и IFOV 1 м·рад (https://aviris-ng.jpl.nasa.gov/). Разрешение по пикселям наземной съемки (GSD) варьируется от 4 до 8 м для высоты полета 4–8 км и полосы обзора 4–6 км.

Спутниковые данные

Resourcesat-2 (RS-2) Линейный самосканирующийся датчик (LISS) IV обеспечивает три широких спектральных диапазона: зеленый (520–590 нм), красный (620–680 нм) и ближний ИК (770–860 нм). Данные LISS IV имеют пространственное разрешение 5,8 м и радиометрическое разрешение 10 бит. В данном исследовании использовались данные LISS IV над регионом Талала, полученные в феврале 2016 года. Данные AVIRIS-NG также использовались для получения полос RS-2, LISS IV с исходным
пространственным разрешением и квантования AVIRIS-NG с использованием спектральной функции отклика LISS IV над регионом Маддур.

Методология

На рисунке 2 представлена ​​блок-схема общей методологии.

Предварительная обработка данных

В данном исследовании были использованы данные об отражательной способности поверхности AVIRIS-NG уровня 2. Из спектральных данных были удалены линии Фраунгофера для дальнейшего анализа. Рассчитанные в лаборатории спектральные функции отклика трех спектральных полос датчика RS-2 LISS IV были применены к данным AVIRIS NG для получения эквивалентных спектральных полос LISS IV.

Снижение размерности

Для снижения размерности данных в настоящем исследовании к данным AVIRIS-NG на различных участках были применены методы PCA, MNF-преобразования и глубокой нейронной сети (DNN).

Методы классификации

Методы классификации, такие как картограф спектральных углов (SAM), классификатор максимального правдоподобия (MLC), машина опорных векторов (SVM), MNF, иерархическое решение, классификация на основе глубины полосы поглощения (ABD) и DNN, были применены с использованием данных in situ и AVIRIS-NG для классификации различных сельскохозяйственных и садовых культур. Коэффициент Каппа и общие коэффициенты точности использовались для оценки точности классификации.

Картограф спектральных углов: SAM — это спектральная классификация, которая использует n-мерный угол для сопоставления пикселей с эталонными спектрами. Алгоритм определяет сходство между двумя спектрами, вычисляя угол между ними, обрабатывая спектры как векторы в пространстве с размерностью, равной количеству полос. SAM сравнивает угол между вектором спектра конечного члена и каждым вектором пикселей в n-мерном пространстве. Меньшие углы представляют более близкое совпадение с эталонным спектром. Класс, к которому пиксель относит наименьший угол , соответствует классу, к которому он отнесен.

Классификация с максимальным правдоподобием: MLC помогает в
случае перекрывающихся классов и вычисляет вероятность принадлежности пикселя к определенному классу на основе его апостериорной вероятности. Если Nc - это количество классов, то вероятность принадлежности пикселя p к определенному классу Wi (i = 1, 2, ... , Nc) может быть определена в терминах апостериорной вероятности P(Wi/p) и класса, к которому будет принадлежать пиксель имеют максимальную вероятность, то им присваивается этот класс .

Метод опорных векторов: SVM - это бинарный классификатор, основанный на теории статистического обучения, для создания линейной разделяющей гиперплоскости, которая максимизирует разницу между двумя целевыми классами, т.е. максимизирует расстояния между ближайшими векторами (также известными как опорные векторы) двух классов. Однако, когда зашумленные данные приводят к смешению классов, вводятся слабые параметрыили параметры регуляризации, или штрафные параметры, которые создают небольшой запас, позволяющий некоторому количеству обучающих выборок одного класса находиться по другую сторону от запас прочности делает концепцию более надежной и эффективной
при обработке зашумленных данных. Многоклассовые SVM-классификаторы - этомодифицированные версии бинарных SVM-классификаторов, в которых
в основном используется попарная стратегия, при которой формируются бинарные классификаторы для каждой возможной пары классов. Метки классов, которые отображаются чаще всего, присваиваются этому пикселу.

Максимальная доля шума: при преобразовании MNF используются
наиболее распространенные показатели качества изображения17, т.е. SNR
, и выбираются более новые компоненты, обеспечивающие максимальное значение SNR в отличие от PCA18. В качестве набора собственных значений набор значений tors, полученный после максимизации доли шума , совпадает с максимизацией SNR (только в обратном порядке), MNF максимизирует дисперсию шума по отношению к дисперсии всех данных. Когда исходные данные будут преобразованы вместе с этими новыми компонентами, MNF покажет лучшее качество изображения.

Иерархическое правило принятия решений: индексы растительности (VIs)
были объединены с классификацией, основанной на иерархическом правиле принятия решений. Индексы растительности были рассчитаны и приняты в качестве исходных данных для иерархической классификации на основе правил принятия решений. Использовались различные индексы растительности. Нормализованный разностный растительный индекс (NDVI), индекс водной полосы (WBI) и нормализованный разностный инфракрасный
индекс (NDII).

Глубина полосы поглощения: Коэффициент отражения без учета сплошности был получен путем деления исходных значений коэффициента отражения (R) на соответствующие значения линии сплошности (RL) для всех каналов в диапазоне длин волн между конечными точками характеристики поглощения: CR =  (R/RL). Глубина (D) признака поглощения была
рассчитана как разница между линией сплошности и минимальным значением в спектральном признаке, удаленном от сплошности, BD = (1 – CR).

Глубокая нейронная сеть: после уменьшения размерности
Метод PCA был применен к шести частям набора данных, и для каждого участка были выбраны основные компоненты, объясняющие наибольшую изменчивость. Собственные векторы первых двух основных компонентов были использованы для определения значимых полос. Были рассмотрены три набора из 10, 25 и 50 наиболее значимых групп , которые с высокой частотой выбирались в шести подгруппах . Учебные площадки были отмечены на изображении с использованием точных данных о посевах, классах растительности и залежных землях. DNN с 391 полосой, тремя скрытыми слоями . Для выбора диапазона использовались 300, 150 и 50 узлов, функция активации выпрямленного линейного блока (Relu)
и выходной уровень обучающих классов21. Диапазоны, которые чаще всего активировали узлы выходного слоя, были выбраны как наиболее значимые с использованием обратного обхода нейронной сети. Наиболее оптимальный набор диапазонов из обоих методов был выбран на основе общей точности и средней точности по классу.

Классификация проводилась с использованием классификатора DNN с выбранными оптимальными диапазонами и обучающим набором данных. Три          скрытых слоя и функция активации Relu были использованы в нейронная сеть. Спектральные профили были сгенерированы с использованием GT-объектов для различных культур, классов растительности и залежных земель. Спектральный профиль прогнозируемого пикселя был сопоставлен с эталонными профилями выбранных объектов на основе GT с евклидовым расстоянием 0,075.
Был сгенерирован расширенный набор данных, содержащий пиксели, спектральные профили которых совпадали с эталонными профилями. Для оптимального набора полос, выбранных с использованием методов PCA и DNN, был проведен анализ различий между обучающими классами. Расстояние и среднее время перелета Джеффрис–Матусита (Южная Каролина) для обоих методов были рассчитаны и сравнены возраст и расстояние между классами . На основе показателей точности и анализа разделимости был выбран окончательный набор оптимальных диапазонов для классификации.

Получение параметров сельскохозяйственных культур.

В данном исследовании для получения параметров полога использовалась одномерная модель моделирования переноса излучения через полог PROSAIL, представляющая собой комбинированную форму PROSPECT SAIL (рассеяние произвольно наклоненными листьями).PROSPECT моделирует отражательную способность на уровне листьев, а SAIL учитывает направленность. Модель моделирует отражательную способность, используя биофизико-химические составляющие листа такие как параметр структуры листа (N), содержание хлорофилла (a + b) (Cab), эквивалентная толщина воды в листе (Cw), содержание сухого вещества в листе (Cm), LAI, угол наклона листа (LIA), параметр горячей точки (SL), горизонтальная видимость (vis), зенитный угол солнца (θs), зенитный угол зрения (θv), относительный азимутальный угол (φsv) и альбедо почвы (ρs). Модель CRT была настроена для спектральных диапазонов AVIRIS-NG. Модель будет моделировать диапазоны AVIRIS-NG в прямом моделировании в соответствии с заданными входными данными. Входные параметры моделей были разделены на различные интервалы в пределах их теоретических нижних и верхних пределов, чтобы охватить всю динамику сельскохозяйственных культур в соответствии с наблюдениями in situ и литературными данными. Учитывая их пределы и интервалы, комбинации различных входных данных привели к различным сценариям для соответствующих типов сельскохозяйственных культур. Для инверсии использовалась функция стоимости (S), которая представляет собой сумму квадратных разностей между коэффициентами отражения пикселей AVIRIS и коэффициентами отражения полос, моделированными моделью. Минимум функции стоимости был получен с использованием метода наименьших квадратов, который дает уникальное значение LAI и Cab для заданного набора наблюдаемых коэффициентов отражения, используя сгенерированную таблицу поиска (LUT) посредством прямого моделирования. Этот подход аналогичен вариационному методу, в котором разница ошибок минимизируется, но отличается матрицами ковариации ошибок наблюдений. Это может быть предметом будущих исследований в рамках этого вариационного подхода. В вариационном методе минимизируется функция стоимости, которая является функцией общей дисперсии. Все чувствительные к азоту индексы растительности (VI) в синем, зеленом, красном, ближнем ИК и коротковолновом ИК-диапазонах были вычислены по наземным спектрам и AVIRIS-NG для оценки существующего смещения между ними. Отдельные VI из наземных спектров и содержания азота в растениях были вычислены для разработки многомерных линейных регрессионных моделей со значительными коррелированными VI. Затем модель была применена к пространственным данным AVIRIS-NG для создания карты распределенного азота в растениях. Разработанные модели были проверены с помощью независимых данных in situ.

Абиотический стресс

Для интеграции состояния влажности и поверхностной отражательной способности был определен индекс состояния влажности (WCI), основанный на пространстве треугольников WIx–VI. WCI связан с состоянием влажности поверхности почвы/содержанием влаги в растительности, где более высокие значения WCI указывают на влажные условия, и наоборот (Рисунок 3). WCI определяется как

где,
WImin = a + bNDVIi and WImax = a0 + b0 * NDVIi.
где NDVIi — нормализованный разностный индекс вегетации i-го пикселя, a и a0 — отсекаемые значения, а b и b0 — наклон сухой и влажной границы соответственно. Другие гиперспектральные индексы, такие как NDVI25, WBI26, NDII27, нормализованный разностный индекс влажности (NDWI)28, индекс влажности поверхности земли (LSWI)29, были рассчитаны согласно литературным данным.

Биотический стресс

Два различных подхода, а именно индекс заболеваемости и классификация на основе глубины поглощения, использовались на участке Рупнагар для различения здоровой и пораженной ржавчиной пшеницы.Для классификации использовались такие индексы, как индекс тяжести поражения листовой ржавчиной (LRDSI) 1и 23.

Результаты и обсуждение

Оптимальный выбор диапазона

Для уменьшения размерности данных для эквивалентных мультиспектральных диапазонов AVIRIS-NG (400-2500 нм) и LISS IV, сгенерированных из AVIRIS-NG, на участке Маддур, представляющем неоднородную сельскохозяйственную территорию, был применен метод главных компонент (PCA). Как правило, первые несколько главных компонент объясняли максимальную долю изменчивости с точки зрения собственных значений в данных. Соседние гиперспектральные диапазоны волн демонстрировали шум, насыщение и избыточность данных. Таким образом, на основе анализа и изменчивости данных сделан вывод, что чем выше собственный вектор, тем выше важность диапазона. Для AVIRIS-NG и LISSIV пять и два диапазона, показывающие высокие собственные значения соответственно, были использованы для классификации типов сельскохозяйственных культур.

Выбор оптимальных диапазонов проводился с использованием методов главных компонент (PCA) и выбора диапазонов на основе DNN на участке Ананд. Три набора из 10, 25 и 50 значимых полос привели к выбору 20, 40 и 80 оптимальных полос соответственно с использованием обоих методов. Полосы, выбранные методом главных компонент (PCA), лежат в СИНЕЙ, ЗЕЛЕНОЙ, КРАСНОЙ и ближней ИК-областях, тогда как полосы, выбранные методом DNN, также находятся в коротковолновой ИК-области.

Дискриминация манго и сапоты проводилась с использованием 18 полос с высоким отношением сигнал/шум в преобразованном пространстве MNF для изображения AVIRIS NG в регионе Талала.

На участке Джагдия было проведено удаление континуума (CR) и дальнейшая нормализация для определения спектральной полосы пропускания 661–702, 947–998 нм для различения свежего и ратунского сахарного тростника. Более того, эти полосы пропускания показали максимальную различную глубину полосы поглощения во всем вегетативном спектре и отражают пигментные свойства и структуру листьев сельскохозяйственных культур.

Классификация сельскохозяйственных культур

Алгоритм SAM был применен к данным AVIRIS-NG для классификации типов сельскохозяйственных культур в однородных (участок Кота) и неоднородных (участок Джагдиа) сельскохозяйственных районах. Для этого было подготовлено 25 обучающих наборов данных с использованием спектральных данных in situ, свернутых в соответствии со спектральной шириной полосы данных AVIRIS-NG в виде областей интереса (ROI) для различных типов сельскохозяйственных культур. Полученные классифицированные изображения показали точность классификации 86,4% и 80,8% с коэффициентом каппа 0,84 и 0,77 для сельскохозяйственных участков Кота и Джагдиа соответственно, с 15 независимыми данными in situ. Классификация по типу сельскохозяйственных культур и спектральное поведение данных AVIRIS-NG и данных in situ (рис. 4, а и б) показывают, что кривизна (наклон) обоих спектров остается одинаковой для различных типов сельскохозяйственных культур, но существует разница в величине. Это может быть связано с (i) воздействием почвы на растительный полог, (ii) двумя или более сельскохозяйственными культурами в пределах одного пикселя и (iii) атмосферными колебаниями. После PCA пять из 420 каналов AVIRIS-NG и
два из трёх каналов LISS IV были выбраны для классификаци типов сельскохозяйственных культур с использованием алгоритмов SAM и MLC. Всего на основе данных in situ было создано 25 областей интереса в качестве обучающего набора данных. Классификация на основе AVIRIS-NG показала лучшую точность по сравнению с эквивалентными мультиспектральными данными LISS IV (рис. 5). Это связано с наличием специфических узких полос в AVIRIS-NG, которые содержат информацию о содержании хлорофилла, белка, лигнина, целлюлозы и азота в культуре, а также биофизическую информацию. В то время как LISS IV предоставляет информацию только в ЗЕЛЕНОМ, КРАСНОМ и ближнем ИК широких полосах и, таким образом, не может учитывать специфические для сельскохозяйственных культур биохимические и биофизические свойства. Результаты показывают, что свертка эквивалентных широкополосных данных LISS IV приводит к потере важной информации, необходимой для точного различения сельскохозяйственных культур, в то время как узкие смежные полосы данных AVIRIS-NG содержат эту важную информацию. Матрица ошибок, сгенерированная на основе классифицированного изображения AVIRIS NG и LISS IV на основе SAM с 15 независимыми in situ данными, показала точность 77,7% и 42,8% и коэффициент каппа 0,75 и 0,34 соответственно. В то время как классификация на основе MLC показала точность классификации 94,3% и 55,6%, а коэффициент каппа 0,93 и 0,46 для DNN варьировался от 93% до 98%, а средняя точность определения класса – от 88% до 97%. Максимальная средняя точность определения класса, полученная для 40 полос, составила 92% при использовании метода главных компонент (PCA) и 97% при использовании метода выбора на основе DNN. Среднее расстояние JM (1,41) между классами было выше для оптимальных полос, выбранных с помощью DNN, чем для полос, выбранных с помощью PCA. Окончательная классификация была проведена для 40 полос, выбранных с помощью метода DNN после рассмотрения тестов на точность и разделимость. На рисунке 6 показано классифицированное изображение. С помощью этого алгоритма классификации была проведена идентификация пшеницы на вегетативной и мягкой стадиях созревания, табака на вегетативной и пиковой стадиях развития, клещевины, льна и кустарников, сухих и влажных паровых земель. Неправильно идентифицированные объекты были отмечены как неклассифицированные пиксели. Матрица ошибок, сгенерированная из обучающих классов, дала общую точность 95% и среднюю точность классов 93% с коэффициентом каппа 0,94. Валидация классифицированных пикселей проводилась путем сопоставления их спектральных профилей с соответствующими эталонами. На рисунке 7 показаны классифицированные пиксели и их эталонные профили.

Различные алгоритмы классификации были использованы для классификации однородных садовых культур в регионе Талала, используя 20 данных in situ в качестве обучающего набора данных и 15 независимых наборов данных для оценки точности. Как MLC, так и SVM обеспечили точность классификации почти 86% (86,64% для MLC и 85,02% для SVM), а также дискриминацию манго и сапоты (данные наземного тестирования) около 100% (за исключением сапоты с использованием SVM). Точность классификации, полученная при применении SAM к данным AVIRIS NG всех каналов, также была выше, чем для многоспектрального изображения LISS-IV, как и ожидалось. Применение классификатора SAM к данным AVIRIS-NG всех каналов обеспечило точность классификации около 72%. В таблице 2 показана межвидовая точность перекрестной классификации между манго и сапотой. Отчетливо видно, что перекрестная классификация для изображения AVIRIS-NG значительно выше, чем для данных LISS IV, что подчеркивает эффективность использования гиперспектральных данных по сравнению с мультиспектральными данными. На рисунке 8 показана классифицированная карта (только классы растительности), созданная с использованием MLC по 18 каналам данных AVIRIS-NG с высоким SNR в преобразованном пространстве MNF. Она демонстрирует высокую точность классификации и точность пользователя с минимальным смешиванием классов манго и сапоты. На участке Джагдия для различения свежего и ратунского сахарного тростника использовались иерархическое дерево решений и континуум удаленные глубины поглощения. Для обучения и проверки было использовано 15 и 10 наборов данных in situ соответственно. В иерархическом дереве решений использовались NDVI, WBI и NDII. Пороговые значения этих индексов были получены на основе данных in situ. Эти индексы адекватны для описания биохимических или биофизических взаимодействий между светом и веществом и обладают потенциалом для различения типов сельскохозяйственных культур. Выявленные спектральные полосы, основанные на глубинах поглощения, рассчитанных путем нормализации континуального анализа (660–702 нм и 947–998 нм), использовались для различения свежего и ратунского сахарного тростника. Полосы, демонстрирующие максимальную разницу в глубинах поглощения, были выбраны для анализа различения. Оценка спектральной подгонки с независимыми наборами данных показала максимальное значение 0,87 и 0,75 для ратуна и свежего сахарного тростника соответственно для глубин поглощения в спектральных полосах между 947 и 998 нм (рисунок 9).

Получение параметров сельскохозяйственных культур

На рисунках 10 a и b показана одномерная чувствительность модели переноса излучения пологом к LAI и Cab соответственно. Здесь для анализа чувствительности были рассмотрены типичные средние значения параметров по наблюдениям на участке Кота. LAI и Cab варьировались от фиксированного значения 2,5 и 30 мкг/см с шагом 0,5 и 5 соответственно. Отражательная способность в видимом и ближнем инфракрасном диапазонах варьировалась от –28% до 40% и от –8% до 16% соответственно для различных интервалов LAI. Cab проявила чувствительность только к видимому диапазону, а отклонение от его фиксированного значения дало вариацию от –90% до 56% отражательной способности. Анализ показал, что все видимые и ближние инфракрасные диапазоны чувствительны к LAI и Cab, и их флуктуации можно было уловить с помощью моделированных значений отражательной способности. Метод декорреляции показал, что десять спектральных полос имели максимальную декорреляцию в диапазоне 400–1000 нм. Среди них шесть (451, 551, 677, 797, 857, 882 нм) и четыре (451, 551, 656, 677 нм) узких полосы AVIRIS-NG, демонстрирующих максимальную чувствительность к LAI и содержанию хлорофилла, были выбраны для определения этих параметров. Модель запускалась в прямом режиме путем интегрирования соответствующих полос AVIRIS-NG для определения LUT для LAI и Cab для выбранных полос отдельно. Определение LAI и Cab осуществлялось путем инверсии коэффициентов отражения AVIRIS-NG с использованием полученной LUT. Значения LAI и Cab были получены на неоднородной сельскохозяйственной территории Джагдии, охватывающей такие культуры, как пшеница, сахарный тростник, банан, лук и голубиный горох. На участке Джагдии 50% сельскохозяйственных площадей занимают пшеница и сахарный тростник. Значения LAI и Cab варьировались от 1 до 5 и от 5 до 40 мкг/см2 соответственно (рисунок 11b и c). Проверка данных in situ показала отклонение на 27,5% и 29,54% от среднего значения для LAI и Cab соответственно (рисунок 12) для различных типов сельскохозяйственных культур. Значения LAI и Cab также были получены на однородной сельскохозяйственной территории Кота, охватывающей такие культуры, как пшеница, горчица, фасоль, чеснок, пажитник, кориандр, горох и лук. В Коте посевы пшеницы занимают около 70%, а 30% занимают другие культуры. Значения LAI и Cab варьировались от 1 до 7 и от 10 до 50 мкг/см2 соответственно (рис. 11, e и f). Проверка данных in situ показала отклонение от средних значений LAI и Cab на 19,75% и 23,05% соответственно (рис. 12). Среднеквадратическая ошибка и процент отклонения от среднего значения были высокими в неоднородной сельскохозяйственной зоне из-за низкой плотности полога, что приводило к смешиванию фоновой отражательной способности почвы с культурой и более чем одной культурой в пределах одного пикселя.

Для определения корреляции между измеренным содержанием азота в культуре N на участке Ананд и индексами узкой полосы пропускания из AVIRIS была рассчитана корреляция NG. Корреляция с различными индексами варьировалась от –0,3 до 0,44. Наибольшая корреляция 0,44 была обнаружена с индексом фотохимического отражения (PRI), за которым следовал нормализованный разностный индекс азота (NDNI; 0,4). NDWI и индекс отражения каротиноидов (CRIndex) 1 и 2 показали отрицательную корреляцию. Эти индексы были далее использованы для разработки многомерной модели, которая дала R2 = 0,81. Валидация с независимым набором данных показала R2 = 0,71. Структура модели представлена ​​в уравнении (2). Содержание азота в растениях (%) = a1*X1 + a2*X2+ ⋅⋅⋅ + a12*X12, (2) где X1 — NDVI, X2 — SRI (индекс простого отношения)37; X3 — EVI (усиленный вегетационный индекс)38, X4 — SRI (индекс красной границы) ARVI40, X6 — индекс красной границы Фогельмана — 1 (ссылка 41), X7 — REPI (индекс положения красной границы)42, X8 — PRI, X9 — NDNI, X10 — CRIndex1, X11 — CRIndex2 и X12 — NDWI. a1, a2,…, a12 — коэффициенты X1, X2,… X12. Вышеуказанная модель была применена к 12 индексам для создания пространственной карты содержания азота в растениях на основе данных AVIRIS (рисунок 13). Содержание азота в растениях разных культур варьировалось от 0,5% до 4% от сухой массы растения.

Абиотический стресс

В районе Нагарджуна Сагар пересаженное рисовое поле (заболоченное) имело самый низкий NDVI; однако оно имело самые высокие значения всех индексов влажности. Чтобы отразить непрерывное изменение индексов влажности для данного NDVI, был выбран участок исследуемой территории, который демонстрировал широкий диапазон условий влажности и растительного покрова. Соответствующие значения NDVI были нанесены на график в зависимости от WBI, NDWI, NDII и LSWI (рисунок 14 а). Форма диаграммы рассеяния между NDVI и индексами влажности была похожа на треугольное пространство LST и NDVI. В треугольниках NDII NDVI наклон влажной и сухой границы был намного круче, чем у влажной границы LSWI–NDWI. Это может быть связано с ограничениями LSWI в смешивании отклика между влажной поверхностью и здоровой культурой. В данном исследовании треугольник NDVI NDII использовался на всех стадиях развития культуры для различения влажных и здоровых культур. Наземные наблюдения показали, что WBI и NDWI были более чувствительны к содержанию влаги в почве по сравнению с содержанием влаги в растениях при различных значениях NDVI. Нормализация этих индексов проводилась путем расчета WCI. Одним из важных предположений при оценке WCI является то, что влажность почвы и влажность растительности являются основными факторами, влияющими на вариабельность всех WIx. Сухие и влажные границы были рассчитаны с использованием диаграмм рассеяния NDVI и WIx. Используя влажную и сухую границы с текущими значениями NDVI, вычисляется WCI для исследуемой территории. Основное преимущество расчета WCI заключается в приведении четырех индексов к единой шкале (рисунок 14 б). Среди индексов влажности (WCI) метод WCI-LSWI смог объяснить изменения от сухих почвенных/сельскохозяйственных условий до влажной насыщенной почвы и здоровых сельскохозяйственных условий. Использование WCI помогло преодолеть насыщение WBI и NDWI при более высоком NDVI. Этот метод также помог отличить здоровые сельскохозяйственные культуры от стрессированных культур на пике вегетации. LSWI показал всю площадь как здоровую сельскохозяйственную площадь, как показано на рисунке 15, хотя она состоит из здоровых сельскохозяйственных культур и орошаемых паровых полей. Низкие значения WCILSWI (рисунок 15 c) указывают на то, что часть сельскохозяйственных культур находится в стрессовом состоянии, в то время как небольшая часть здорова. Окружающее поле влажного пара показало высокое значение WCILSWI и позволило различить все четыре случая состояния увлажнения, такие как сухой пар, влажный пар, здоровая культура и стрессированная культура.

Биотический стресс

Пороговые значения индексов болезни LRDSI-1 и LRDSI-2 в диапазоне 7,5–7,9 и 8–8,4 соответственно, полученные из наземных спектров, были использованы для различения поражённых жёлтой ржавчиной посевов пшеницы на участке Рупнагар. Кроме того, после удаления континуума глубина полосы поглощения из наземных спектров и спектров AVIRIS-NG показала, что две характерные спектральные области, по одной в видимом (662- 702 нм) и коротковолновом ИК-диапазоне (2155–2175 нм), способны различить поражённые посевы (рисунок 16 а). Для видимого диапазона 0,25- 0,35; 0,20–0,23 и коротковолнового ИК-диапазона 0,07–0,14; 0,03–0,06, были выбраны глубины поглощения для здоровых и поражённых болезнями посевов соответственно. На основе глубины поглощения было построено пространственное распределение здоровых и пораженных болезнью посевов пшеницы (рисунок 16 б). Спектры наземного и классифицированного изображений использовались для расчета оценки соответствия путем подгонки спектральных характеристик. Результаты показали, что здоровые и пораженные желтой ржавчиной посевы пшеницы получили оценку 0,91 и 0,93 соответственно для классификации по глубине полосы. В некоторых исследованиях также сообщалось, что посевы, пораженные пшеничной тлей, имеют низкую отражательную способность в ближнем инфракрасном диапазоне и высокую в видимом по сравнению со здоровыми посевами и специфическими центрами полос на 694 нм и 800 нм соответственно.

Заключение

В данном исследовании изучалась эффективность использования гиперспектральных узкополосных данных AVIRIS-NG во многих сельскохозяйственных применениях, таких как различение типов культур, получение биофизических и биохимических параметров культур, а также оценка стрессового состояния культур. Эффективность гиперспектральных данных различалась в зависимости от гомогенных и гетерогенных сельскохозяйственных систем. Низкая точность в гетерогенных сельскохозяйственных районах при различении и получении параметров культур была обусловлена ​​низкой долей культур или перекрытием
двух культур в пределах одного пикселя, что приводило к смешиванию спектральной сигнатуры почвенного фона и других культур с доминирующей целевой культурой в более мелком пространственном масштабе. Это дополнительно изменяет уникальный спектральный сигнал конкретной культуры и снижает точность классификации. В будущем моделирование
субпиксельной гетерогенности с использованием линейного и нелинейного подходов повысит точность классификации45. Исследование ясно показало, что гиперспектральные данные обеспечивают лучшую точность классификации по сравнению с мультиспектральными данными LISS IV в различных сельскохозяйственных условиях. Отмечено, что многомерная природа гиперспектральных данных накладывает множество ограничений на контролируемые классификаторы, например, ограниченную доступность обучающих выборок, поскольку для получения статистически надежных результатов объем обучающих данных, необходимых для их поддержки, часто растет экспоненциально с ростом размерности. Таким образом, методы редукции данных, такие как PCA, MNF и DNN, обеспечивают лучшую точность классификации сельскохозяйственных культур. Прямая и обратная модели переноса излучения пологом с использованием AVIRIS NG повышают точность определения LAI и Cab для различных типов сельскохозяйственных культур. Содержание азота в растениях также показало хорошую точность определения с помощью многомерного линейного моделирования конкретных гиперспектральных индексов узкой полосы пропускания. Уникальные характеристики индексов узкой полосы и особенности поглощения в конкретных полосах были использованы для различения биотических и абиотических стрессов. Измерения с помощью AVIRIS-NG в более мелком масштабе позволили получить уникальные характеристики поглощения биохимии сельскохозяйственных культур. Аэрофотометрические измерения в значительной степени сохраняют вариации формы спектра, обусловленные биохимическими компонентами каждого типа сельскохозяйственных культур, и, следовательно, могут быть использованы для различения типов сельскохозяйственных культур и получения биофизических и биохимических данных. Несмотря на многообещающие результаты, полученные в данном исследовании, все еще остаются существенные проблемы для широкого применения визуализирующей спектроскопии для количественного определения всех важных пигментов сельскохозяйственных культур, ответственных за рост и развитие сельскохозяйственных культур. Количественное определение этих пигментов или биохимических компонентов
откроет путь для различения типа сельскохозяйственных культур и различных стрессов.

Ссылки

1. Thenkabail, P. S., Enclona, E. A., Ashton, M. S. and Van Der
Meer, V., Accuracy assessments of hyperspectral waveband
performance for vegetation analysis applications. Remote Sensing
Environ., 2004, 91, 354–376.
2. Meerdink, S. K. et al., Linking seasonal foliar traits to VSWIR-
TIR spectroscopy across California ecosystems. Remote Sensing
Environ., 2016, 186, 322–338.
3. Gitelson, A., In Hyperspectral Remote Sensing of Vegetation (eds
Thenkabail, P. S., Lyon, G. J. and Huete, A.), CRC Press-Taylor
and Francis Group, Boca Raton, FL, USA, 2011, pp. 141–166.
4. Ozdogan, M. and Woodcock, C. E., Resolution dependent error in
remote sensing of cultivated areas. Remote Sensing Environ.,
2006, 103, 203–217.
5. Asner, G. P. and Martin, R. E., Spectral and chemical analysis of
tropical forests: scaling from leaf to canopy levels. Remote Sens-
ing Environ., 2008, 112, 3958–3970.
6. Jacquemoud, S., Baret, F., Andrieu, B., Danson, F. M. and
Jaggard, K., Extraction of vegetation biophysical parameters by
Inversion of the PROSPECT + SAIL models on sugar beet canopy
reflectance data. Application to TM and AVIRIS sensors. Remote
Sensing Environ., 1995, 52, 63–172.
7. Zarco-Tajada, P. J., Guillin-Climent, M. L., Hernandez-Clemente,
R. and Catalina, A., Estimating leaf carotenoid content in
vineyards using high resolution hyperspectral imaging acquired
from an unmanned aerial vehicle (UAV). Agric. For. Met., 2013,
17, 281–294.
8. Green, R. O. et al., Imaging spectroscopy and the airborne visi-
ble/infrared imaging spectrometer (AVIRIS). Remote Sensing
Environ., 1998, 65, 227–248.
9. Turner, D. P., Ollinger, S., Smith, M.-L., Krankina, O. and Gre-
gory, M., Scaling net primary production to a MODIS footprint in
support of Earth observing system product validation. Int. J.
Remote Sensing, 2004, 25, 1961–1979.
10. Bremner, J. M., Determination of nitrogen in soil using Kjeldahl
method. J. Agric. Sci., 1960, 55, 11–38.
11. Aguilar, M. A., Saldaña, M. M. and Aguilar, F. J., GeoEye-1 and
WorldView-2 pan-sharpened imagery for object-based classifica-
tion in urban environments. Int. J. Remote Sensing, 2012, 34,
2583–2606.
12. Yonezawa, C., Maximum likelihood classification combined with
spectral angle mapper algorithm for high resolution satellite
imagery. Int. J. Remote Sensing, 2007, 28, 3729–3737.
13. Paola, J. D. and Schowengerdt, R. A., A review and analysis of
backpropagationneural networks for classification of remotely
sensed multi-spectral imagery. Int. J. Remote Sensing, 1995, 16,
3033–3058.
14. Vapnik, V. N., The Nature of Statistical Learning Theory,
Springer Verlag, New York, USA, 1995.
15. Melgani, F. and Bruzzone, L., Classification of hyperspectral
remote sensing images with support vector machine. IEEE Trans.
Geosci. Remote Sensing, 2004, 8, 1778–1790.
16. Krebel, U., Pairwise classification and support vector machines. In
Advances in Kernel Methods-Support Vector Learning (eds
Schӧlkopf, B., Burges, C. J. C. and Smola, A. J.), The MIT Press,
Cambridge, MA, USA, 1999, pp. 255–268.
17. Green, A. A., Berman, M., Switzer, P. and Craig, M. D., A trans-
formation for ordering multispectral data in terms of image quality
with implications for noise removal. IEEE Trans. Geosci. Remote
Sensing, 1988, 26, 65–74.
18. Singh, A. and Harrison, A., Standardized principal components.
Int. J. Remote Sensing, 1985, 6, 883–896.
19. Friedl, M. A. and Brodley, C. E., Decision tree classification of
land cover from remotely sensed data. Remote Sensing Environ.,
1997, 61, 399–409.
20. Clark, R. N. et al., Imaging spectroscopy: earth and planetary re-
mote sensing with the USGS tetracorder and expert systems. J.
Geophys. Res., 2003, 108, 5131; doi:10.1029/2002JE001847.
21. Chen, Y., Lin, Z., Zhao, X., Wang, G. and Gu, Y., Deep learning-
based classification of hyperspectral data. IEEE J. Appl. Earth
Obs. Remote Sensing, 2014, 6, 2094–2107.
22. Kussul, N., Lavreniuk, M., Skakun, S. and Shelestov, A., Deep
learning classification of land cover and crop types using
remote sensing data. IEEE Geosci. Remote Sensing Lett., 2017,
doi:10.1109/LGRS.
23. Jacquemoud, S. et al., PROSPECT + SAIL models: areview of
use for vegetation characterization. Remote Sensing Environ.,
2009, 113, S56–S66.
24. Barker, D. M., Huang, W., Guo, Y. R., Bourgeois, A. J. and Xiao,
Q. N., A three-dimensional variational data assimilation system
for MM5: implementation and initial results. Mon. Weather Rev.,
2004, 132, 897–914.
25. Rouse, J. W., Has, R. H., Schell, J. A., Deering, D. W. and Harlan,
J. C., Monitoring the vernal advancement of retrodegradation of
natural vegetation, NASA/GSFC, Type III, Final report, Green-
belt, MD, 1974, p. 371; Rouse, J. W., Haas, R. S., Schell, J. A. and
Deering, D. W., Monitoring vegetation systems in the Great Plains
with ERTS. In Proceedings, 3rd Earth Resources Technology Sa-
tellite Symposium, 1973, vol. 1, pp. 48–623.
26. Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J. and Field,
C. B., Reflectance indices associated with physiological changes
in nitrogen and water limited sunflower leaves. Remote Sensing
Environ., 1994, 48, 135–146.
27. Hardisky, M. A., Klemas, V. and Smart, R. M., The influences of
soil salinity, growth form, and leaf moisture on the spectral reflec-
tance of Spartina alterniflora canopies. Photogramm. Eng. Remote
Sensing, 1983, 49, 77–83.
28. Gao, B.-C., NDWI – a normalized difference water index for re-
mote sensing of vegetation liquid water from space. Remote Sens-
ing Environ., 1996, 58, 257–266.
29. Chen, D., Huang, J. and Jackson, T. T., Vegetation water content
estimation for corn and soybeans using spectral indices derived
from MODIS near- and short-wave infrared bands. Remote Sens-
ing Environ., 2005, 98, 225–236.
30. Ashourloo, D., Mobasheri, M. R. and Huete, A., Developing two
spectral disease indices for detection of wheat leaf rust (Puccinia
triticina). Remote Sensing, 2014, 6, 4723–4740.
31. Bolstad, P. V. and Lillesand, T. M., Semi-automated training
approaches for spectral class definition. Int. J. Remote Sensing,
1991, 13, 3157–3166.
32. Clark, M. L., Comparison of simulated hyperspectral HyspIRI and
multispectral Landsat 8 and Sentinel-2 imagery for multi-seasonal
1. Thenkabail, P. S., Enclona, E. A., Ashton, M. S. and Van Der
Meer, V., Accuracy assessments of hyperspectral waveband
performance for vegetation analysis applications. Remote Sensing
Environ., 2004, 91, 354–376.
2. Meerdink, S. K. et al., Linking seasonal foliar traits to VSWIR-
TIR spectroscopy across California ecosystems. Remote Sensing
Environ., 2016, 186, 322–338.
3. Gitelson, A., In Hyperspectral Remote Sensing of Vegetation (eds
Thenkabail, P. S., Lyon, G. J. and Huete, A.), CRC Press-Taylor
and Francis Group, Boca Raton, FL, USA, 2011, pp. 141–166.
4. Ozdogan, M. and Woodcock, C. E., Resolution dependent error in
remote sensing of cultivated areas. Remote Sensing Environ.,
2006, 103, 203–217.
5. Asner, G. P. and Martin, R. E., Spectral and chemical analysis of
tropical forests: scaling from leaf to canopy levels. Remote Sens-
ing Environ., 2008, 112, 3958–3970.
6. Jacquemoud, S., Baret, F., Andrieu, B., Danson, F. M. and
Jaggard, K., Extraction of vegetation biophysical parameters by
Inversion of the PROSPECT + SAIL models on sugar beet canopy
reflectance data. Application to TM and AVIRIS sensors. Remote
Sensing Environ., 1995, 52, 63–172.
7. Zarco-Tajada, P. J., Guillin-Climent, M. L., Hernandez-Clemente,
R. and Catalina, A., Estimating leaf carotenoid content in
vineyards using high resolution hyperspectral imaging acquired
from an unmanned aerial vehicle (UAV). Agric. For. Met., 2013,
17, 281–294.
8. Green, R. O. et al., Imaging spectroscopy and the airborne visi-
ble/infrared imaging spectrometer (AVIRIS). Remote Sensing
Environ., 1998, 65, 227–248.
9. Turner, D. P., Ollinger, S., Smith, M.-L., Krankina, O. and Gre-
gory, M., Scaling net primary production to a MODIS footprint in
support of Earth observing system product validation. Int. J.
Remote Sensing, 2004, 25, 1961–1979.
10. Bremner, J. M., Determination of nitrogen in soil using Kjeldahl
method. J. Agric. Sci., 1960, 55, 11–38.
11. Aguilar, M. A., Saldaña, M. M. and Aguilar, F. J., GeoEye-1 and
WorldView-2 pan-sharpened imagery for object-based classifica-
tion in urban environments. Int. J. Remote Sensing, 2012, 34,
2583–2606.
12. Yonezawa, C., Maximum likelihood classification combined with
spectral angle mapper algorithm for high resolution satellite
imagery. Int. J. Remote Sensing, 2007, 28, 3729–3737.
13. Paola, J. D. and Schowengerdt, R. A., A review and analysis of
backpropagationneural networks for classification of remotely
sensed multi-spectral imagery. Int. J. Remote Sensing, 1995, 16,
3033–3058.
14. Vapnik, V. N., The Nature of Statistical Learning Theory,
Springer Verlag, New York, USA, 1995.
15. Melgani, F. and Bruzzone, L., Classification of hyperspectral
remote sensing images with support vector machine. IEEE Trans.
Geosci. Remote Sensing, 2004, 8, 1778–1790.
16. Krebel, U., Pairwise classification and support vector machines. In
Advances in Kernel Methods-Support Vector Learning (eds
Schӧlkopf, B., Burges, C. J. C. and Smola, A. J.), The MIT Press,
Cambridge, MA, USA, 1999, pp. 255–268.
17. Green, A. A., Berman, M., Switzer, P. and Craig, M. D., A trans-
formation for ordering multispectral data in terms of image quality
with implications for noise removal. IEEE Trans. Geosci. Remote
Sensing, 1988, 26, 65–74.
18. Singh, A. and Harrison, A., Standardized principal components.
Int. J. Remote Sensing, 1985, 6, 883–896.
19. Friedl, M. A. and Brodley, C. E., Decision tree classification of
land cover from remotely sensed data. Remote Sensing Environ.,
1997, 61, 399–409.
20. Clark, R. N. et al., Imaging spectroscopy: earth and planetary re-
mote sensing with the USGS tetracorder and expert systems. J.
Geophys. Res., 2003, 108, 5131; doi:10.1029/2002JE001847.
21. Chen, Y., Lin, Z., Zhao, X., Wang, G. and Gu, Y., Deep learning-
based classification of hyperspectral data. IEEE J. Appl. Earth
Obs. Remote Sensing, 2014, 6, 2094–2107.
22. Kussul, N., Lavreniuk, M., Skakun, S. and Shelestov, A., Deep
learning classification of land cover and crop types using
remote sensing data. IEEE Geosci. Remote Sensing Lett., 2017,
doi:10.1109/LGRS.
23. Jacquemoud, S. et al., PROSPECT + SAIL models: areview of
use for vegetation characterization. Remote Sensing Environ.,
2009, 113, S56–S66.
24. Barker, D. M., Huang, W., Guo, Y. R., Bourgeois, A. J. and Xiao,
Q. N., A three-dimensional variational data assimilation system
for MM5: implementation and initial results. Mon. Weather Rev.,
2004, 132, 897–914.
25. Rouse, J. W., Has, R. H., Schell, J. A., Deering, D. W. and Harlan,
J. C., Monitoring the vernal advancement of retrodegradation of
natural vegetation, NASA/GSFC, Type III, Final report, Green-
belt, MD, 1974, p. 371; Rouse, J. W., Haas, R. S., Schell, J. A. and
Deering, D. W., Monitoring vegetation systems in the Great Plains
with ERTS. In Proceedings, 3rd Earth Resources Technology Sa-
tellite Symposium, 1973, vol. 1, pp. 48–623.
26. Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J. and Field,
C. B., Reflectance indices associated with physiological changes
in nitrogen and water limited sunflower leaves. Remote Sensing
Environ., 1994, 48, 135–146.
27. Hardisky, M. A., Klemas, V. and Smart, R. M., The influences of
soil salinity, growth form, and leaf moisture on the spectral reflec-
tance of Spartina alterniflora canopies. Photogramm. Eng. Remote
Sensing, 1983, 49, 77–83.
28. Gao, B.-C., NDWI – a normalized difference water index for re-
mote sensing of vegetation liquid water from space. Remote Sens-
ing Environ., 1996, 58, 257–266.
29. Chen, D., Huang, J. and Jackson, T. T., Vegetation water content
estimation for corn and soybeans using spectral indices derived
from MODIS near- and short-wave infrared bands. Remote Sens-
ing Environ., 2005, 98, 225–236.
30. Ashourloo, D., Mobasheri, M. R. and Huete, A., Developing two
spectral disease indices for detection of wheat leaf rust (Puccinia
triticina). Remote Sensing, 2014, 6, 4723–4740.
31. Bolstad, P. V. and Lillesand, T. M., Semi-automated training
approaches for spectral class definition. Int. J. Remote Sensing,
1991, 13, 3157–3166.
32. Clark, M. L., Comparison of simulated hyperspectral HyspIRI and
multispectral Landsat 8 and Sentinel-2 imagery for multi-seasonal
1. Thenkabail, P. S., Enclona, E. A., Ashton, M. S. and Van Der
Meer, V., Accuracy assessments of hyperspectral waveband
performance for vegetation analysis applications. Remote Sensing
Environ., 2004, 91, 354–376.
2. Meerdink, S. K. et al., Linking seasonal foliar traits to VSWIR-
TIR spectroscopy across California ecosystems. Remote Sensing
Environ., 2016, 186, 322–338.
3. Gitelson, A., In Hyperspectral Remote Sensing of Vegetation (eds
Thenkabail, P. S., Lyon, G. J. and Huete, A.), CRC Press-Taylor
and Francis Group, Boca Raton, FL, USA, 2011, pp. 141–166.
4. Ozdogan, M. and Woodcock, C. E., Resolution dependent error in
remote sensing of cultivated areas. Remote Sensing Environ.,
2006, 103, 203–217.
5. Asner, G. P. and Martin, R. E., Spectral and chemical analysis of
tropical forests: scaling from leaf to canopy levels. Remote Sens-
ing Environ., 2008, 112, 3958–3970.
6. Jacquemoud, S., Baret, F., Andrieu, B., Danson, F. M. and
Jaggard, K., Extraction of vegetation biophysical parameters by
Inversion of the PROSPECT + SAIL models on sugar beet canopy
reflectance data. Application to TM and AVIRIS sensors. Remote
Sensing Environ., 1995, 52, 63–172.
7. Zarco-Tajada, P. J., Guillin-Climent, M. L., Hernandez-Clemente,
R. and Catalina, A., Estimating leaf carotenoid content in
vineyards using high resolution hyperspectral imaging acquired
from an unmanned aerial vehicle (UAV). Agric. For. Met., 2013,
17, 281–294.
8. Green, R. O. et al., Imaging spectroscopy and the airborne visi-
ble/infrared imaging spectrometer (AVIRIS). Remote Sensing
Environ., 1998, 65, 227–248.
9. Turner, D. P., Ollinger, S., Smith, M.-L., Krankina, O. and Gre-
gory, M., Scaling net primary production to a MODIS footprint in
support of Earth observing system product validation. Int. J.
Remote Sensing, 2004, 25, 1961–1979.
10. Bremner, J. M., Determination of nitrogen in soil using Kjeldahl
method. J. Agric. Sci., 1960, 55, 11–38.
11. Aguilar, M. A., Saldaña, M. M. and Aguilar, F. J., GeoEye-1 and
WorldView-2 pan-sharpened imagery for object-based classifica-
tion in urban environments. Int. J. Remote Sensing, 2012, 34,
2583–2606.
12. Yonezawa, C., Maximum likelihood classification combined with
spectral angle mapper algorithm for high resolution satellite
imagery. Int. J. Remote Sensing, 2007, 28, 3729–3737.
13. Paola, J. D. and Schowengerdt, R. A., A review and analysis of
backpropagationneural networks for classification of remotely
sensed multi-spectral imagery. Int. J. Remote Sensing, 1995, 16,
3033–3058.
14. Vapnik, V. N., The Nature of Statistical Learning Theory,
Springer Verlag, New York, USA, 1995.
15. Melgani, F. and Bruzzone, L., Classification of hyperspectral
remote sensing images with support vector machine. IEEE Trans.
Geosci. Remote Sensing, 2004, 8, 1778–1790.
16. Krebel, U., Pairwise classification and support vector machines. In
Advances in Kernel Methods-Support Vector Learning (eds
Schӧlkopf, B., Burges, C. J. C. and Smola, A. J.), The MIT Press,
Cambridge, MA, USA, 1999, pp. 255–268.
17. Green, A. A., Berman, M., Switzer, P. and Craig, M. D., A trans-
formation for ordering multispectral data in terms of image quality
with implications for noise removal. IEEE Trans. Geosci. Remote
Sensing, 1988, 26, 65–74.
18. Singh, A. and Harrison, A., Standardized principal components.
Int. J. Remote Sensing, 1985, 6, 883–896.
19. Friedl, M. A. and Brodley, C. E., Decision tree classification of
land cover from remotely sensed data. Remote Sensing Environ.,
1997, 61, 399–409.
20. Clark, R. N. et al., Imaging spectroscopy: earth and planetary re-
mote sensing with the USGS tetracorder and expert systems. J.
Geophys. Res., 2003, 108, 5131; doi:10.1029/2002JE001847.
21. Chen, Y., Lin, Z., Zhao, X., Wang, G. and Gu, Y., Deep learning-
based classification of hyperspectral data. IEEE J. Appl. Earth
Obs. Remote Sensing, 2014, 6, 2094–2107.
22. Kussul, N., Lavreniuk, M., Skakun, S. and Shelestov, A., Deep
learning classification of land cover and crop types using
remote sensing data. IEEE Geosci. Remote Sensing Lett., 2017,
doi:10.1109/LGRS.
23. Jacquemoud, S. et al., PROSPECT + SAIL models: areview of
use for vegetation characterization. Remote Sensing Environ.,
2009, 113, S56–S66.
24. Barker, D. M., Huang, W., Guo, Y. R., Bourgeois, A. J. and Xiao,
Q. N., A three-dimensional variational data assimilation system
for MM5: implementation and initial results. Mon. Weather Rev.,
2004, 132, 897–914.
25. Rouse, J. W., Has, R. H., Schell, J. A., Deering, D. W. and Harlan,
J. C., Monitoring the vernal advancement of retrodegradation of
natural vegetation, NASA/GSFC, Type III, Final report, Green-
belt, MD, 1974, p. 371; Rouse, J. W., Haas, R. S., Schell, J. A. and
Deering, D. W., Monitoring vegetation systems in the Great Plains
with ERTS. In Proceedings, 3rd Earth Resources Technology Sa-
tellite Symposium, 1973, vol. 1, pp. 48–623.
26. Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J. and Field,
C. B., Reflectance indices associated with physiological changes
in nitrogen and water limited sunflower leaves. Remote Sensing
Environ., 1994, 48, 135–146.
27. Hardisky, M. A., Klemas, V. and Smart, R. M., The influences of
soil salinity, growth form, and leaf moisture on the spectral reflec-
tance of Spartina alterniflora canopies. Photogramm. Eng. Remote
Sensing, 1983, 49, 77–83.
28. Gao, B.-C., NDWI – a normalized difference water index for re-
mote sensing of vegetation liquid water from space. Remote Sens-
ing Environ., 1996, 58, 257–266.
29. Chen, D., Huang, J. and Jackson, T. T., Vegetation water content
estimation for corn and soybeans using spectral indices derived
from MODIS near- and short-wave infrared bands. Remote Sens-
ing Environ., 2005, 98, 225–236.
30. Ashourloo, D., Mobasheri, M. R. and Huete, A., Developing two
spectral disease indices for detection of wheat leaf rust (Puccinia
triticina). Remote Sensing, 2014, 6, 4723–4740.
31. Bolstad, P. V. and Lillesand, T. M., Semi-automated training
approaches for spectral class definition. Int. J. Remote Sensing,
1991, 13, 3157–3166.
32. Clark, M. L., Comparison of simulated hyperspectral HyspIRI and
multispectral Landsat 8 and Sentinel-2 imagery for multi-seasonal
1. Thenkabail, P. S., Enclona, E. A., Ashton, M. S. and Van Der
Meer, V., Accuracy assessments of hyperspectral waveband
performance for vegetation analysis applications. Remote Sensing
Environ., 2004, 91, 354–376.
2. Meerdink, S. K. et al., Linking seasonal foliar traits to VSWIR-
TIR spectroscopy across California ecosystems. Remote Sensing
Environ., 2016, 186, 322–338.
3. Gitelson, A., In Hyperspectral Remote Sensing of Vegetation (eds
Thenkabail, P. S., Lyon, G. J. and Huete, A.), CRC Press-Taylor
and Francis Group, Boca Raton, FL, USA, 2011, pp. 141–166.
4. Ozdogan, M. and Woodcock, C. E., Resolution dependent error in
remote sensing of cultivated areas. Remote Sensing Environ.,
2006, 103, 203–217.
5. Asner, G. P. and Martin, R. E., Spectral and chemical analysis of
tropical forests: scaling from leaf to canopy levels. Remote Sens-
ing Environ., 2008, 112, 3958–3970.
6. Jacquemoud, S., Baret, F., Andrieu, B., Danson, F. M. and
Jaggard, K., Extraction of vegetation biophysical parameters by
Inversion of the PROSPECT + SAIL models on sugar beet canopy
reflectance data. Application to TM and AVIRIS sensors. Remote
Sensing Environ., 1995, 52, 63–172.
7. Zarco-Tajada, P. J., Guillin-Climent, M. L., Hernandez-Clemente,
R. and Catalina, A., Estimating leaf carotenoid content in
vineyards using high resolution hyperspectral imaging acquired
from an unmanned aerial vehicle (UAV). Agric. For. Met., 2013,
17, 281–294.
8. Green, R. O. et al., Imaging spectroscopy and the airborne visi-
ble/infrared imaging spectrometer (AVIRIS). Remote Sensing
Environ., 1998, 65, 227–248.
9. Turner, D. P., Ollinger, S., Smith, M.-L., Krankina, O. and Gre-
gory, M., Scaling net primary production to a MODIS footprint in
support of Earth observing system product validation. Int. J.
Remote Sensing, 2004, 25, 1961–1979.
10. Bremner, J. M., Determination of nitrogen in soil using Kjeldahl
method. J. Agric. Sci., 1960, 55, 11–38.
11. Aguilar, M. A., Saldaña, M. M. and Aguilar, F. J., GeoEye-1 and
WorldView-2 pan-sharpened imagery for object-based classifica-
tion in urban environments. Int. J. Remote Sensing, 2012, 34,
2583–2606.
12. Yonezawa, C., Maximum likelihood classification combined with
spectral angle mapper algorithm for high resolution satellite
imagery. Int. J. Remote Sensing, 2007, 28, 3729–3737.
13. Paola, J. D. and Schowengerdt, R. A., A review and analysis of
backpropagationneural networks for classification of remotely
sensed multi-spectral imagery. Int. J. Remote Sensing, 1995, 16,
3033–3058.
14. Vapnik, V. N., The Nature of Statistical Learning Theory,
Springer Verlag, New York, USA, 1995.
15. Melgani, F. and Bruzzone, L., Classification of hyperspectral
remote sensing images with support vector machine. IEEE Trans.
Geosci. Remote Sensing, 2004, 8, 1778–1790.
16. Krebel, U., Pairwise classification and support vector machines. In
Advances in Kernel Methods-Support Vector Learning (eds
Schӧlkopf, B., Burges, C. J. C. and Smola, A. J.), The MIT Press,
Cambridge, MA, USA, 1999, pp. 255–268.
17. Green, A. A., Berman, M., Switzer, P. and Craig, M. D., A trans-
formation for ordering multispectral data in terms of image quality
with implications for noise removal. IEEE Trans. Geosci. Remote
Sensing, 1988, 26, 65–74.
18. Singh, A. and Harrison, A., Standardized principal components.
Int. J. Remote Sensing, 1985, 6, 883–896.
19. Friedl, M. A. and Brodley, C. E., Decision tree classification of
land cover from remotely sensed data. Remote Sensing Environ.,
1997, 61, 399–409.
20. Clark, R. N. et al., Imaging spectroscopy: earth and planetary re-
mote sensing with the USGS tetracorder and expert systems. J.
Geophys. Res., 2003, 108, 5131; doi:10.1029/2002JE001847.
21. Chen, Y., Lin, Z., Zhao, X., Wang, G. and Gu, Y., Deep learning-
based classification of hyperspectral data. IEEE J. Appl. Earth
Obs. Remote Sensing, 2014, 6, 2094–2107.
22. Kussul, N., Lavreniuk, M., Skakun, S. and Shelestov, A., Deep
learning classification of land cover and crop types using
remote sensing data. IEEE Geosci. Remote Sensing Lett., 2017,
doi:10.1109/LGRS.
23. Jacquemoud, S. et al., PROSPECT + SAIL models: a review of
use for vegetation characterization. Remote Sensing Environ.,
2009, 113, S56–S66.
24. Barker, D. M., Huang, W., Guo, Y. R., Bourgeois, A. J. and Xiao,
Q. N., A three-dimensional variational data assimilation system
for MM5: implementation and initial results. Mon. Weather Rev.,
2004, 132, 897–914.
25. Rouse, J. W., Has, R. H., Schell, J. A., Deering, D. W. and Harlan,
J. C., Monitoring the vernal advancement of retrodegradation of
natural vegetation, NASA/GSFC, Type III, Final report, Green-
belt, MD, 1974, p. 371; Rouse, J. W., Haas, R. S., Schell, J. A. and
Deering, D. W., Monitoring vegetation systems in the Great Plains
with ERTS. In Proceedings, 3rd Earth Resources Technology Sa-
tellite Symposium, 1973, vol. 1, pp. 48–623.
26. Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J. and Field,
C. B., Reflectance indices associated with physiological changes
in nitrogen and water limited sunflower leaves. Remote Sensing
Environ., 1994, 48, 135–146.
27. Hardisky, M. A., Klemas, V. and Smart, R. M., The influences of
soil salinity, growth form, and leaf moisture on the spectral reflec-
tance of Spartina alterniflora canopies. Photogramm. Eng. Remote
Sensing, 1983, 49, 77–83.
28. Gao, B.-C., NDWI – a normalized difference water index for re-
mote sensing of vegetation liquid water from space. Remote Sens-
ing Environ., 1996, 58, 257–266.
29. Chen, D., Huang, J. and Jackson, T. T., Vegetation water content
estimation for corn and soybeans using spectral indices derived
from MODIS near- and short-wave infrared bands. Remote Sens-
ing Environ., 2005, 98, 225–236.
30. Ashourloo, D., Mobasheri, M. R. and Huete, A., Developing two
spectral disease indices for detection of wheat leaf rust (Puccinia
triticina). Remote Sensing, 2014, 6, 4723–4740.
31. Bolstad, P. V. and Lillesand, T. M., Semi-automated training
approaches for spectral class definition. Int. J. Remote Sensing,
1991, 13, 3157–3166.
32. Clark, M. L., Comparison of simulated hyperspectral HyspIRI and
multispectral Landsat 8 and Sentinel-2 imagery for multi-seasonal
1. Thenkabail, P. S., Enclona, E. A., Ashton, M. S. and Van Der Meer, V., Accuracy assessments of hyperspectral waveband performance for vegetation analysis applications. Remote Sensing Environ., 2004, 91, 354–376.
2. Meerdink, S. K. et al., Linking seasonal foliar traits to VSWIR TIR spectroscopy across California ecosystems. Remote Sensing Environ., 2016, 186, 322–338.
3. Gitelson, A., In Hyperspectral Remote Sensing of Vegetation (eds Thenkabail, P. S., Lyon, G. J. and Huete, A.), CRC Press-Taylor and Francis Group, Boca Raton, FL, USA, 2011, pp. 141–166.
4. Ozdogan, M. and Woodcock, C. E., Resolution dependent error in remote sensing of cultivated areas. Remote Sensing Environ., 2006, 103, 203–217.
 5. Asner, G. P. and Martin, R. E., Spectral and chemical analysis of tropical forests: scaling from leaf to canopy levels. Remote Sens ing Environ., 2008, 112, 3958–3970.
6. Jacquemoud, S., Baret, F., Andrieu, B., Danson, F. M. and Jaggard, K., Extraction of vegetation biophysical parameters by Inversion of the PROSPECT + SAIL models on sugar beet canopy reflectance data. Application to TM and AVIRIS sensors. Remote Sensing Environ., 1995, 52, 63–172.
7. Zarco-Tajada, P. J., Guillin-Climent, M. L., Hernandez-Clemente, R. and Catalina, A., Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imaging acquired from an unmanned aerial vehicle (UAV). Agric. For. Met., 2013, 17, 281–294.
8. Green, R. O. et al., Imaging spectroscopy and the airborne visi ble/infrared imaging spectrometer (AVIRIS). Remote Sensing Environ., 1998, 65, 227–248.
9. Turner, D. P., Ollinger, S., Smith, M.-L., Krankina, O. and Gre gory, M., Scaling net primary production to a MODIS footprint in support of Earth observing system product validation. Int. J. Remote Sensing, 2004, 25, 1961–1979.
10. Bremner, J. M., Determination of nitrogen in soil using Kjeldahl method. J. Agric. Sci., 1960, 55, 11–38.
11. Aguilar, M. A., Saldaña, M. M. and Aguilar, F. J., GeoEye-1 and WorldView-2 pan-sharpened imagery for object-based classification in urban environments. Int. J. Remote Sensing, 2012, 34, 2583–2606.
12. Yonezawa, C., Maximum likelihood classification combined with spectral angle mapper algorithm for high resolution satellite imagery. Int. J. Remote Sensing, 2007, 28, 3729–3737.
13. Paola, J. D. and Schowengerdt, R. A., A review and analysis of backpropagation neural networks for classification of remotely sensed multi-spectral imagery. Int. J. Remote Sensing, 1995, 16, 3033–3058. 14. Vapnik, V. N., The Nature of Statistical Learning Theory, Springer Verlag, New York, USA, 1995.
15. Melgani, F. and Bruzzone, L., Classification of hyperspectral remote sensing images with support vector machine. IEEE Trans. Geosci. Remote Sensing, 2004, 8, 1778–1790.
16. Krebel, U., Pairwise classification and support vector machines. In Advances in Kernel Methods-Support Vector Learning (eds Schӧlkopf, B., Burges, C. J. C. and Smola, A. J.), The MIT Press, Cambridge, MA, USA, 1999, pp. 255–268.
17. Green, A. A., Berman, M., Switzer, P. and Craig, M. D., A trans formation for ordering multispectral data in terms of image quality with implications for noise removal. IEEE Trans. Geosci. Remote Sensing, 1988, 26, 65–74.
18. Singh, A. and Harrison, A., Standardized principal components. Int. J. Remote Sensing, 1985, 6, 883–896.
19. Friedl, M. A. and Brodley, C. E., Decision tree classification of land cover from remotely sensed data. Remote Sensing Environ., 1997, 61, 399–409.
20. Clark, R. N. et al., Imaging spectroscopy: earth and planetary re mote sensing with the USGS tetra order and expert systems. J. Geophys. Res., 2003, 108, 5131; doi:10.1029/2002JE001847.
21. Chen, Y., Lin, Z., Zhao, X., Wang, G. and Gu, Y., Deep learning based classification of hyperspectral data. IEEE J. Appl. Earth Obs. Remote Sensing, 2014, 6, 2094–2107.
22. Kussul, N., Lavreniuk, M., Skakun, S. and Shelestov, A., Deep learning classification of land cover and crop types using remote sensing data. IEEE Geosci. Remote Sensing Lett., 2017, doi:10.1109/LGRS.
23. Jacquemoud, S. et al., PROSPECT + SAIL models: a review of use for vegetation characterization. Remote Sensing Environ., 2009, 113, S56–S66.
24. Barker, D. M., Huang, W., Guo, Y. R., Bourgeois, A. J. and Xiao, Q. N., A three-dimensional variational data assimilation system for MM5: implementation and initial results. Mon. Weather Rev., 2004, 132, 897–914.
25. Rouse, J. W., Has, R. H., Schell, J. A., Deering, D. W. and Harlan, J. C., Monitoring the vernal advancement of retro degradation of natural vegetation, NASA/GSFC, Type III, Final report, Green belt, MD, 1974, p. 371; Rouse, J. W., Haas, R. S., Schell, J. A. and Deering, D. W., Monitoring vegetation systems in the Great Plains with ERTS. In Proceedings, 3rd Earth Resources Technology Sa tellite Symposium, 1973, vol. 1, pp. 48–623.
26. Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J. and Field, C. B., Reflectance indices associated with physiological changes in nitrogen and water limited sunflower leaves. Remote Sensing Environ., 1994, 48, 135–146.
27. Hardisky, M. A., Klemas, V. and Smart, R. M., The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies. Photogramm. Eng. Remote Sensing, 1983, 49, 77–83.
28. Gao, B.-C., NDWI – a normalized difference water index for re mote sensing of vegetation liquid water from space. Remote Sensing Environ., 1996, 58, 257–266.
 29. Chen, D., Huang, J. and Jackson, T. T., Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands. Remote Sens ing Environ., 2005, 98, 225–236.
 30. Ashourloo, D., Mobasheri, M. R. and Huete, A., Developing two spectral disease indices for detection of wheat leaf rust (Puccinia triticina). Remote Sensing, 2014, 6, 4723–4740.
 31. Bolstad, P. V. and Lillesand, T. M., Semi-automated training approaches for spectral class definition. Int. J. Remote Sensing, 1991, 13, 3157–3166.
32. Clark, M. L., Comparison of simulated hyperspectral HyspIRI and multispectral Landsat 8 and Sentinel-2 imagery for multi-seasonal, regional land-cover mapping. Remote Sensing Environ., 2017, 200, 311–325.
33. Gitelson, A. A., Kaufman, Y. J., Stark, R. and Rundquist, D., Novel algorithm for remote estimation of vegetation fraction. Remote Sensing Environ., 2002, 80, 76–87.
34. Gamon, J. A., Penuelas, J. and Field, C. B., A narrow-waveband spectral index that tracks diurnal changes in photosynthetic effi ciency. Remote Sensing Environ., 1992, 41, 35–44.
35. Serrano, L., Penuelas, J. and Ustin, S. L., Remote sensing of nitrogen and lignin in mediterranean vegetation from AVIRIS data: decomposing biochemical from structural signals. Remote Sensing Environ., 2002, 81, 355–364.
 36. Gitelson, A. A., Zur, Y., Chivkunova, O. B. and Merzlyak, M. N., Assessing carotenoid content in plant leaves with reflectance spec troscopy. Photochem. Photobiol., 2002, 75, 272–281.
37. Birth, G. S. and McVey, G. R., Measuring colour of growing turf with a reflectance spectrometer. Agron. J., 1968, 60, 640–649.
38. Huete, A. R., Liu, H., Batchily, K. and van Leeuwen, W., A com parison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing Environ., 1997, 59, 440–451.
39. Kaufman, Y. J. and Tanre, D., Strategy for direct and indirect methods for correcting the aerosol effect on remote sensing: from AVHRR to EOS-MODIS. Remote Sensing Environ., 1996, 55, 65–79.
 40. Sims, D. A. and Gamon, J. A., Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing Envi ron., 2002, 81, 337–354.
41. Vogelmann, J. E., Rock, B. N. and Moss, D. M., Red edge spectral measurements from sugar maple leaves. Int. J. Remote Sensing, 1993, 14, 1563–1575.
42. Curran, P. J., Windham, W. R. and Gholz, H. L., Exploring the relationship between reflectance red edge and chlorophyll concentration in slash pine leaves. Tree Physiol., 1993, 15, 203–206.
43. Sandholt, I., Rasmussen, K. and Anderson, J., A simple interpretation of the surface temperature/vegetation index space for assessment of the surface moisture status. Remote Sensing Environ., 2002, 79, 213–224.
44. Mirik, M., Michels, G. J., Kassymzhanova-Mirik, S. and Elliott, N. C., Reflectance characteristics of Russian wheat aphid (Hemip tera: Aphididae) stress and abundance in winter wheat. Comp. Electron. Agric., 2007, 57, 123–134.
 45. Xu X., Li, J., Wu, C. and Plaza, A., Regional clustering-based spatial preprocessing for hyperspectral unmixing. Remote Sensing Environ., 2018, 204, 333–346.