Последние достижения в области технологий гиперспектральной съемки и их применения в сельском хозяйстве

Бинг Лу1, Фуонг Д. Дао1 , 2, Цзянгуй Лю3, Юхонг Хэ1 ,* и Цзяли Шан3

¹Департамент географии, геоматики и окружающей среды, Университет Торонто, Миссиссога, 3359 Миссиссога-роуд, Миссиссога, ON L5L 1C6, Канада; bing.lu@mail.utoronto.ca (BL); phuong.dao@mail.utoronto.ca (PDD)
²Школа окружающей среды, Университет Торонто, 33 Willcocks Street, Торонто, ON M5S 3E8, Канада
³Сельское хозяйство и агропродовольствие Канады, 960 Carling Avenue, Оттава, ON K1A 0C6, Канада; jiangui.liu@canada.ca (JL); jiali.shang@Canada.ca (JS)

*Адрес для переписки: yuhong.he@utoronto.ca.

Поступила: 12 июля 2020 г.; Принято: 16 августа 2020 г.; Опубликовано: 18 августа 2020 г.

Аннотация: Дистанционное зондирование является полезным инструментом для мониторинга пространственно-временных изменений морфологического и физиологического состояния сельскохозяйственных культур и поддержки методов точного земледелия. По сравнению с мультиспектральной визуализацией, гиперспектральная визуализация представляет собой более совершенный метод, позволяющий получить детальный спектральный отклик целевых объектов. Из-за ограниченной доступности за пределами научного сообщества гиперспектральные изображения не нашли широкого применения в точном земледелии. В последние годы были разработаны различные миниатюрные и недорогие бортовые гиперспектральные датчики (например, Headwall Micro-Hyperspec, Cubert UHD 185-Firefly), а также были или будут запущены в эксплуатацию усовершенствованные космические гиперспектральные датчики (например, PRISMA, DESIS, EnMAP, HyspIRI). Гиперспектральные изображения становятся все более доступными для сельскохозяйственных приложений. Между тем, получение, обработка и анализ гиперспектральных изображений по-прежнему остаются сложной темой исследований (например, большой объем данных, высокая размерность данных и сложный анализ информации). Следовательно, полезно провести тщательный и углубленный обзор технологии гиперспектральной съемки (например, различных платформ и датчиков), методов, доступных для обработки и анализа гиперспектральной информации, а также последних достижений гиперспектральной визуализации в сельскохозяйственном применении. Таким образом, были рассмотрены публикации за последние 30 лет, посвященные технологии гиперспектральной визуализации и ее применению в сельском хозяйстве. Были обсуждены платформы и датчики визуализации, а также аналитические методы, используемые в литературе. Также оценивались возможности гиперспектральной визуализации для различных приложений (например, картирование биофизических и биохимических свойств сельскохозяйственных культур, характеристик почвы и классификации сельскохозяйственных культур). Этот обзор призван помочь исследователям и практикам в области сельского хозяйства лучше понять сильные стороны и ограничения гиперспектральной визуализации для сельскохозяйственных приложений и способствовать внедрению этой ценной технологии. Также представлены рекомендации по будущим исследованиям гиперспектральной визуализации для точного земледелия.

Ключевые слова: точное земледелие; дистанционное зондирование; гиперспектральная съемка; платформы и датчики; аналитические методы; свойства урожая; характеристики почвы; классификация сельскохозяйственных особенностей.

1. Введение

Мировой сельскохозяйственный сектор сталкивается с растущими проблемами, вызванными рядом стрессовых факторов, включая быстро растущее население, истощение природных ресурсов, загрязнение окружающей среды, болезни сельскохозяйственных культур и изменение климата. Точное земледелие является многообещающим подходом к решению этих проблем посредством совершенствования методов ведения сельского хозяйства, например, адаптивных ресурсов (например, воды и удобрений), гарантированных результатов (например, урожайности и биомассы) и снижения воздействия на окружающую среду. Дистанционное зондирование способно выявлять изменчивость почв и сельскохозяйственных культур внутри поля и предоставлять полезную информацию для методов управления на конкретном участке [1,2]. Существует два типа технологий дистанционного зондирования с учетом источника энергии: пассивное (например, оптическое) и активное дистанционное зондирование (например, LiDAR и радар). Пассивное оптическое дистанционное зондирование обычно разделяют на две группы в зависимости от спектрального разрешения датчиков: мультиспектральное и гиперспектральное дистанционное зондирование.3]. Мультиспектральная визуализация облегчается путем получения спектральных сигналов в нескольких дискретных полосах, каждая из которых охватывает широкий спектральный диапазон от десятков до сотен нанометров. Напротив, гиперспектральная визуализация обнаруживает спектральные сигналы в серии непрерывных каналов с узкой спектральной полосой пропускания (например, обычно ниже 10 нм); следовательно, он может фиксировать мелкомасштабные спектральные характеристики целей, которые в противном случае могли бы быть скомпрометированы [4].

Мультиспектральные изображения (например, изображения Landsat, Sentinel 2 и SPOT) широко использовались в сельскохозяйственных исследованиях для получения различных характеристик сельскохозяйственных культур и почвы, таких как содержание хлорофилла в сельскохозяйственных культурах, биомасса, урожайность и деградация почвы.5–10]. Однако из-за ограничений спектрального разрешения точность получаемых переменных часто ограничена, и ранние сигналы стресса сельскохозяйственных культур (например, дефицит питательных веществ, болезни сельскохозяйственных культур) не могут быть эффективно и своевременно обнаружены.11]. Гиперспектральные изображения (например, Hyperion, CASI и Headwall Micro-Hyperspec) с сотнями каналов позволяют получить более подробные спектральные характеристики; следовательно, он более способен обнаруживать тонкие изменения напочвенного покрова и их изменения с течением времени. Таким образом, гиперспектральные изображения могут быть использованы для решения вышеупомянутых проблем и облегчения более точного и своевременного определения физиологического состояния сельскохозяйственных культур.12,13]. Предыдущие исследования также продемонстрировали превосходство гиперспектральных изображений по сравнению с мультиспектральными при мониторинге свойств растительности, таких как оценка индекса площади листьев (LAI).14], различие типов культур [15], получение биомассы сельскохозяйственных культур [16] и оценка содержания азота в листьях [17]. Несмотря на свои выдающиеся характеристики, гиперспектральная визуализация в последние несколько десятилетий сравнительно меньше использовалась в сельскохозяйственных приложениях из-за высокой стоимости датчиков и миссий по получению изображений, а также различных технических проблем (например, низкое соотношение сигнал/шум и большие объемы данных) [18–21]. Хотя наземные данные гиперспектрального отражения можно быстро измерить с помощью спектрорадиометра (например, ASD Field Spec, Analytical Spectral Devices Inc., Боулдер, Колорадо, США) и они широко используются для наблюдения спектральных особенностей на уровне кроны и листвы [22–24], такие наземные измерения ограничены несколькими полевыми площадками и не могут уловить пространственную изменчивость на больших территориях. Напротив, гиперспектральные датчики изображения более удобны для получения пространственной изменчивости спектральной информации в регионе.

В последние годы был разработан и доступен для коммерческого использования широкий спектр миниатюрных и недорогих гиперспектральных датчиков, таких как Micro- и Nano-Hyperspec (Headwall Photonics Inc., Бостон, Массачусетс, США), HySpex VNIR. (HySpex, Skedsmo, Skjetten, Норвегия) и FireflEYE (Cubert GmbH, Ульм, Германия) [11,25]. Эти датчики могут быть установлены на пилотируемых или беспилотных бортовых платформах (например, самолетах, вертолетах и ​​беспилотных летательных аппаратах (БПЛА)) для получения гиперспектральных изображений и поддержки различных задач мониторинга [13,26,27]. Кроме того, недавно были запущены новые космические гиперспектральные датчики, такие как DESIS, запущенный в 2018 году.28] — и PRISMA — запущены в 2019 году [29] — или будет запущен в ближайшие несколько лет, как, например, EnMAP, запуск запланирован на 2020 год [30,31]. В целом становится доступным все больше гиперспектральных изображений с воздуха или из космоса, что открывает беспрецедентные возможности для лучшего мониторинга наземных целей, особенно для лучшего исследования изменчивости сельскохозяйственных культур и почвы и поддержки точного земледелия. Поэтому был проведен поиск литературы, чтобы выяснить, были ли опубликованы в последние годы дополнительные исследования по использованию гиперспектральной визуализации в сельскохозяйственных целях. И Web of Science, и Google Scholar использовались для поиска литературы по темам или ключевым словам, включая гиперспектральную визуализацию, сельское хозяйство или фермерство, а также публикаций за 30-летний период (с 1990 по 2020 год). Результаты поиска были дополнительно проверены, чтобы гарантировать, что каждая публикация попадает в сферу гиперспектральных изображений для применения в сельском хозяйстве. Было обнаружено, что в последние годы растет число публикаций, в которых гиперспектральная визуализация используется в сельскохозяйственных целях (рис.1). За последнее десятилетие было опубликовано существенно больше исследований (например, 245 статей опубликовано в 2011–2020 гг.), чем за предыдущее (например, 97 опубликовано в 2001–2010 гг.).

Рисунок 1.Количество публикаций, в которых использовалась гиперспектральная визуализация для сельскохозяйственных целей (к маю 2020 г.).

Целью данного обзора является получение, обработка и анализ гиперспектральных изображений для различных сельскохозяйственных применений. Обзор организован по следующим основным аспектам:

(1) Платформы и датчики гиперспектральной визуализации, (2) методы обработки и анализа гиперспектральных изображений и (3) применение гиперспектральных изображений в сельском хозяйстве (табл.1). Что касается платформ для получения изображений, использовались различные типы, включая спутники, самолеты, вертолеты, БПЛА с неподвижным крылом, мультироторные БПЛА и платформы ближнего действия (например, наземные или лабораторные). Эти платформы получают изображения с разным пространственным охватом, пространственным разрешением, временным разрешением, операционной сложностью и стоимостью миссии. Будет полезно обобщить различные платформы с точки зрения этих функций, чтобы облегчить выбор подходящей платформы для различных целей мониторинга. После получения необработанных гиперспектральных изображений предварительная обработка является первым шагом для получения точной спектральной информации. Во время предварительной обработки необходимо выполнить несколько процедур (обычно реализуемых в специализированном программном обеспечении дистанционного зондирования), включая радиометрическую калибровку, спектральную коррекцию, атмосферную коррекцию и геометрическую коррекцию. Хотя это стандартные этапы обработки для большинства спутниковых изображений, их по-прежнему может быть сложно выполнить на многих аэроспектральных изображениях из-за различных технических проблем (например, требования высокоточных сигналов системы глобального позиционирования (GPS) для правильной геометрической коррекции, измерение солнечного сияния в реальном времени для точной спектральной коррекции). Не существует стандартизированных протоколов для всех датчиков из-за ограниченной доступности гиперспектральных изображений в прошлом и того факта, что на рынке появляются новые миниатюрные и недорогие гиперспектральные датчики от разных производителей с различными конфигурациями датчиков. В предыдущих исследованиях для решения этих проблем использовались различные подходы [12,19,32,33]. Поэтому важно пересмотреть эти подходы, чтобы поддержать других исследователей в более точной и эффективной обработке гиперспектральных изображений. После предварительной обработки, такой как калибровка и коррекция, можно выполнить извлечение спектральной информации (например, выбор полосы и уменьшение размеров) для дальнейшего повышения удобства использования гиперспектрального изображения. Техники проведения этих процедур рассматриваются в данном исследовании.

При использовании предварительно обработанных гиперспектральных изображений требуется надежный и эффективный аналитический метод для анализа огромного количества информации, содержащейся в изображениях (например, спектральных, пространственных и текстурных характеристик), и извлечения целевых свойств (например, характеристик сельскохозяйственных культур и почвы). В предыдущих исследованиях использовался набор аналитических методов, включая эмпирическую регрессию (например, линейную регрессию, частичную регрессию наименьших квадратов (PLSR) и многовариантную регрессию (MLR)), моделирование переноса излучения (RTM, например, PROSPECT и PROSAIL), машинное обучение (например, случайный лес (RF)) и глубокое обучение (например, сверточная нейронная сеть (CNN)) [34–37]. Эти методы разработаны на основе разных теорий и имеют разную эксплуатационную сложность, эффективность вычислений и точность выполнения. Поэтому важно рассмотреть сильные и слабые стороны этих методов и помочь выбрать подходящий для конкретных исследовательских целей. Используя гиперспектральную информацию, специалисты исследовали широкий спектр сельскохозяйственных особенностей. Некоторые популярные из них включают содержание воды в культурах, LAI, содержание хлорофилла и азота, вредителей и болезней, высоту растений, фенологическую информацию, влажность почвы и содержание органических веществ в почве.11,38]. Также будет полезно проанализировать характеристики гиперспектральной визуализации в этих исследованиях и дополнительно изучить потенциал этой технологии для мониторинга других сельскохозяйственных особенностей. Наконец, обсуждаются проблемы использования гиперспектральной визуализации для точного земледелия, а также будущие направления исследований. В нескольких предыдущих обзорных статьях некоторые из этих тем в той или иной степени обсуждались [11,38,39]. Более подробная информация и вклад этого обзора будут обсуждаться в каждом конкретном разделе. В целом, этот обзор направлен на изучение основных процедур получения и использования гиперспектральных изображений для различных сельскохозяйственных приложений, на дальнейшее понимание сильных и слабых сторон гиперспектральной технологии, а также на содействие более быстрому внедрению этой ценной технологии в точное земледелие.

2. Платформы и датчики гиперспектральной визуализации

Гиперспектральные датчики могут быть установлены на различных платформах, таких как спутники, самолеты, БПЛА и платформы ближнего действия, для получения изображений с различным пространственным и временным разрешением. Платформы, используемые в литературе, были идентифицированы и обобщены за годы публикации с целью найти, если таковые имеются, платформы, которые использовались чаще в определенный период времени. Результаты показаны на рисунке.2. Самолеты были наиболее широко используемыми платформами для гиперспектральной визуализации в сельском хозяйстве (рис.2). Начиная с 2001 г. каждые пять лет публиковалось около 30 статей, в которых использовались самолеты (например, 27 публикаций в 2001–2005 гг. и 38 в 2006–2010 гг.). Для сравнения, спутниковая гиперспектральная визуализация использовалась реже; за все пятилетия было опубликовано около 20 или менее статей. БПЛА являются популярными платформами для дистанционного зондирования и в последнее десятилетие широко использовались для гиперспектральных изображений в сельском хозяйстве (например, более 20 публикаций в 2011–2015 и 2016–2020 годах). Платформы ближнего действия наиболее широко использовались за последние пять лет (т. е. в 2016–2020 гг.): было опубликовано 49 (рис.2). Обзор в этом разделе структурирован на основе различных платформ, включая спутники, самолеты, БПЛА и платформы ближнего действия. В отличие от предыдущих статей, посвященных гиперспектральным платформам [20,38,39], обзор в этом разделе больше сосредоточен на последних достижениях платформ визуализации (например, БПЛА, вертолеты и устройства ближнего действия) и их применении в точном земледелии (например, классификация сорняков, мелкомасштабная оценка состояния сельскохозяйственных культур, вредителей и болезней). ).

2.1. Спутниковая гиперспектральная съемка

По сравнению с большим количеством мультиспектральных датчиков спутникового базирования (например, Landsat, SPOT, WorldView, QuickBird, Sentinel-2) гиперспектральных датчиков значительно меньше. ЭО-1 Гиперион, ПРОБА-КРИС и ТяньГонг-1 [40] — это несколько примеров доступных спутниковых гиперспектральных датчиков [20]. ЭО-1 Гиперион — наиболее широко используемый спутниковый гиперспектральный датчик для сельского хозяйства (например, более 40 публикаций). Он собирает данные в видимом, ближнем инфракрасном и коротковолновом инфракрасном диапазонах со спектральным разрешением 10 нм и пространственным разрешением 30 м. Дополнительные характеристики датчика ЭО-1 Гиперион приведены в таблице.2. Датчик находился в эксплуатации с 2000 по 2017 год, что соответствует периоду, когда было больше публикаций с использованием спутниковых гиперспектральных изображений (например, с 2006 по 2020 год на рисунке).2). Об использовании данных Hyperion сообщалось в разнообразных сельскохозяйственных исследованиях для мониторинга различных свойств сельскохозяйственных культур и почв, включая выявление болезней сельскохозяйственных культур [41,42], оценку свойств сельскохозяйственных культур (например, хлорофилл, LAI, биомасса) [43–45], оценку пожнивных остатков [46,47], классифицируя виды сельскохозяйственных культур [48] и исследование особенностей почвы [49,50]. Некоторые из них включают Wu et al. [45], которые оценили содержание хлорофилла в растительности и LAI на смешанных сельскохозяйственных полях, используя данные Hyperion, и оценили спектральные полосы, чувствительные к этим свойствам растительности. Камачо Веласко и др. [48] использовали гиперспектральные изображения Hyperion и различные алгоритмы классификации (например, картограф спектрального угла и адаптивный оценщик когерентности) для идентификации пяти типов сельскохозяйственных культур (например, масличная пальма, каучук, пастбищная трава, цитрусовые и сахарный тростник) в Колумбии. Гомес и др. [49] предсказали органический углерод почвы (SOC), используя как данные спектрорадиометра, так и гиперспектральное изображение Hyperion, и обнаружили, что использование данных Hyperion привело к более низкой точности по сравнению с результатами, полученными на основе данных спектрорадиометра.

Также были проведены исследования для сравнения характеристик гиперспектральных изображений Hyperion с мультиспектральными изображениями для оценки свойств сельскохозяйственных культур или классификации типов сельскохозяйственных культур. Например, Мариотто и др. [15] сравнили гиперспектральные изображения Hyperion с мультиспектральными изображениями Landsat для оценки продуктивности сельскохозяйственных культур и классификации типов сельскохозяйственных культур. Авторы сообщили о лучших результатах использования гиперспектральных изображений, чем изображений Landsat для обеих исследовательских целей. Аналогично, Бостан и др. [51] сравнил гиперспектральные изображения Hyperion с мультиспектральными изображениями Landsat для классификации сельскохозяйственных культур, а также обнаружил, что более высокая точность классификации может быть достигнута за счет использования гиперспектральных изображений.

PROBA-CHRIS — еще один широко используемый спутниковый гиперспектральный датчик, запущенный в 2001 году. Конкретные исследования, такие как Verger et al. [57], использовали данные PROBA-CHRIS для определения LAI, доли растительного покрова (fCover) и доли поглощенной фотосинтетически активной радиации (FAPAR) на сельскохозяйственном поле. Энтони и др. [58] идентифицировал три стадии роста пшеницы с помощью многоугольных изображений PROBA-CHRIS и нашел оптимальные углы обзора для идентификации. Каса и др. [59] оценили эффективность данных бортового мультиспектрального инфракрасного видимого спектрометра (MIVIS) и космических данных PROBA-CHRIS для исследования текстуры почвы и обнаружили, что эти два набора данных имеют схожие характеристики, хотя данные PROBA-CHRIS имеют более низкое пространственное разрешение.

Есть несколько других гиперспектральных датчиков спутникового базирования, которые обычно не используются в сельскохозяйственной среде. Например, Hyperspectral Imager (HySI) — это гиперспектральный датчик, установленный на индийском микроспутнике-1 (IMS-1), запущенном в 2008 году.60]. Он получает спектральные сигналы в диапазоне 400–950 нм с пространственным разрешением 550 м в надире.61]. Изображения HySI использовались для картирования различных сельскохозяйственных характеристик, таких как влажность почвы и засоление почвы [62]. Он также использовался для классификации сельскохозяйственных культур [63]. Однако эти данные не нашли широкого применения в точном земледелии, что, вероятно, связано с низким пространственным разрешением и ограниченной доступностью данных. Hyperspectral Imager for the Coastal Ocean (HICO) — еще один космический гиперспектральный датчик, который снимает изображения в спектральном диапазоне от 380 до 960 нм с пространственным разрешением 90 м.64]. Этот датчик был в основном предназначен для отбора проб прибрежного океана и работал с 2009 по 2015 год.

В последние годы было запущено или запланировано к запуску в ближайшие несколько лет несколько космических гиперспектральных датчиков. Например, в 2018 году был запущен спектрометр изображения Земли (DESIS) Немецкого аэрокосмического центра (DLR) — гиперспектральный датчик, установленный на Международной космической станции.65]. Этот датчик получает изображения в диапазоне от 400 до 1000 нм со спектральным разрешением 2,5 нм и пространственным разрешением 30 м. Hyperspectral Imager Suite (HISUI) — японский гиперспектральный датчик, который также находится на борту Международной космической станции.66]. Он был запущен в 2019 году и получает данные в диапазоне от 400 до 2500 нм с пространственным разрешением 20 м и временным разрешением от 2 до 60 дней.20]. Hyperspectral Precursor and Application Mission (PRISMA) — итальянская гиперспектральная миссия с датчиком, запущенная в марте 2019 года. Ее спектральное разрешение составляет 12 нм в диапазоне 400–2500 нм (~ 250 полос в видимом и коротковолновом инфракрасном диапазоне). Его гиперспектральные изображения имеют пространственное разрешение 30 и 5 м для панхроматического диапазона.67]. Программа экологического картирования и анализа (EnMAP) — это немецкий гиперспектральный спутник, который все еще находится на стадии разработки и производства.68]. Датчик EnMAP будет получать данные от видимого до коротковолнового инфракрасного диапазона с пространственным разрешением 30 м. Его планируют запустить в 2020 году. Космическая гиперспектральная прикладная миссия по суше и океану (ШАЛОМ) — это совместная миссия израильских и итальянских космических агентств, а запуск спутника запланирован на 2022 год [69]. Этот датчик будет получать гиперспектральные изображения с пространственным разрешением 10 м в спектральном диапазоне 400–2500 нм и панхроматические изображения с пространственным разрешением 2,5 м.70]. HyspIRI — еще одна гиперспектральная миссия, которая также находится на стадии изучения.71]. Этот датчик будет получать данные в диапазоне от 380 до 2500 нм с интервалом 10 нм и пространственным разрешением 60 м.

Хотя фактические данные PRISMA, EnMAP и HyspIRI пока недоступны, исследователи смоделировали изображения, используя другие данные, и проверили эффективность смоделированных изображений для исследования различных особенностей растительности и почвы. Например, Малек и др. [72], Зигманн и др. [73] и Лочерер и др. [74] смоделировал изображения EnMAP с использованием различных изображений, полученных с воздуха или из космоса, и применил смоделированные изображения для исследования различных свойств сельскохозяйственных культур и почвы. Бахманн и др. [75] создал изображение с помощью инструмента комплексного моделирования EnMAP и изучил неопределенности, связанные со спектральной и радиометрической калибровкой. Кастальди и др. [76] смоделировали данные четырех текущих (EO-1 ALI и Hyperion, Landsat 8 Operational Land Imager (OLI), мультиспектрального прибора Sentinel-2 (MSI)) и трех будущих (EnMAP, PRISMA и HyspIRI) датчиков с использованием библиотеки спектров почвы и сравнили их эффективность для оценки свойств почвы. Кастальди и др. [77] использовал данные PRISMA, которые были смоделированы с помощью спектральных данных, измеренных в лаборатории, для оценки содержания глины и попытки уменьшить влияние влажности почвы на оценку глины.

Предыдущие исследования подтвердили хорошие характеристики спутниковых гиперспектральных датчиков для изучения особенностей сельского хозяйства; однако несколько факторов потенциально могут повлиять на широкое применение этих данных в точном земледелии, включая пространственное разрешение, временное разрешение и качество данных. Обнаружение и мониторинг многих сельскохозяйственных характеристик, таких как болезни сельскохозяйственных культур, заражение вредителями и состояние питательных веществ, требуют высокого пространственного и временного разрешения. Большинство спутниковых гиперспектральных датчиков имеют среднее пространственное разрешение, например 17 или 36 м для PROBA-CHRIS; 30 м для Hyperion, PRISMA и EnMAP, DESIS; и 60 м для HyspIRI. Предыдущие исследования показали, что такого пространственного разрешения недостаточно для приложений точного земледелия.20,49]. Чтобы преодолеть такие ограничения, исследователи попытались повысить резкость гиперспектральных изображений, стремясь улучшить пространственное разрешение.73,78–80]. Лонкан и др. [81] также рассмотрел различные методы панорамирования для создания гиперспектральных изображений с высоким пространственным разрешением.

Временное разрешение — еще один фактор, который потенциально может ограничить применение спутниковых гиперспектральных изображений в точном сельском хозяйстве. Большинство спутниковых датчиков имеют длительный цикл повторного посещения (например, обычно около двух недель), и поэтому ранние сигналы о стрессе сельскохозяйственных культур (например, болезни и вредители) могут быть пропущены. Это ограничение может еще больше усугубляться неблагоприятными погодными условиями (например, облаками). Наконец, низкое качество данных также является проблемой, которая может повлиять на эффективность спутниковой гиперспектральной визуализации для изучения сельскохозяйственных особенностей. Низкое соотношение сигнал/шум является хорошо известной проблемой данных Hyperion (например, в коротковолновом инфракрасном (SWIR) диапазоне), которая влияет на точность получения различных сельскохозяйственных характеристик [20]. Например, Аснер и Хайдебрехт [82], Гомес и др. [49] и Венг и др. [83] обнаружили, что низкое соотношение сигнал/шум влияет на точность оценки нефотосинтетической растительности и почвенного покрова, органического вещества почвы и засоления почвы соответственно. Ожидается, что будущие спутниковые гиперспектральные миссии решат проблему качества данных.

2.2. Гиперспектральная съемка с самолета

Гиперспектральная визуализация с воздуха широко используется для получения гиперспектральных изображений для различных целей мониторинга (например, в сельском или лесном хозяйстве). Первым гиперспектральным датчиком был бортовой спектрометр видимого/инфракрасного изображения (AVIRIS), который был разработан и использован в 1987 году.84]. Он получает спектральные сигналы в 224 диапазонах видимого и SWIR диапазона (табл.2). Исследователи применили данные AVIRIS, чтобы понять широкий спектр сельскохозяйственных особенностей, таких как изучение свойств растительности (например, урожайность, LAI, содержание хлорофилла и воды) [85–88], анализ свойств почвы [89], оценка состояния урожая или выявление заражения вредителями [90–92] и картирование посевных площадей или методов сельскохозяйственной обработки [93,94].

Помимо AVIRIS, широко используются бортовые гиперспектральные датчики Compact Airborne Spectrographic Imager (CASI), Hyperspectral Mapper (HyMap) и AISA Eagle (табл.2). Например, изображения CASI использовались для оценки содержания хлорофилла в сельскохозяйственных культурах.95], исследуя долю растительного покрова [96], классификация сорняков [97] и разграничение зон управления [2]. Изображения HyMap применялись для изучения биофизических и биохимических переменных сельскохозяйственных культур (например, LAI, содержания хлорофилла и воды) [98–100], обнаружение сигналов стресса растений [101] и исследование пространственных закономерностей SOC [102]. Что касается изображений AISA Eagle, Ryu et al. [35] и Cilia et al. [103] использовали эти данные для оценки содержания азота в сельскохозяйственных культурах, а Ambrus et al. [104] использовал его для оценки биомассы.

В предыдущих исследованиях также использовались несколько других бортовых гиперспектральных датчиков. Например, изображения AVIS использовались для исследования ряда характеристик растительности (например, биомассы и хлорофилла) [105], для исследования пожнивных остатков использовались гиперспектральные изображения Зонда-1 [106], гиперспектральные изображения RDACS-H4 использовались для обнаружения болезней сельскохозяйственных культур [34], для картирования SOC использовался гиперспектральный датчик AHS-160 [107], датчик SWIR Hyper Spectral Imaging (HSI) использовался для оценки влажности почвы [108], для оценки LAI озимой пшеницы использовался гиперспектральный сканер Pushbroom (PHI) [109], а данные эксперимента с воздушной призмой (APEX) были использованы для изучения взаимосвязи между SOC на пахотных землях и спектральными сигналами [110].

Большинство вышеупомянутых гиперспектральных изображений с воздуха были получены с самолетов на средней и большой высоте (например, высота 1–4 км для CASI, 20 км для AVIRIS), и полученные изображения обычно имеют пространственное разрешение от высокого до среднего, например, 4 м. для изображений CASI, 5 м для HyMap и 20 м для AVIRIS [111–113]. Такое пространственное разрешение подходит для картографирования многих особенностей сельскохозяйственных культур и почв. Однако получение изображений обычно необходимо планировать на несколько месяцев или даже лет вперед, а полеты обходятся дорого.19]. Кроме того, для некоторых конкретных приложений, таких как исследование особенностей на уровне вида или сообщества (например, идентификация сорняков или ранние сигналы о заболевании сельскохозяйственных культур), предпочтительны изображения с очень высоким пространственным разрешением (например, субметровым).114,115]. Кроме того, из-за нестабильной природы самолетов как платформ для формирования изображений потребуется карданный или высокоточный инерциальный измерительный блок (IMU) для компенсации изменения ориентации самолетов или записи информации об ориентации для последующей коррекции изображения соответственно. Эти факторы ограничивали полное применение аэрогиперспектральной визуализации в точном земледелии. Пилотируемые вертолеты также использовались в качестве платформ для гиперспектральных изображений и исследования особенностей растительности.27,116]. Вертолеты имеют более гибкую высоту полета (например, 100 м–2 км), чем самолеты, и способны получать изображения с высоким пространственным разрешением (например, менее метра) на больших площадях. Для выполнения задачи по визуализации обычно требуется авиационная компания с пилотируемым вертолетом, которая требует дополнительной финансовой поддержки и тщательного предварительного планирования.

2.3. Гиперспектральная съемка с помощью БПЛА

В последние годы БПЛА стали популярной платформой для получения данных дистанционного зондирования, особенно для мультиспектральных изображений с использованием цифровых камер или мультиспектральных датчиков. С ростом доступности легких гиперспектральных датчиков исследователи экспериментировали с установкой этих датчиков на БПЛА для получения гиперспектральных изображений с высоким пространственным разрешением.19,117]. В предыдущих исследованиях использовались различные типы БПЛА, включая мультикоптеры, вертолеты и неподвижные крылья (рис.3). По сравнению с пилотируемыми самолетами и вертолетами БПЛА способны получать изображения высокого пространственного разрешения с гораздо меньшими затратами и обладают высокой гибкостью с точки зрения планирования полетного задания.118]. Некоторые конкретные сельскохозяйственные применения гиперспектральной визуализации с помощью БПЛА суммированы в таблице.3.

Рисунок 3.Гиперспектральные системы БПЛА, использовавшиеся в предыдущих сельскохозяйственных исследованиях. Рисунки воспроизведены с разрешения соответствующих издателей: (а) МДПИ [119], (б) МДПИ [120], (с) МДПИ [121], и (д) ШПИОН [122].

В последние годы были разработаны различные легкие гиперспектральные датчики, которые можно устанавливать на БПЛА. Примеры датчиков включают широко используемые датчики Headwall Micro- и Nano-Hyperspec VNIR [12,13,26,128], UHD 185-Светлячок [53,130], датчик PIKA II [19,32] и HySpex VNIR [25,131]. Эти гиперспектральные датчики содержат более 100 полос в видимом и ближнем инфракрасном диапазоне спектра (табл.2). Эти датчики небольшие и компактные (1–2 кг), поэтому их можно быстро развернуть на различных пилотируемых или беспилотных платформах ДЗЗ. Предыдущие исследования, проведенные Adão et al. [11] и Лоди и др. [52] также сравнил и обобщил различные легкие гиперспектральные датчики.

При применении гиперспектральной визуализации с помощью БПЛА необходимо учитывать большое количество факторов, начиная от настройки датчиков и получения данных и заканчивая обработкой изображений. Саари и др. [122] проверил осуществимость системы гиперспектральной визуализации на базе БПЛА для применения в сельском и лесном хозяйстве и обсудил несколько проблем, связанных с технологией визуализации (например, требования к оборудованию и настройки системы). Аасен и др. [132] сосредоточился на калибровке изображений, полученных с помощью кадрового датчика, и обсудил несколько проблем, связанных с использованием гиперспектральных изображений с помощью БПЛА для исследования растительности и сельскохозяйственных культур (например, полезная нагрузка БПЛА, соотношение сигнал/шум и спектральные характеристики). калибровка). Хабиб и др. [120] попытались выполнить ортотрансформацию гиперспектральных изображений, полученных с помощью БПЛА, с использованием покадровых RGB-изображений над сельскохозяйственным полем. Адао и др. [11] рассмотрел применение гиперспектральной визуализации с помощью БПЛА в сельском и лесном хозяйстве и перечислил несколько гиперспектральных датчиков, которые можно установить на БПЛА. Авторы также обсудили несколько проблем при получении и анализе гиперспектральных изображений с помощью БПЛА, таких как радиометрический шум, низкое качество геопривязки БПЛА и низкое соотношение сигнал/шум.

В последние годы гиперспектральная визуализация с помощью БПЛА стала более популярной; поэтому крайне важно проанализировать его сильные и слабые стороны. Чтобы изучить дополнительные возможности этой технологии, этот раздел обзора не ограничивается только сельскохозяйственным применением. В качестве платформ для гиперспектральной визуализации использовались различные типы БПЛА, два из которых наиболее широко используются в качестве мультикоптеров130,133,134] и самолеты [33,120,135]. Медленные полеты на малых высотах предпочтительны для получения гиперспектральных изображений высокого пространственного разрешения с высоким соотношением сигнал/шум. Таким образом, мультикоптер более конкурентоспособен, чем самолеты для гиперспектральной съемки в условиях летной эксплуатации. В частности, мультикоптер обеспечивает малую высоту полета, гибкую скорость полета, а также вертикальный взлет и посадку, в то время как неподвижное крыло требует минимальной высоты полета, скорости и, иногда, аксессуаров для взлета и посадки (например, взлетно-посадочной полосы, пусковой установки). и парашют). Система гиперспектральной визуализации, состоящая из гиперспектрального датчика, блока обработки данных, GPS и ИДУ, имеет значительный вес (например, 1–3 кг), что создает проблемы с грузоподъемностью системы БПЛА и ее выносливость батареи. Мультироторы обычно питаются от высокопроизводительных батарей (например, LiPo), и большинство из них имеют короткий срок службы (например, менее 20 минут). Выносливость может составлять всего 3 минуты [12]. Напротив, многие БПЛА с неподвижным крылом работают на топливе, поэтому имеют гораздо больший срок службы (например, 1–10 часов) [19,135]. Однако эти самолеты в большинстве своем большие и тяжелые (например, размах крыла 5 м и взлетная масса 14 кг) [135], и тем самым усложняют выполнение полета. Используя БПЛА, исследователям необходимо учитывать SWaP БПЛА (размер, вес и мощность), географическое покрытие, время нахождения в воздухе, высоту и другие переменные. Помимо проблем, связанных с созданием системы БПЛА и выполнением полетов, исследователям, вероятно, придется подать заявку на разрешение полета в авиационном органе (например, специальный сертификат полетной эксплуатации (SFOC) от Transport Canada) и приобрести подходящую страховку для полетов БПЛА [136]. Размер и вес БПЛА являются важными параметрами, которые следует учитывать в этих процессах. Кроме того, БПЛА должны быть видимы во время полетов, чтобы пилот мог поддерживать постоянный визуальный контакт с самолетом. Это может создать серьезные проблемы при полете над большой территорией, холмистой местностью или лесной местностью.

2.4. Гиперспектральная визуализация ближнего действия (наземная или лабораторная)

Гиперспектральная съемка с близкого расстояния, в том числе наземная (рис.4a–c) или в лаборатории (рис.4d,e), представляет собой новую технологию, появившуюся в последние годы, и она способна получать гиперспектральные изображения сверхвысокого пространственного разрешения (например, сантиметрового или субсантиметрового уровня) [137–139]. Таким образом, эта технология визуализации может использоваться для исследования мелкомасштабных (например, на уровне листьев и кроны) особенностей растительности и, таким образом, в значительной степени способствовать исследованию состояния роста сельскохозяйственных культур и обнаружению ранних признаков стресса сельскохозяйственных культур (например, болезней, сорняков или питания). дефицит). Датчики монтируются на движущихся или статических платформах (например, линейных сценах, строительных лесах или грузовиках), которые можно размещать внутри или снаружи помещения для получения изображений. В качестве источников света на этих платформах используются лампы (например, галогенная лампа) или солнце соответственно.

Исследователи использовали различные типы платформ и гиперспектральных датчиков для получения гиперспектральных изображений сверхвысокого пространственного разрешения для изучения различных особенностей сельского хозяйства, как показано в таблице.4.

В целом, платформа гиперспектральной визуализации ближнего действия способна получать гиперспектральные изображения сверхвысокого пространственного разрешения, что имеет решающее значение для исследования мелкомасштабных особенностей сельскохозяйственных культур или почвы. Эти функции предоставляют подробную информацию о биофизических и биохимических процессах растения и о том, как растения реагируют на стрессы и болезни окружающей среды. Однако получение и обработка изображений также страдают от различных проблем, таких как неинформативная изменчивость, вызванная взаимодействием света со структурой растения (т.е. эффектами освещения), влиянием теней и расширением применения платформы в больших масштабах.141,146]. Необходимы дальнейшие исследования в этих областях.

Рисунок 4.Платформы визуализации с близкого расстояния, использованные в предыдущих исследованиях. Рисунки воспроизведены с разрешения соответствующих издателей: (а) Американское общество фотограмметрии и дистанционного зондирования (ASPRS), Бетесда, Мэриленд, asprs.org [139]; (б) ШПИОН [148]; (с) Эльзевир [138]; (д) Спрингер Природа [144]; (е) Эльзевир [149].

Таким образом, различные платформы гиперспектральной визуализации, включая спутники, самолеты, вертолеты, БПЛА и устройства ближнего действия, имеют разные преимущества и недостатки для приложений в точном земледелии. Подробное сравнение этих платформ для сельскохозяйственного применения показано в таблице.5. Короче говоря, спутниковые системы предоставляют изображения, охватывающие большие территории, но страдают от среднего пространственного разрешения и ограниченной доступности данных (например, ограниченное количество работающих датчиков, длительный срок службы и время повторного посещения). Платформы визуализации на базе самолетов и вертолетов получают данные с подходящим пространственным охватом и разрешением для большинства сельскохозяйственных приложений. Однако они ограничены высокой стоимостью миссии и проблемами планирования и поэтому не подходят для повторного мониторинга. Системы на базе БПЛА способны многократно получать изображения высокого пространственного разрешения и обладают высокой гибкостью. Однако они могут покрыть лишь небольшую территорию из-за ограниченного срока службы батареи и авиационных правил. Системы визуализации ближнего действия способны получать изображения сверхвысокого пространственного разрешения, но их можно использовать только на уровне листьев или кроны. Таким образом, при выборе платформы для конкретного исследовательского проекта следует учитывать следующие факторы: пространственное разрешение, необходимое для исследования, район полета и продолжительность полета, вес системы визуализации, грузоподъемность платформы, безопасность и правила полета, гибкость эксплуатации и стоимость.

2. Методы обработки и анализа гиперспектральных изображений

Гиперспектральные изображения, полученные с помощью различных платформ и датчиков, обычно предоставляются в необработанном формате (например, в цифровых числах), который необходимо предварительно обработать (например, с помощью атмосферных, радиометрических и спектральных поправок) для получения точной спектральной информации. После этого можно использовать разные подходы для анализа гиперспектральной информации и исследования различных сельскохозяйственных особенностей (например, свойства сельскохозяйственных культур и почвы). Несколько широко используемых методов включают линейную регрессию, расширенную регрессию (например, PLSR), машинное обучение и глубокое обучение (например, RF, CNN) и моделирование переноса излучения (например, PROSPECT и PROSAIL). Исследователи использовали один или несколько из этих методов для изучения различных особенностей сельского хозяйства. В этом разделе обзор построен с учетом различных методов, использованных в исследованиях.

3.1. Предварительная обработка гиперспектральных изображений

Типичная обработка гиперспектральных изображений включает геометрическую коррекцию, ортотрансформацию, радиометрическую коррекцию и атмосферную коррекцию. Для гиперспектральных изображений, полученных со спутников и самолетов, геометрическая и ортотрансформационная коррекция обычно выполняются поставщиками данных, а радиометрические и атмосферные поправки могут выполняться после стандартных шагов обработки изображений, доступных в программном обеспечении дистанционного зондирования. Напротив, для изображений, полученных с помощью БПЛА, пользователям необходимо выполнить эти этапы обработки и принять решение о соответствующих методах обработки и связанных с ними параметрах. Например, для выполнения ортотрансформирования и геометрической коррекции обычно необходимы цифровая модель рельефа (DEM) и наземные опорные точки (GCP).12]. Если датчик, установленный на БПЛА, основан на веерах, для этих корректировок потребуется точная информация об ориентации датчика, записанная IMU, и IMU должен быть интегрирован в БПЛА и хорошо откалиброван [12,27]. Пакеты программного обеспечения, обычно используемые в предыдущих исследованиях для выполнения этих коррекций гиперспектральных изображений с помощью БПЛА, включают ENVI (Exelis Visual Information Solutions, Боулдер, Колорадо, США) и PARGE (ReSe Applications Schläpfer, Виль, Швейцария) [12,26,117].

Радиометрическая коррекция проводится для преобразования цифровых чисел изображения в яркость с использованием калибровочных коэффициентов, предоставляемых производителем датчика [11]. Эти коэффициенты, возможно, потребуется обновлять с течением времени из-за деградации спектральных материалов, используемых для создания гиперспектральных датчиков. Что касается атмосферной коррекции, хотя БПЛА летают на малых высотах, полученные сигналы по-прежнему подвержены влиянию различных атмосферных поглощений и рассеяний, таких как поглощение кислорода на длине волны 760 нм; водопоглощение вблизи 820, 940, 1140, 1380 и 1880 нм; и поглощение углекислого газа при 2010 и 2060 нм [12,13,26,150]. Поэтому атмосферная коррекция имеет решающее значение для получения спектральной информации хорошего качества. Однако Адао и др. [11] предполагают, что этот процесс можно пропустить, если БПЛА будут эксплуатироваться близко к земле. Таким образом, применение атмосферной поправки будет зависеть от конкретных полетных задач и исследовательских целей (например, от высоты полета, если необходимы спектральные полосы, зависящие от атмосферы). Программное обеспечение или методы, обычно используемые в предыдущих исследованиях для выполнения атмосферной коррекции на гиперспектральных изображениях с помощью БПЛА, включают модель MODTRAN (Spectral Sciences Inc.), ENVI FLAASH (L3Harris Geospatial), PCI Geomatica (PCI Geomatics Corporate), модель SMARTS (Solar Consulting Services). ) и эмпирическая коррекция линии [12,19,27,32,33,116].

Гиперспектральные изображения обычно имеют сотни каналов, и многие из них сильно коррелированы. Таким образом, уменьшение размеров также является важной процедурой, которую следует учитывать при предварительной обработке гиперспектральных изображений. Во многих предыдущих исследованиях с использованием гиперспектральных изображений обсуждались проблемы избыточности данных и использовались различные методы уменьшения размеров. Например, Миглани и др. [151] выполнил анализ главных компонентов (PCA) на гиперспектральных изображениях и показал, что 99% информации можно объяснить с помощью первых 10 основных компонентов. Амато и др. [152] обсудил несколько предыдущих методов уменьшения размерности, таких как PCA, минимальная доля шума (MNF) и разложение по сингулярным значениям (SVD), и предложил алгоритм уменьшения размерности, основанный на дискриминантном анализе для контролируемой классификации. Теке и др. [38] рассмотрел несколько методов уменьшения размерности и обобщил их на основе методов преобразования. Тенкабейл и др. [153] обсудил проблемы большой размерности и перечислил ряд спектральных полос, которые более важны для изучения особенностей сельскохозяйственных культур. Саху и др. [4] рассмотрел различные методы уменьшения размерности, такие как PCA, единый дизайн функций (UMD), вейвлет-преобразования и искусственные нейронные сети (ИНС), и обсудил особенности их работы. Ван и др. [154] предложил метод уменьшения размерности на основе автоматического кодировщика, который представляет собой подход, основанный на глубоком обучении. Из этих различных методов вейвлет-преобразование является одним из наиболее широко используемых для уменьшения габаритов. Этот метод разлагает сигнал на ряд масштабированных версий материнской вейвлет-функции и позволяет изменять вейвлет на основе информации о частоте для извлечения локализованных особенностей (например, локальных спектральных вариаций) [155,156]. Он также успешно использовался для объединения изображений, извлечения признаков и классификации изображений.156–158].

Помимо уменьшения размерности, анализ чувствительности полос и выбор полос также широко использовались в гиперспектральном дистанционном зондировании для уменьшения размера данных путем выбора только тех полос, которые чувствительны к интересующему объекту. В предыдущих исследованиях для выбора полос были предложены различные алгоритмы, такие как быстрый метод, основанный на градиенте объема, который является неконтролируемым методом и последовательно удаляет наиболее избыточную полосу на основе градиента объема.159], метод, основанный на выборе подмножества столбцов, который максимизирует объем выбранного подмножества столбцов (т. е. полос) и устойчив к шумным полосам [160] и метод выбора заметной полосы на основе ранжирования многообразия, который помещает векторы полос в пространство многообразия и выбирает ранжирование на основе полос, которое может решить проблему ненадлежащего измерения разницы полос [161]. С помощью анализа чувствительности предыдущие исследования выявили спектральные полосы, которые чувствительны к различным свойствам сельскохозяйственных культур, например, ~515, ~550, ~570, ~670, 700–740, ~800 и ~855 нм для исследования содержания хлорофилла; ~405, ~515, ~570, ~705 и ~720 нм для оценки статуса азота; ~970, ~1180, ~1245, ~1450 и ~1950 нм для оценки содержания воды; ~682, ~855, ~910, ~970, ~1075, ~1245, ~1518, ~1725 и ~2260 нм для оценки биомассы; и ~550, ~682, ~855, ~1075, ~1180, ~1450 и ~1725 нм для классификации культур [36,44,153,162]. В целом, предварительная обработка является важным шагом для улучшения качества гиперспектральных изображений и подготовки к дальнейшему анализу данных. После предварительной обработки аналитические методы, которые будут обсуждаться ниже, могут быть использованы для анализа гиперспектральной информации и исследования различных сельскохозяйственных особенностей на местах.

3.2. Эмпирические отношения

Линейная регрессия — широко используемый метод анализа гиперспектральных изображений и получения целевой информации (например, свойств сельскохозяйственных культур и почвы). И спектральная отражательная способность, и индексы растительности могут использоваться в качестве переменных-предсказателей при установлении линейной зависимости. Например, используя спектральные полосы, Finn et al. [108] построил линейную регрессию между данными о влажности почвы, измеренными в полевых условиях, и спектральной отражательной способностью полученных гиперспектральных изображений и определил полосы, которые имеют более сильную корреляцию с влажностью почвы. В других исследованиях индексы растительности использовались в регрессии для повышения производительности, поскольку некоторые индексы могут усилить сигнал целевых объектов и минимизировать фоновый шум. Некоторые из предыдущих исследований показаны в таблице.6.

В целом линейная регрессия обычно используется для оценки широкого спектра свойств сельскохозяйственных культур или почвы. Это легко установить, и большинство регрессий на основе индексов имеют удовлетворительную точность. Однако с этим подходом связано несколько потенциальных проблем, таких как большое количество доступных индексов и неизвестно, какой из них работает лучше, регрессия может быть очень чувствительна к размеру и качеству данных, а также проблема насыщения индексов.36,165]. Таким образом, крайне важно учитывать эти потенциальные проблемы и принимать соответствующие решения при построении линейных регрессий с использованием гиперспектральных данных. Например, рекомендуется выбрать соответствующие индексы растительности с целевыми переменными сельскохозяйственных культур или почвы. Исследователи оценили широкий спектр гиперспектральных индексов растительности для различных исследовательских целей. Хабудан и др. [166] исследовали 11 гиперспектральных индексов растительности для оценки содержания хлорофилла в сельскохозяйственных культурах. Мейн и др. [167] исследовали 73 индекса растительности для оценки содержания хлорофилла в сельскохозяйственных культурах и видах деревьев саванны. Пэн и Гительсон [168] протестировали 10 мультиспектральных индексов и 4 гиперспектральных индекса для количественной оценки валовой первичной продуктивности сельскохозяйственных культур. Крофт и др. [169] проанализировали 47 гиперспектральных индексов для оценки содержания хлорофилла в листьях разных пород деревьев. Чжоу и др. [170] оценили восемь гиперспектральных индексов для оценки содержания азота пшеницы на уровне полога. Тонг и Хе [165] оценили 21 мультиспектральный и 123 гиперспектральных индекса растительности для расчета содержания хлорофилла в траве как в масштабе листа, так и в пологе. Юэ и др. [171] исследовали 54 гиперспектральных индекса вегетации для оценки биомассы озимой пшеницы. Индексы работали по-разному в этих исследованиях; таким образом, предлагается оценить наиболее эффективные в этих исследованиях и выбрать тот, который обеспечивает наибольшую точность.

Для решения проблем линейной регрессии в предыдущих исследованиях для оценки свойств сельскохозяйственных культур и почв также широко использовалась расширенная регрессия, такая как MLR и PLSR.172,173]. По сравнению с линейной регрессией, модели расширенной регрессии в основном используют несколько переменных-предикторов в модели для достижения более высокой точности. PLSR — одна из наиболее широко используемых моделей для исследования свойств сельскохозяйственных культур с использованием гиперспектральных изображений, например, Ryu et al. [35], Джармер [99], Зигманн и др. [73], и Юэ и др. [124] использовали PLSR и гиперспектральные изображения для оценки различных биофизических и биохимических переменных сельскохозяйственных культур (например, LAI, биомассы, хлорофилла, содержания, свежего вещества и содержания азота). Томас и др. [100] исследовал PLSR для определения потенциала биогаза по гиперспектральным изображениям и оценил влияние времени получения изображений на точность получения. Что касается особенностей почвы, Gomez et al. [49], Ван Весемаэль и др. [107], Хбиркоу и др. [102] и Кастальди и др. [110] построил модель PLSR для оценки содержания SOC с использованием гиперспектральных изображений. Чжан и др. [50] использовал PLSR для оценки широкого спектра свойств почвы (например, влажности почвы, органического вещества почвы, глины, общего содержания углерода, фосфора и азота) на основе гиперспектральных изображений и выявил факторы, которые могут повлиять на точность модели (например, низкий уровень сигнала), соотношение шум/шум, спектральное перекрытие различных особенностей почвы). Каса и др. [59] использовал модель PLSR и различные гиперспектральные изображения для исследования текстурных особенностей почвы и оценивал различные факторы (например, спектральный диапазон и разрешение, влажность почвы, ошибка геолокации), влияющие на производительность модели.

Модель PLSR реализована на Python и R [174,175] и широко используется во многих областях исследований, включая леса [176], луга [177], и воды [178]. Эта модель показала хорошие результаты в различных исследованиях благодаря своим сильным сторонам при работе с большим количеством взаимосвязанных переменных-предсказателей (т. е. путем преобразования их в несколько некоррелированных латентных переменных), решении проблемы шума данных и решении проблемы с подгонкой [171,179]. Также была подтверждена эффективность различных методов повышения точности модели PLSR, таких как включение в модель различных типов переменных-предсказателей (например, спектральных диапазонов, индексов, текстурных переменных), использование суммы квадратов прогнозируемых остаточных ошибок (PRESS ) статистика для определения оптимального количества скрытых переменных и оценка признаков для выбора более важных переменных-предикторов в модели [36]. Поэтому крайне важно тщательно изучить эти методы для достижения оптимальной точности модели.

3.3. Моделирование переноса излучения

Моделирование переноса излучения — это физически обоснованный подход, который использует физические законы для моделирования взаимодействия электромагнитного излучения с растительностью (например, отражение, пропускание и поглощение) [180]. RTM моделируют спектры растительности (например, коэффициент отражения и пропускания листьев), используя биофизические и биохимические свойства растительности (например, содержание хлорофилла и воды) в прямом режиме, а также для инверсии этих переменных из спектральных измерений в обратном режиме [181]. PROSAIL — один из наиболее широко используемых RTM. Эта модель представляет собой интеграцию модели PROSPECT на уровне листьев и модели SAIL на уровне кроны и способна моделировать отражательную способность кроны, используя свойства листа (например, содержание хлорофилла и воды), структурные параметры кроны (например, LAI и угол наклона листа) и отражательная способность почвы [18].

PROSAIL также использовался в сельском хозяйстве для исследования свойств сельскохозяйственных культур и почвы. Например, Каса и Джонс [182] инвертированный PROSAIL и модель купола с трассировкой лучей с данными гиперспектрального отражения, измеренными спектрорадиометром, и данными гиперспектрального изображения, полученными с помощью спектрометра, соответственно, для оценки LAI купола и оцененных факторов, влияющих на точность оценки (например, неоднородность поверхности, вызванная структура рядов культур). Рихтер и др. [98] использовал PROSAIL для оценки LAI, fCover, содержания хлорофилла в пологе и воды по гиперспектральным изображениям и сравнил его производительность с другими методами (например, искусственной нейронной сетью). Рихтер и др. [183] применил PROSAIL для исследования аналогичных переменных растительности и проанализировал точность и эффективность этого метода. Ву и др. [184] исследовал чувствительность индексов растительности к содержанию хлорофилла в растительности, используя результаты моделирования модели PROSPECT, и предложил несколько хорошо работающих индексов. Лочерер и др. [74] попытались оценить LAI растительности, используя модель PROSAIL и гиперспектральные изображения из нескольких источников, а также протестировали несколько методов (например, различные функции стоимости и типы методов усреднения), используемых для процесса инверсии. Ю и др. [37] оценил диапазон переменных фенотипирования растительности (например, LAI и хлорофилл листьев) с использованием гиперспектральных изображений и PROSAIL и исследовал чувствительность различных спектральных диапазонов к параметрам модели PROSAIL.

По сравнению с регрессионными моделями, обсуждавшимися в предыдущих разделах, РТМ реже использовались в литературе для исследования особенностей сельского хозяйства, главным образом, из-за их высокой сложности модели и трудоемкости вычислений. Например, в RTM необходимо учитывать широкий спектр параметров (например, хлорофилл, каротиноиды, содержание воды, индекс площади листьев, углы листьев, углы солнечного света и отражательную способность почвы, а также другие параметры в модели PROSAIL) и пользователям необходимо использовать различные методы (например, функцию оценки, справочную таблицу), чтобы облегчить операции прямого и обратного преобразования модели. Кроме того, для прогнозирования целевых переменных растительности требуется гораздо больше вычислительного времени, чем для регрессионных моделей. Однако также хорошо известно, что регрессионные модели, как правило, зависят от места и времени и их нелегко перенести в другие географические регионы или в другое время на данном участке [166]. Напротив, RTM является более переносимым подходом, поскольку он основан на физических законах и не требует обучающих данных для восстановления модели. Кроме того, RTM способен оценивать ряд свойств растительности в одной модели, тогда как регрессионные модели обычно могут оценивать только одну переменную.36,185].

3.4. Машинное обучение и глубокое обучение

Алгоритмы машинного обучения, включая машинную регрессию опорных векторов (SVM) и RF, являются мощными инструментами для анализа гиперспектральной информации, поскольку они могут эффективно обрабатывать большое количество переменных (например, спектральную отражательную способность и индексы растительности).186]. Машинное обучение широко используется в области дистанционного зондирования для оценки свойств элементов почвы или классификации различных наземных покровов [36,114,187]. Исследователи также использовали различные алгоритмы машинного обучения и гиперспектральные изображения для сельскохозяйственных приложений. SVM был широко используемым алгоритмом в предыдущих исследованиях для целей прогнозирования или классификации. Например, Хонкаваара и др. [123] оценил биомассу сельскохозяйственных культур с использованием гиперспектральных изображений SVM и БПЛА. Бостан и др. [51] использовал SVM для классификации различных типов сельскохозяйственных культур и добился высокой точности классификации. Ран и др. [93] использовал классификаторы KNN и SVM для исследования методов обработки почвы на сельскохозяйственных полях и сравнивал их эффективность. RF — еще один широко используемый алгоритм для исследования сельскохозяйственных объектов с помощью гиперспектральных изображений. Например, Гао и др. [188] успешно классифицировал сорняки и кукурузу с помощью радиочастотных и лабораторных гиперспектральных изображений. Используя наземные данные гиперспектрального отражения, полученные с помощью спектрорадиометра ASD, Зигманн и Джармер [189] оценил эффективность RF, SVM и PLSR для оценки LAI урожая и подтвердил хорошие характеристики RF. Аналогичным образом, используя гиперспектральную отражательную способность, Адам и др. [190] попытались обнаружить болезнь кукурузы с помощью RF-модели. В целом модели машинного обучения, как правило, хорошо подходят для исследования сельскохозяйственных особенностей с использованием гиперспектральных изображений.

Глубокое обучение — это подмножество машинного обучения, которое расширяет машинное обучение, добавляя в модель большую «глубину» (т. е. иерархическое представление набора данных).191,192]. В последние годы это популярный подход для распознавания закономерностей на изображениях дистанционного зондирования и, следовательно, для исследования различных особенностей местности. Глубокое обучение обычно используется в области дистанционного зондирования для классификации изображений, например классификации земного покрова.193–195] и идентификация наземных объектов (например, зданий) [196]. Глубокое обучение также применяется в точном земледелии для решения сложных проблем. Существующие исследования, например, изучают оценку урожайности сельскохозяйственных культур с использованием CNN и мультиспектральных изображений вместе с климатическими данными.197], обнаружение болезней растений с использованием CNN и изображений, полученных со смартфона [198], классификация сельскохозяйственных культур с использованием 3-D CNN и многовременных мультиспектральных изображений [199] и классификация растительного покрова сельскохозяйственных угодий с использованием глубокой рекуррентной нейронной сети и многовременных изображений SAR [200]. Камиларис и Пренафета-Болду [191] рассмотрел применения глубоких обучение сельскому хозяйству и производству продуктов питания, хотя не во всех исследованиях использовались изображения дистанционного зондирования. Сингх и др. [201] рассмотрел ряд методов глубокого обучения и их применения, в частности, в фенотипировании растений. До сих пор глубокое обучение не было хорошо изучено для обработки и анализа изображений дистанционного зондирования, особенно гиперспектральных изображений, для сельскохозяйственных приложений. Учитывая возможности глубокого обучения для изучения особенностей изображений и богатую информацию в гиперспектральных изображениях, их интеграция имеет широкий спектр сельскохозяйственных приложений (например, классификация сельскохозяйственных культур, мониторинг сорняков, выявление болезней сельскохозяйственных культур и оценка стресса растений). . Необходимы дальнейшие исследования в этих областях.

Машинное обучение или глубокое обучение способно обрабатывать данные из нескольких источников и разных типов [202]. Например, помимо многотипных изображений дистанционного зондирования (например, оптических, тепловых, LiDAR и радаров), в процесс моделирования также могут быть включены другие источники данных, такие как информация о погоде, ирригации и исторической урожайности. лучшая оценка целевых сельскохозяйственных характеристик [203]. Хотя модели машинного обучения и глубокого обучения являются мощными, важно также помнить, что эти модели требуют большого количества и высококачественных обучающих выборок для достижения надежных результатов [202]. Недостаточные наборы обучающих данных или данные с проблемами (например, неполнота данных, шум и систематические ошибки) могут привести к нежелательным характеристикам модели.

Таким образом, разные аналитические методы (например, линейная регрессия, расширенная регрессия, машинное обучение и глубокое обучение, а также RTM) имеют разные уровни сложности, производительности и переносимости. Более детальное сравнение этих методов приведено в таблице.7. В целом, линейная регрессия является самым простым в использовании методом, и его производительность в целом приемлема, хотя на этот метод может сильно влиять выбор переменных-предикторов и качество выборочных данных. Расширенная регрессия (например, PLSR) в большинстве случаев работает лучше, чем линейная регрессия, поскольку она включает в модель несколько переменных и менее чувствительна к шуму данных. RTM (например, PROSAIL) способен генерировать несколько продуктов данных (например, хлорофилл, воду и LAI) с достаточно высокой точностью. Одним из существенных преимуществ этого метода является его высокая переносимость. Однако этот метод имеет наибольшую сложность, так как требует широкого набора параметров и обширного программирования. Что касается машинного обучения, многие алгоритмы, такие как RF и SVM, хорошо зарекомендовали себя и в большинстве предыдущих исследований показали хорошие результаты. Для достижения оптимальной производительности этого метода необходимы некоторые корректировки программирования и модели. Глубокое обучение — относительно новый метод, который в последние годы становится все более популярным. Для этого подхода решающее значение имеют соответствующая разработка модели и программирование. Для достижения хорошей производительности модели также требуется значительный объем обучающих данных и вычислительных ресурсов.

4. Применение гиперспектральной съемки в сельском хозяйстве

Гиперспектральная съемка использовалась в сельском хозяйстве для широкого спектра целей, включая оценку биохимических свойств сельскохозяйственных культур (например, хлорофилла, каротиноидов и содержания воды) и биофизических свойств (например, LAI, биомассы) для понимания физиологического состояния растительности и прогнозирования урожайности, оценки состояния питательных веществ сельскохозяйственных культур (например, дефицит азота), мониторинг заболеваний сельскохозяйственных культур и исследование свойств почвы (например, влажность почвы, органическое вещество почвы и углерод почвы). Предыдущие исследования также обобщили некоторые из вышеупомянутых применений гиперспектрального дистанционного зондирования в точном земледелии.4,84]. Таким образом, в этом разделе мы сосредоточимся больше на недавних гиперспектральных исследованиях и суммируем эти исследования в соответствии с конкретными применениями.

4.1. Оценка биохимических и биофизических свойств сельскохозяйственных культур

Одним из важных применений гиперспектрального метода в сельском хозяйстве является мониторинг состояния сельскохозяйственных культур путем определения биохимических и биофизических свойств сельскохозяйственных культур.8,99]. Например, содержание хлорофилла в листьях является важным биохимическим свойством, влияющим на фотосинтетическую способность растительности и контролирующим урожайность сельскохозяйственных культур.99]. В предыдущих исследованиях Оппельта и Маузера [105] собрал данные AVIS для определения содержания хлорофилла и азота на поле озимой пшеницы. Точно так же Мохарана и Дутта [43] использовали данные Hyperion для оценки содержания этих двух биохимических компонентов на рисовом поле. LAI, с другой стороны, является фундаментальным биофизическим параметром растительности и тесно связан с биомассой и урожайностью сельскохозяйственных культур.98]. Предыдущие исследования использовали гиперспектральное дистанционное зондирование для оценки LAI различных культур, а некоторые примеры исследований показаны в таблице.8.

Помимо вышеупомянутых биохимических и биофизических свойств растительности, критическим параметром для выявления водного стресса является содержание воды в сельскохозяйственных культурах. Рихтер и др. [98] попытались оценить содержание воды в кукурузе, сахарной свекле и озимой пшенице, используя авиационные данные HyMap. Мохарана и Дутта [204] исследовали водный стресс на рисовом поле и его вариации с помощью изображений Hyperion и указали, что содержание воды, оцененное с помощью дистанционного зондирования, хорошо соответствует данным полевых наблюдений. Иззо и др. [128] оценил состояние воды на коммерческом винограднике с использованием гиперспектральных данных с помощью БПЛА и определил длины волн, чувствительные к содержанию воды в покрове. Саху и др. [4] обсудили применение данных гиперспектрального дистанционного зондирования для оценки характеристик воды в сельскохозяйственных культурах и перечислили несколько вегетационных индексов для расчета содержания воды.

Из обзора литературы можно обнаружить, что многие предыдущие исследования были сосредоточены на оценке содержания хлорофилла в сельскохозяйственных культурах, LAI и содержания воды с использованием гиперспектральных изображений, в то время как другие важные свойства сельскохозяйственных культур, такие как каротиноиды, чувствительные к стрессу растений, изучены меньше. Кроме того, на производство сельскохозяйственных культур влияют все эти свойства растительности (например, хлорофилл, вода и LAI). Помимо исследования пространственных и временных изменений каждого свойства, также важно оценить взаимосвязь между этими свойствами и понять, как они влияют на рост сельскохозяйственных культур и урожайность сельскохозяйственных культур.

Оценка биомассы сельскохозяйственных культур и прогнозирование урожайности также являются важными применениями дистанционного зондирования, поскольку они будут способствовать пониманию продуктивности сельскохозяйственных культур и осуществлению соответствующих мер управления.126]. Юэ и др. [124] использовали гиперспектральные изображения, полученные с помощью БПЛА, для оценки надземной биомассы озимой пшеницы. Ян [205] и Мариотто и др. [15] использовал как мультиспектральные, так и гиперспектральные данные для оценки урожайности сельскохозяйственных культур и обнаружил, что модель на основе гиперспектральных изображений работает лучше. Кроме того, растительные остатки, оставленные в поле, являются важнейшим материалом, защищающим почву от водной и ветровой эрозии и влияющим на биохимические процессы в почве. Предыдущие исследования, такие как Bannari et al. [106], Галлоза и Кроуфорд [47], Баннари и др. [46], использовали различные гиперспектральные изображения для оценки пожнивных остатков на сельскохозяйственных угодьях.

Помимо оценки биомассы и остатков сельскохозяйственных культур, еще одной темой исследований является изучение биоэнергетики (например, биогаза), которая может быть получена из биомассы сельскохозяйственных культур. Томас и др. [100] попытались оценить количество биогаза, которое может быть произведено на единицу биомассы, используя авиационные данные HyMap, и добились удовлетворительных результатов. В целом, гиперспектральные изображения внесли большой вклад в оценку биомассы сельскохозяйственных культур, урожайности и других связанных характеристик (например, биоэнергетики, растительных остатков). Поскольку на биомассу и урожайность сельскохозяйственных культур сильно влияют методы ведения сельского хозяйства (например, полив и обработка питательными веществами), включение этих практических данных вместе с гиперспектральными изображениями в модель потенциально может дать лучшие результаты. Необходимы дополнительные исследования в этой области.

4.2. Оценка статуса питательных веществ сельскохозяйственных культур

Точное земледелие включает в себя оценку состояния питательных веществ в сельскохозяйственных культурах и предоставление рекомендаций по управлению ресурсами на конкретном участке в соответствии с потребностями сельскохозяйственных культур [206]. Такой подход имеет решающее значение для повышения эффективности использования ресурсов и снижения воздействия на окружающую среду [4,103]. Предыдущие исследования использовали гиперспектральные изображения для оценки содержания азота в различных типах сельскохозяйственных культур, как показано в таблице.9.

Таблица 9. Избранные предыдущие исследования, оценивающие содержание азота в различных типах сельскохозяйственных культур с использованием гиперспектральных изображений.

В целом, благодаря большому объему спектральной информации на гиперспектральных изображениях, состояние питательных веществ сельскохозяйственных культур можно оценить с высокой точностью и предложить соответствующий план обработки удобрениями для достижения оптимального производства сельскохозяйственных культур. Однако также важно помнить, что существует широкий спектр факторов, таких как влажность почвы, тип почвы и топографические условия, которые могут повлиять на рост и урожайность сельскохозяйственных культур. Более комплексный план обработки, учитывающий как состояние питательных веществ сельскохозяйственных культур, так и другие влияющие факторы, может внести больший вклад в производство сельскохозяйственных культур.

4.3. Классификация изображений для определения типов культур, стадий роста и сорняков/ Инвазивные виды и стресс/ Болезнь

Помимо количественной оценки свойств сельскохозяйственных культур, гиперспектральные изображения также использовались для целей классификации, таких как дифференциация типов сельскохозяйственных культур, определение стадий выращивания сельскохозяйственных культур, классификация сорняков или инвазивных видов и обнаружение болезней.218]. Примеры предыдущих исследований приведены в таблице.10. Различные покровы сельскохозяйственных земель или типы сельскохозяйственных культур имеют разные спектральные характеристики; следовательно, гиперспектральные изображения могут внести большой вклад в классификацию этих сельскохозяйственных особенностей.

Засоренность сорняками является серьезной проблемой на сельскохозяйственных полях и может существенно повлиять на рост сельскохозяйственных культур и урожайность. Выявление и картирование сорняков на сельскохозяйственных полях с помощью дистанционного зондирования будет в значительной степени способствовать обработке полей с переменной нормой [219]. Исследователи использовали различные данные и методы дистанционного зондирования для картирования сорняков, как показано в таблице.11. В целом, идентификация сорняков обычно требует высокого пространственного разрешения, поскольку многие сорняки имеют небольшой размер и смешаны с сельскохозяйственными культурами.

Гиперспектральная съемка с помощью БПЛА и ближнего действия способна получать изображения с высоким пространственным разрешением и, таким образом, имеет большой потенциал для обнаружения сорняков.

Мониторинг заболеваний сельскохозяйственных культур очень важен для производителей, пытающихся снизить экономические потери и потери урожая.38]. Гиперспектральная визуализация получает сигналы с высоким спектральным разрешением (например, с интервалом менее 10 нм) и, таким образом, может обнаруживать ранние симптомы болезней сельскохозяйственных культур и способствовать своевременному вмешательству.225]. В предыдущих исследованиях гиперспектральные изображения использовались для выявления заболеваний в разных типах групп (табл.12). В целом, гиперспектральные сигналы чувствительны к изменениям состояния роста сельскохозяйственных культур (например, вызванным болезнью или стрессом) и, таким образом, могут указывать на возникновение болезни или стресса сельскохозяйственных культур. Однако, учитывая, что на состояние урожая могут влиять и другие факторы (например, дефицит питательных веществ), повторная визуализация и анализ вместе с надежным моделированием будут иметь решающее значение для точного и своевременного выявления болезней или стресса сельскохозяйственных культур.

4.4. Определение влажности, плодородия и других физических или химических свойств почвы.

Свойства сельскохозяйственных почв, включая влажность почвы, органическое вещество почвы, засоление почвы и шероховатость почвы, являются важными факторами, влияющими на рост сельскохозяйственных культур и конечную продукцию.7]. Гиперспектральное дистанционное зондирование может внести большой вклад в исследование этих факторов. Например, оценка влажности почвы является одной из самых популярных тем исследований. Финн и др. [108] оценил влажность почвы на трех разных глубинах с использованием аэроспектральных изображений и линейной регрессии, а также обсудил вклад и ограничения гиперспектрального дистанционного зондирования для изучения влажности почвы. Каса и др. [229] исследовали содержание почвенной воды, глины и песка, используя сочетание изображений CHRIS-PROBA и геофизических данных почвы. Шошани и др. [7] обобщил четыре основных подхода к оценке влажности почвы: (1) радиолокационные методы; (2) расчеты радиационного баланса и температуры поверхности; (3) коэффициент отражения в видимом, ближнем ИК- и SWIR-диапазонах; и (4) интегративные методы с использованием нескольких спектральных диапазонов. Хотя влажность почвы можно оценить с помощью данных оптического дистанционного зондирования, на нее часто влияет почвенный покров растений. Интеграция многотипных данных дистанционного зондирования, например, SAR и тепловых данных, возможно, может дать более точные оценки.

SOC является важнейшим компонентом плодородия почвы, который в значительной степени контролирует рост и урожайность сельскохозяйственных культур. Гиперспектральные данные предоставляют мелкие спектральные детали, которые имеют решающее значение для оценки содержания ПОУ. В предыдущих исследованиях для исследования SOC использовались гиперспектральные изображения, полученные разными платформами (таблица13). В целом, гиперспектральные изображения имеют высокий потенциал для оценки органического состава почвы, насыщения углеродом. Однако, как и при оценке влажности почвы, на исследование органического вещества и углерода в почве может сильно влиять растительный покров. Поэтому получение гиперспектральных изображений в межвегетационные периоды может быть решением.

Таким образом, гиперспектральная визуализация успешно применяется в широком спектре сельскохозяйственных приложений, как описано выше и суммировано в таблице.15. Также предлагаются будущие направления исследований.

5. Выводы и рекомендации

Гиперспектральная визуализация имеет большой потенциал для применения в сельском хозяйстве, особенно в точном земледелии, благодаря обширной спектральной информации, чувствительной к различным биофизическим и биохимическим свойствам растений и почвы. В последние годы стали более широко доступны многочисленные платформы, включая спутники, самолеты, БПЛА и платформы ближнего действия, для сбора гиперспектральных изображений с различным пространственным, временным и спектральным разрешением. Эти платформы также имеют различные сильные стороны и ограничения с точки зрения пространственного покрытия, продолжительности полета, гибкости, эксплуатационной сложности и стоимости. Эти факторы необходимо учитывать при выборе платформ визуализации для конкретных исследовательских целей. Дальнейшие технологические разработки также необходимы для преодоления некоторых ограничений, таких как короткий срок службы батареи при работе БПЛА и высокая стоимость гиперспектральных датчиков.

Различные аналитические методы, такие как линейная регрессия, расширенная регрессия, машинное обучение, глубокое обучение и RTM, были изучены в предыдущих исследованиях для анализа огромного количества информации в гиперспектральных изображениях для изучения различных особенностей сельского хозяйства. Предыдущие исследования в основном использовали регрессионный подход, тогда как более физически обоснованные методы, такие как RTM, были изучены меньше. Глубокое обучение и эффективный анализ больших данных — мощные инструменты для распознавания закономерностей в данных дистанционного зондирования. Вместе с гиперспектральными изображениями модели глубокого обучения имеют высокий потенциал для поддержки мониторинга широкого спектра сельскохозяйственных функций. Различные аналитические методы имеют разные преимущества и недостатки, поэтому очень важно сравнивать эти методы для конкретных исследований (например, требования к точности и эффективности вычислений) и выбирать оптимальный подход. Кроме того, спектральная информация изображения обычно используется в качестве переменных для задач прогнозирования или классификации, в то время как другая информация, такая как текстура, изучена меньше. Кроме того, некоторые источники данных, такие как погода, данные об ирригации и историческая информация об урожайности, также могут использоваться в некоторых аналитических методах (например, машинное обучение и глубокое обучение) для лучшего мониторинга характеристик сельскохозяйственных культур. Также необходимы дополнительные исследования в этих областях.

Гиперспектральная визуализация успешно применяется в широком спектре сельскохозяйственных приложений, включая оценку биохимических и биофизических свойств сельскохозяйственных культур; оценка питательных веществ и стрессового состояния сельскохозяйственных культур; классификация или обнаружение типов сельскохозяйственных культур, сорняков и болезней; и исследование характеристик почвы. Предыдущие исследования были сосредоточены на обсуждении одного или двух из многих факторов, влияющих на рост и продуктивность сельскохозяйственных культур, и, таким образом, не могут всесторонне оценить состояние урожая и факторы, ограничивающие рост. Важно интегрировать эти факторы, чтобы лучше понять их взаимосвязь для оптимального растениеводства и защиты окружающей среды. Кроме того, предыдущие исследования с использованием гиперспектральной визуализации в основном были направлены на изучение роста сельскохозяйственных культур с целью повышения урожайности, тогда как меньше исследований было сосредоточено на понимании экосистемной стороны растениеводства (например, экосистемных услуг и биоразнообразия). Необходимы дальнейшие исследования в этих областях.

Вклад автора:Концептуализация, JS, JL, YH, BL и PDD; методология, BL, PDD и YH; расследование, БЛ; письмо – подготовка первоначального черновика, BL; написание — обзор и редактирование, PDD, JS, JL и YH; администрирование проекта, JS, JL и YH; приобретение финансирования, YH. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование:Эта работа финансировалась Советом естественных наук и инженерных исследований Канады (NSERC) в рамках гранта Discovery Grant RGPIN-386183 профессора Юхонга Хэ.

Конфликты интересов:Авторы заявляют об отсутствии конфликта интересов.

Сокращения

ALI Усовершенствованный наземный имиджер
APEX Эксперимент с воздушной призмой
AVIS Бортовой спектрометр видимой ближней инфракрасной области спектра
AVIS Бортовой спектрометр видимой ближней инфракрасной области спектра
АVIRIS Воздушный спектрометр видимой/инфракрасной визуализации
ANN Искусственные нейронные сети
CAI Индекс поглощения целлюлозы
CAI Интеграл поглощения хлорофилла
CARI Индекс коэффициента поглощения хлорофилла
CASI Компактный бортовой спектрографический имидж-сканер
CHRIS Компактный спектрометр формирования изображения высокого разрешения
CNN Сверточная нейронная сеть
DEM Цифровая модель рельефа
DESIS Спектрометр для визуализации зондирования Земли Dlr
DCNI Двухпиковый индекс азота в куполе
EnMAP Программа экологического картирования и анализа
FAPAR Фракция поглощенной фотосинтетически активной радиации
fCover Часть растительного покрова
GCP Наземные контрольные точки
HSI Гиперспектральная визуализация
HySI Гиперспектральный имидж-сканер
HICO Гиперспектральный имидж-сканер для прибрежного океана
HISUI Пакет гиперспектральных изображений
HyspIRI Гиперспектральный инфракрасный тепловизор
HyMAP Гиперспектральный картограф
h NDVI Гиперспектральный нормализованный индекс различий растительности
PRISMA Гиперспектральный предшественник и прикладная миссия
IMU Инерционная единица измерения
LAI Индекс площади листьев
MTCI Индекс наземного хлорофилла Meris
MNF Минимальная доля шума
МCARI/MTVI2 Модифицированный индекс коэффициента поглощения хлорофилла/Модифицированный треугольный индекс растительности 2
МSR Модифицированный индекс простого соотношения
МSAVI Модифицированный индекс растительности с поправкой на почву
МTVI2 Модифицированный треугольный индекс растительности
МIVIS Мультиспектральный инфракрасный и видимый спектрометр
МSI Мультиспектральный инструмент
МLR Многопараметрическая регрессия
NDRE Нормализованная разница, красный край
NDTI Нормализованный индекс разницы в обработке почвы
OLI Оперативный наземный имиджер
OSAVI Оптимизированный индекс растительности с поправкой на почву
PLSR Частичная регрессия наименьших квадратов
PRI Индекс фотохимического отражения
PRESS Прогнозируемая сумма квадратов остаточной ошибки
PCA Анализ главных компонентов
PHI Гиперспектральный имидж-сканер Pushbroom
RTM Моделирование переноса излучения
RF Случайный лес
REP Положение красного края
SWIR Коротковолновый инфракрасный порт
SR Простое соотношение
SVD Разложение по сингулярным значениям
SOC Органический углерод почвы
SHALOM Космическая гиперспектральная прикладная миссия на суше и океане
SFOC Сертификат специальных полетов
SVM Машинная регрессия опорных векторов
ТCARI Поглощение трансформированного хлорофилла в коэффициенте отражения
TCI Треугольный индекс хлорофилла
TVI Треугольный индекс растительности
UMD Единый дизайн функций
UAV Беспилотный летательный аппарат

Ссылки

1. Вайс, М.; Джейкоб, Ф.; Дювейе, Г. Дистанционное зондирование для сельскохозяйственных применений: метаобзор.Дистанционный датчик окружающей среды. 2020 год,236, 111402. [Перекрестная ссылка]

2. Лю, Дж.; Миллер-младший; Хабудан, Д.; Патти, Э.; Нолин, MC. Изменчивость сезонных продуктов изображений CASI и потенциальное применение для разграничения зон управления для точного земледелия.Может. Дж. Дистанционное восприятие, 2005 г.,31, 400–411. [Перекрестная ссылка]

3. Дженсен, младшийДистанционное зондирование окружающей среды: взгляд на ресурсы Земли; Прентис-Холл: Аппер-Сэддл-Ривер, Нью-Джерси, США, 2006 г.

4. Саху, Р.Н.; Рэй, СС; Манджунат, К.Р. Гиперспектральное дистанционное зондирование сельского хозяйства.Курс. наук. 2015 год,108, 848–859.

5. Алонсо, ФГ; Сория, SL; Гозало, Дж. К. Сравнение двух методологий оценки площади посевов в Испании с использованием изображений Landsat TM и наземных данных.Дистанционный датчик окружающей среды. 1991 год,35, 29–35. [Перекрестная ссылка]

6. Макнейрн, Х.; Шампанское, К.; Шан, Дж.; Хольмстрем, Д.; Райхерт, Г. Интеграция изображений оптического радара и радара с синтезированной апертурой (SAR) для проведения оперативных ежегодных инвентаризаций урожая.ISPRS J. Фотограмма. 2009 год,64, 434–449. [Перекрестная ссылка]

7. Шошаны, М.; Гольдшлегер, Н.; Чудновский А. Мониторинг деградации сельскохозяйственных почв методами дистанционного зондирования: Обзор.Межд. Журнал Remote Sens. 2013 г.,34, 6152–6181. [Перекрестная ссылка]

8. Хант, скорая помощь; Дотри, CST Какая польза от беспилотных авиационных систем для дистанционного зондирования сельского хозяйства и точного земледелия?Межд. Журнал Remote Sens. 2018 г.,39, 5345–5376. [Перекрестная ссылка]

9. Тенкабейл, П.С. Биофизическая информация и информация об урожайности для точного земледелия на основе исторических изображений Landsat TM, близких к реальному времени.Межд. Дж. Дистанционное восприятие, 2003 г.,24, 2879–2904. [Перекрестная ссылка]

10. Шан, Дж.; Лю, Дж.; Ма, Б.; Чжао, Т.; Цзяо, X.; Гэн, X.; Хаффман, Т.; Ковач, Дж. М.; Уолтерс, Д. Картирование пространственной изменчивости условий роста сельскохозяйственных культур с использованием данных RapidEye в Северном Онтарио, Канада.Дистанционный датчик окружающей среды. 2015 год,168, 113–125. [Перекрестная ссылка]

11. Адао, Т.; Грушка Ю.; Падуя, Л.; Бесса, Дж.; Перес, Э.; Мораис, Р.; Соуза, Дж. Гиперспектральная визуализация: обзор датчиков, обработки данных и приложений на базе БПЛА для сельского и лесного хозяйства. 2017,9, 1110. [Перекрестная ссылка]

12. Люсье, А.; Маленовский З.; Венесс, Т.; Уоллес, Л. Спектроскопия изображения HyperUAS с помощью мультироторной беспилотной авиационной системы.Дж. Полевой робот. 2014 год,31, 571–590. [Перекрестная ссылка]

13. Гонсалес-Дуго, В.; Эрнандес, П.; Солис, И.; Зарко-Техада, П. Использование гиперспектральных и тепловых аэрофотоснимков высокого разрешения для оценки физиологического состояния в контексте фенотипирования пшеницы.Дистанционный датчик2015 год,7, 13586–13605. [Перекрестная ссылка]

14. Лук-порей.; Коэн, ВБ; Кеннеди, RE; Майерспергер, ТК; Гауэр, С.Т. Гиперспектральные и мультиспектральные данные для оценки индекса площади листьев в четырех различных биомах.Дистанционный датчик окружающей среды. 2004 г.,91, 508–520. [Перекрестная ссылка]

15. Мариотто, И.; Тенкабайль, ПС; Уэте, А.; Слонекер, ET; Платонов А. Гиперспектральное и мультиспектральное моделирование урожайности сельскохозяйственных культур и распознавание типов для миссии HyspIRI.Дистанционный датчик окружающей среды. 2013 год,139, 291–305. [Перекрестная ссылка]

16. Маршалл, М.; Тенкабейл, П. Преимущество гиперспектрального индекса вегетации EO-1 Hyperion перед мультиспектральными индексами вегетации IKONOS, GeoEye-1, WorldView-2, Landsat ETM+ и MODIS при оценке биомассы сельскохозяйственных культур.

ISPRS J. Фотограмма.2015 год,108, 205–218. [Перекрестная ссылка]

17. Сан, Дж.; Ян, Дж.; Ши, С.; Чен, Б.; Ду, Л.; Гонг, В.; Сонг, С. Оценка концентрации азота в листьях риса: влияние алгоритмов регрессии, основанных на пассивном и активном отражении листьев.Дистанционная 2017,9, 951. [Перекрестная ссылка]

18. Дарвишзаде, Р.; Маткан, А.А.; Ахангар А.Д. Инверсия модели переноса радиации для оценки содержания хлорофилла в рисовом пологе с использованием метода справочной таблицы.IEEE J.-STARS 2012 г.,5, 1222–1230. [Перекрестная ссылка]

19. Грушка, Р.; Митчелл, Дж.; Андерсон, М.; Гленн Н.Ф. Радиометрический и геометрический анализ гиперспектральных изображений, полученных с беспилотного летательного аппарата.Дистанционное. 2012.,4, 2736–2752. [Перекрестная ссылка]

20. Трансон, Дж.; д'Андримон, Р.; Монар, А.; Дефурни, П. Обзор приложений гиперспектрального наблюдения Земли из космоса в контексте Sentinel-2.Дистанционная 2018,10, 157. [Перекрестная ссылка]

21. Лоди, В.; Чакраварти, Д.; Митра, П. Система гиперспектральной визуализации: аспекты развития и последние тенденции.Сенсорная визуализация 2019,20, 1–24. [Перекрестная ссылка]

22. Хэтфилд, JL; Прюгер, Дж. Х. Ценность использования различных вегетативных индексов для количественной оценки характеристик сельскохозяйственных культур на разных стадиях роста при различных методах управления.Дистанционное . 2010.,2, 562–578. [Перекрестная ссылка]

23. Чжан, Х.; Лан, Ю.; Эх, КТК; Уэстбрук, Дж.; Клинт Хоффманн, В.; Ян, К.; Хуанг, Ю. Объединение данных дистанционного зондирования с бортовых и наземных датчиков для улучшения обнаружения хлопковых растений.

Вычислить. Электрон. Сельское хозяйство.2013 год,93, 55–59. [Перекрестная ссылка]

24. Махаджан, Греция; Панди, Р.Н.; Саху, Р.Н.; Гупта, В.К.; Датта, Южная Каролина; Кумар, Д. Мониторинг азота, фосфора и серы в гибридном рисе (Oryza sativa L.) с использованием гиперспектрального дистанционного зондирования.Точность. Сельское хозяйство. 2017 год,18, 736–761. [Перекрестная ссылка]

25. Скаули, Т.; Ошалеть; Баарстад, И.; Локе, Т. Компактный комбинированный гиперспектральный и поляриметрический формирователь изображений. В трудах Общества инженеров фотооптического приборостроения, Стокгольм, Швеция, 5 октября 2006 г.; Дриггерс, Р.Г., Хакридж, Д.А., ред.; SPIE-INT SOC Оптическая инженерия: Беллингем, Вашингтон, США, 2016 г.; Том 6395, стр. 44–51.

26. Зарко-Техада, П.Дж.; Суарес, Л.; Гонсалес-Дуго, В. Влияние пространственного разрешения на обнаружение флуоресценции хлорофилла в гетерогенном пологе с использованием гиперспектральных изображений и моделирования переноса излучения.IEEE Geosci. Удаленная соц. 2013 год,10, 937–941. [Перекрестная ссылка]

27. Лу, Б.; Привет.; Дао, П. Д. Сравнение характеристик мультиспектральных и гиперспектральных изображений для оценки свойств растительности.IEEE J. ЗВЕЗДЫ 2019,12, 1784–1797. [Перекрестная ссылка]

28.Использование МКС: MUSES-DESIS (Многопользовательская система зондирования Земли) с прибором DESIS. Доступный

онлайн:https://directory.eoportal.org/web/eoportal/satellite-missions/content/-/article/iss-muses(по состоянию на 3 августа 2020 г.).

29. ПРИЗМА (Миссия по созданию и применению гиперспектрального предшественника). Доступно онлайн:https://directory.eoportal. org/web/eoportal/satellite-missions/p/prisma-hyperspectral#launch(по состоянию на 3 августа 2020 г.).

30. База данных спутниковых миссий. Доступно онлайн:https://directory.eoportal.org/web/eoportal/satellite-missions(по состоянию на 10 ноября 2019 г.).

31. EnMAP (Программа экологического мониторинга и анализа). Доступно онлайн:https://directory.eoportal.org/web/eoportal/satellite-missions/e/enmap(по состоянию на 3 августа 2020 г.).

32. Митчелл, Джей-Джей; Гленн, Северная Каролина; Андерсон, Миссури; Грушка, РЦ; Хэлфорд, А.; Баун, К.; Нидеггер, Н. Гиперспектральное дистанционное зондирование беспилотных летательных аппаратов (БПЛА) для мониторинга растительности засушливых земель. В материалах 4-го семинара 2012 г. по гиперспектральным изображениям и обработке сигналов: эволюция в области дистанционного зондирования (WHISPERS), Шанхай, Китай, 4–7 июня 2012 г.; стр. 1–10.

33. Зарко-Техада, П.Дж.; Гильен-Климан, ML; Эрнандес-Клементе, Р.; Каталина, А.; Гонсалес, MR; Мартин, П. Оценка содержания каротиноидов в листьях виноградников с использованием гиперспектральных изображений высокого разрешения, полученных с беспилотного летательного аппарата (БПЛА).Сельское хозяйство. Лесной Метеорол. 2013 год,171, 281–294. [Перекрестная ссылка]

34. Копенхейвер, К.; Хеллмих, Р.; Хант, Т.; Глейзер, Дж.; Саппингтон, Т.; Кальвин, Д.; Кэрролл, М.; Фриджен, Дж. Использование спектральных индексов растительности, полученных на основе гиперспектральных изображений с воздуха, для обнаружения заражения европейским кукурузным мотыльком на участках кукурузы в Айове.Дж. Экон. Энтомол. 2008 год,101, 1614–1623.

35. Рю, К.; Сугури, М.; Умеда, М. Многомерный анализ содержания азота в рисе на стадии колошения с использованием отражательной способности воздушного гиперспектрального дистанционного зондирования.Полевые культуры Рес. 2011 год,122, 214–224. [Перекрестная ссылка]

36. Лу, Б.; Он, Ю. Оценка эмпирической регрессии, машинного обучения и моделирования переноса радиации для оценки содержания хлорофилла в растительности с использованием двухсезонных гиперспектральных изображений.Дистанционная 2019,11, 1979. [Перекрестная ссылка]

37. Ю, Ф.; Сюй, Т.; Ду, В.; Ма, Х.; Чжан, Г.; Чен, К. Модели переноса излучения (RTM) для инверсии полевого фенотипирования риса на основе гиперспектрального дистанционного зондирования с БПЛА.Межд. Дж. Агрик. Биол. англ. 2017 год,10, 150–157.

38. Теке, М.; Девечи, Х.С.; Халилоглу, О.; Гурбуз, СЗ; Сакарья, У. Краткий обзор применения гиперспектрального дистанционного зондирования в сельском хозяйстве. В материалах 6-й Международной конференции по последним достижениям в области космических технологий (RAST) 2013 г., Стамбул, Турция, 12–14 июня 2013 г.; IEEE: Нью-Йорк, штат Нью-Йорк, США, 2013 г.; стр. 171–176.

39. Дейл, LM; Тьюис, А.; Будри, К.; Ротар, И.; Дарденн, П.; Баетен, В.; Пьерна, JAF Применение гиперспектральной визуализации в сельском хозяйстве и контроле качества и безопасности агропродовольственных товаров: обзор.

Прил. Спектроск. Преподобный.2013 год,48, 142–159. [Перекрестная ссылка]

40.Тяньгун/Шэньчжоу: Китайская программа пилотируемых космических полетов/Тяньчжоуский грузовой космический корабль. Доступно онлайн:

https://directory.eoportal.org/web/eoportal/satellite-missions/t/tiangong(по состоянию на 3 августа 2020 г.).

41. Апан, А.; Хелд, А.; Финн, С.; Маркли, Дж. Обнаружение болезни «апельсиновой ржавчины» сахарного тростника с использованием гиперспектральных изображений EO-1 Hyperion.Межд. Дж. Дистанционное восприятие, 2004 г.,25, 489–498. [Перекрестная ссылка]

42. Дутта, С.; Бхаттачарья, БК; Раджак, ДР; Чаттопадхай, К.; Патель, Северная Каролина; Парихар, Дж. С. Обнаружение болезней в посевах горчицы с использованием данных спутника «Гиперион» eo-1.Дж. Индийская соц. Удаленный 2006 г.,34, 325–330. [Перекрестная ссылка]

43. Мохарана, С.; Дутта, С. Пространственная изменчивость содержания хлорофилла и азота в рисе по гиперспектральным изображениям.ISPRS J. Фотограмма. 2016 год,122, 17–29. [Перекрестная ссылка]

44. Тенкабайль, ПС; Мариотто, И.; Гумма, МК; Миддлтон, EM; Лэндис, доктор медицинских наук; Хьюмрих, К.Ф. Выбор гиперспектральных узких полос (HNB) и состав гиперспектральных двухполосных индексов растительности (HVI) для биофизической характеристики и дискриминации типов сельскохозяйственных культур с использованием коэффициента отражения поля и данных Hyperion/EO-1.IEEE J. ЗВЕЗДЫ 2013,6, 427–439. [Перекрестная ссылка]

45. Ву, К.; Хан, X.; Ню, З.; Донг, Дж. Оценка гиперспектральных данных EO-1 Hyperion для определения содержания хлорофилла и оценки индекса площади листьев.Межд. Дж. Дистанционное восприятие, 2010 г.,31, 1079–1086. [Перекрестная ссылка]

46. Баннари, А.; Стаенц, К.; Шампанское, К.; Хуршид, К. Картирование пространственной изменчивости растительных остатков с использованием гиперспектральных данных Hyperion (EO-1).Дистанционное 2015.,7, 8107–8127. [Перекрестная ссылка]

47. Галлоза, М.С.; Кроуфорд, М. Использование мультисенсорных спектральных данных для улучшения оценок покрытия растительными остатками для управления качеством воды в сельском хозяйстве. В материалах симпозиума Общества геонаук и дистанционного зондирования IEEE, Ванкувер, Британская Колумбия, Канада, 24–29 июля 2011 г.; IEEE: Нью-Йорк, штат Нью-Йорк, США, 2011 г.; стр. 3668–3671.

48. Камачо Веласко, А.; Варгас Гарсия, Калифорния; Аргуэлло Фуэнтес, Х. Сравнительное исследование алгоритмов обнаружения целей в гиперспектральных изображениях, применяемых к сельскохозяйственным культурам в Колумбии.Ревиста Текнура 2016,20, 86–99. [Перекрестная ссылка]

49. Гомес, К.; Россель, РАВ; МакБрэтни, А.Б. Прогнозирование органического углерода в почве с помощью гиперспектрального дистанционного зондирования и полевой vis-NIR-спектроскопии: австралийский практический пример.Геодерма 2008,146, 403–411. [Перекрестная ссылка]

50.Чжан, Т.; Ли, Л.; Чжэн, Б. Оценка свойств сельскохозяйственных почв с помощью визуализации и лабораторной спектроскопии.

J.Прил. Дистанционный датчик2013 год,7, 73587. [Перекрестная ссылка]

51. Бостан, С.; Ортак, Массачусетс; Тунец, К.; Акогуз, А.; Сертель, Э.; Устундаг, Б.Б. Сравнение точности классификации совмещенных гиперспектральных и мультиспектральных изображений для сельскохозяйственных целей. В материалах Пятой Международной конференции по агрогеоинформатике (Агрогеоинформатика) 2016 г., Тяньцзинь, Китай, 18–20 июля 2016 г.; IEEE: Нью-Йорк, штат Нью-Йорк, США, 2016 г.; стр. 1–4.

52.Лоди, В.; Чакраварти, Д.; Митра, П. Гиперспектральная визуализация для наблюдения за Землей: платформы и инструменты.

J.Индийский инст. наук.2018 год,98, 429–443. [Перекрестная ссылка]

53. Аасен, Х.; Болтен, А. Мультивременная спектроскопия изображений высокого разрешения с помощью гиперспектральных 2D-сканеров – от теории к применению.Дистанционный датчик окружающей среды. 2018 год,205, 374–389. [Перекрестная ссылка]

54. Цзя, X.; Ли, С.; Ке, С.; Ху, Б. Обзор космических гиперспектральных изображений и прогресс исследований в области батиметрических карт. В материалах второго саммита по распознаванию целей и искусственному интеллекту. Международное общество оптики и фотоники, Шэньян, Китай, 28–30 августа 2019 г.; SPIE-INT SOC Оптическая инженерия: Беллингем, Вашингтон, США, 2020.

55. Гиперспектральные датчики на головной стене. Доступно онлайн:https://www.headwallphotonics.com/hyperspectral-sensors(по состоянию на 8 мая 2020 г.).

56. Пулланагари, РР; Керестури, Г.; Юл, И. Интеграция аэроспектральных, топографических и почвенных данных для оценки качества пастбищ с использованием рекурсивного исключения признаков со случайной лесной регрессией.Дистанционная 2018,10, 1117. [Перекрестная ссылка]

57. Вергер, А.; Барет, Ф.; Камачо, Ф. Оптимальные методы оценки биофизических характеристик растительного покрова с помощью нейронной сети радиационного переноса: оценка сельскохозяйственной территории с помощью наблюдений CHRIS/PROBA.

Дистанционный датчик окружающей среды.2011 год,115, 415–426. [Перекрестная ссылка]

58. Энтони, Р.; Рэй, СС; Паниграхи, С. Дискриминация стадии урожая пшеницы с использованием многоугольных узкополосных данных CHRIS/PROBA.Дистанционная Lett. 2011 год,2, 71–80. [Перекрестная ссылка]

59. Каса, Р.; Кастальди, Ф.; Паскуччи, С.; Паломбо, А.; Пиньятти, С. Сравнение разрешения датчиков и стратегий калибровки для оценки текстуры почвы на основе гиперспектрального дистанционного зондирования.Геодерма 2013,197, 17–26. [Перекрестная ссылка]

60. Кумар, СПРОСИТЕ; Самудрайя, гиперспектральный формирователь изображения DRM на борту индийского мини-спутника-1. Оптическая полезная нагрузка для космических миссий; Цянь, С., Ред.; John Wiley & Sons: Хобокен, Нью-Джерси, США, 2015 г.; Том 6, стр. 141–160.

61. IMS-1 (Индийский микроспутник-1). Доступно онлайн:https://directory.eoportal.org/web/eoportal/satellite-missions/i/ims-1(по состоянию на 31 марта 2020 г.).

62.Раваль, М.С. Гиперспектральная визуализация: парадигма дистанционного зондирования.CSI Коммун. 2014 год,7, 7–9.

63. Хобрагаде, АН; Рагуванши, М.М. Подходы к контекстной мягкой классификации для идентификации сельскохозяйственных культур с использованием мультисенсорных данных дистанционного зондирования: перспективы машинного обучения для спутниковых изображений. Перспективы и приложения искусственного интеллекта; Спрингер: Чам, Швейцария, 2015 г.; стр. 333–346.

64. Гиперспектральный имидж-сканер прибрежного океана. Доступно онлайн:http://hico.coas.oregonstate.edu/(по состоянию на 1 апреля 2020 г.).

65. Круц, Д.; Мюллер, Р.; Нодт, У.; Гюнтер, Б.; Уолтер, И.; Себастьян, И.; Зойберлих, Т.; Реулке, Р.; Кармона, Э.; Экардт, А.; и др. Приборная конструкция спектрометра DLR Earth SensingImaging (DESIS).Датчики 2019,19, 1622. [Перекрестная ссылка]

66. Использование на МКС: HISUI (Hyperspectral Imager Suite). Доступно онлайн:https://eoportal.org/web/eoportal/satell-missions/content/-/article/iss-utilization-hisui-hyperspectral-imager-suite-#launch(доступ на 1 апрель 2020 г.).

67. Пиньятти, С.; Паломбо, А.; Паскуччи, С.; Романо, Ф.; Сантини, Ф.; Симониелло, Т.; Умберто, А.; Винченцо, К.; Асито, Н.; Диани, М.; и др. Гиперспектральная миссия PRISMA: научная деятельность и возможности для сельского хозяйства и мониторинга земель. В материалах Международного симпозиума IEEE по геонаукам и дистанционному зондированию 2013 г.-IGARSS, Мельбурн, Виктория, Австралия, 21–26 июля 2013 г.; стр. 4558–4561.

68. Гиперспектральный имидж-сканер EnMap. Доступно онлайн:http://www.enmap.org/index.html(по состоянию на 1 декабря 2019 г.).

69. Фейнгерш, Т.; Бен-Дор, Э. ШАЛОМ — Коммерческая гиперспектральная космическая миссия. Оптическая полезная нагрузка для космических миссий; Цянь, С.Э., ред.; John Wiley & Sons, Ltd.: Хобокен, Нью-Джерси, США, 2015 г.; стр. 247–263.

70. Панди, ПК; Маневски, К.; Шривастава, ПК; Петропулос, Г.П. Использование данных гиперспектрального наблюдения за Землей для классификации землепользования/покрова: нынешнее состояние, проблемы и перспективы на будущее. Гиперспектральное дистанционное зондирование растительности, 2-е изд.; Тенкабайль П.С., Лайон Дж.Г., Уэте А., ред.; CRC Press: Бока-Ратон, Флорида,США, 2018 г.; Том 4.

71.Исследование миссии HyspIRI. Доступно онлайн:https://hyspiri.jpl.nasa.gov/(по состоянию на 1 августа 2020 г.).

72. Малек, С.; Рогге, Д.; Хайден, Ю.; Санчес-Азофейфа, А.; Бахманн, М.; Вегманн, М. Возможности космической гиперспектральной миссии EnMAP для картирования фракционного покрова для моделирования эрозии почвы.Дистанционное 2015.,7, 11776–11800. [Перекрестная ссылка]

73. Зигманн, Б.; Джармер, Т.; Бейер, Ф.; Элерс, М. Потенциал комплексных данных EnMAP для оценки LAI пшеницы.Дистанционное . 2015.,7, 12737–12762. [Перекрестная ссылка]

74. Лочерер, М.; Хэнк, Т.; Даннер, М.; Маузер, В. Извлечение сезонного индекса площади листьев из смоделированных данных EnMAP посредством оптимизированной инверсии модели PROSAIL на основе LUT.Дистанционное . 2015.,7, 10321–10346. [Перекрестная ссылка]

75. Бахманн, М.; Макарау А.; Сегл, К.; Рихтер, Р. Оценка влияния неопределенностей спектральной и радиометрической калибровки на продукты данных EnMAP — примеры для восстановления показателей отражения земли и индексов растительности.Дистанционное . 2015.,7, 10689–10714. [Перекрестная ссылка]

76. Кастальди, Ф.; Паломбо, А.; Сантини, Ф.; Паскуччи, С.; Пиньятти, С.; Каса, Р. Оценка потенциала нынешних и будущих мультиспектральных и гиперспектральных изображений для оценки текстуры почвы и органического углерода.

Дистанционный датчик окружающей среды.2016 год,179, 54–65. [Перекрестная ссылка]

77. Кастальди, Ф.; Паломбо, А.; Паскуччи, С.; Пиньятти, С.; Сантини, Ф.; Каса, Р. Уменьшение влияния влажности почвы на оценку глины по гиперспектральным данным: тематическое исследование с использованием смоделированных данных PRISMA.Дистанционный датчик2015 год,7, 15561–15582. [Перекрестная ссылка]

78. Гасродашти, Э.; Карами, А.; Хейлен, Р.; Шеундерс, П. Повышение пространственного разрешения гиперспектральных изображений с использованием спектрального несмешивания и байесовского разреженного представления.Дистанционная 2017,9, 541. [Перекрестная ссылка]

79. Ян, Дж.; Ли, Ю.; Чан, Дж.; Шен, К. Объединение изображений для пространственного улучшения гиперспектрального изображения посредством нелокального разреженного представления на основе групп пикселей.Дистанционная чувствительность 2017,9, 53. [Перекрестная ссылка]

80. Чжао, Ю.; Ян, Дж.; Чан, Дж. К. Суперразрешение гиперспектральных изображений за счет пространственно-спектрального совместного нелокального подобия.IEEE J. ЗВЕЗДЫ 2014 г.,7, 2671–2679. [Перекрестная ссылка]

81. Лонкан, Л.; Алмейда, LB; Биукас-Диас, Ж.М.; Бриотте, X.; Шануссо, Ж.; Добиджон, Н.; Фабр, С.; Ляо, В.; Личкарди, Джорджия; Симойнс, М.; и др. Гиперспектральный паншарпинг: обзор.IEEE Geosci. Дистанционный датчик Mag. 2015 год,3, 27–46. [Перекрестная ссылка]

82. Аснер, врач общей практики; Хайдебрехт, КБ. Визуальная спектроскопия для исследований опустынивания: сравнение авирис и гипериона eo-1 в засушливых районах Аргентины.IEEE Транс. Геосци. Удаленный 2003 г.,41, 1283–1296. [Перекрестная ссылка]

83. Венг, Ю.; Гонг, П.; Чжу, З. Спектральный индекс для оценки засоленности почвы в районе дельты Хуанхэ в Китае с использованием данных EO-1 Hyperion.Педосфера 2010,20, 378–388. [Перекрестная ссылка]

84. Мулла, DJ Двадцать пять лет дистанционного зондирования в точном земледелии: основные достижения и остающиеся пробелы в знаниях.Биосист. англ. 2013 год,114, 358–371. [Перекрестная ссылка]

85. Жакмуд, С.; Барет, Ф.; Андрие, Б.; Дэнсон, FM; Джаггард, К. Извлечение биофизических параметров растительности путем инверсии моделей PROSPECT + SAIL на основе данных об отражательной способности покрова сахарной свеклы. Применение к датчикам TM и AVIRIS.Дистанционный датчик окружающей среды. 1995 год,52, 163–172. [Перекрестная ссылка]

86. Гат, Н.; Эривс, Х.; Фицджеральд, Дж.Дж.; Каффка, СР; Маас, С.Дж. Оценка урожайности сахарной свеклы с использованием индексов, полученных из AVIRIS. Краткое изложение 9-го семинара Лаборатории реактивного движения по бортовым наукам о Земле. Компакт-диск без страниц; Лаборатория реактивного движения: Пасадена, Калифорния, США, 2000 г.

87. Эстеп, Л.; Терри, Г.; Дэвис, Б. Обнаружение стресса сельскохозяйственных культур с использованием гиперспектральных изображений AVIRIS и искусственных нейронных сетей.Межд. Дж. Дистанционное восприятие, 2004 г.,25, 4999–5004. [Перекрестная ссылка]

88. Ченг, Ю.; Устин, СЛ; Риано, Д.; Вандербильт, В.К. Оценка содержания воды по гиперспектральным изображениям и индексам MODIS в юго-восточной Аризоне.Дистанционный датчик окружающей среды. 2008 год,112, 363–374. [Перекрестная ссылка]

89. Паласиос-Оруэта, А.; Устин, С.Л. Дистанционное зондирование свойств почвы в горах Санта-Моники I. Спектральный анализ.Дистанционный датчик окружающей среды. 1998 год,65, 170–183. [Перекрестная ссылка]

90. онлайн:https://www.researchgate.net/publication/2434575_Application_Of_Low_Altitude_Aviris_Imagery_ Of_Agricultural_Fields_In_The_San_Joaquin_Valley_Ca_To_Precision_Farming(по состоянию на 11 июля 2020 г.).

91. Нигам, Р.; Трипати, Р.; Дутта, С.; Бхагиа, Н.; Нагори, Р.; Чандрасекар, К.; Кот, Р.; Бхаттачарья, БК; Устин, С. Различение типов культур и оценка здоровья с использованием гиперспектральной визуализации.Курс. наук. 2019 год,116, 1108–1123. [Перекрестная ссылка]

92. Шиверс, Юго-Запад; Робертс, Д.А.; Макфадден, Дж. П. Использование парных тепловых и гиперспектральных аэрофотоснимков для количественной оценки изменчивости температуры поверхности земли и оценки стресса сельскохозяйственных культур в садах Калифорнии.Дистанционный датчик окружающей среды. 2019 год,222, 215–231. [Перекрестная ссылка]

93.Ран, К.; Ли, В.; Ду, К.; Ян, К. Классификация гиперспектральных изображений для картирования методов обработки почвы.

Дж. Прил. Дистанционный датчик2015 год,9, 97298. [Перекрестная ссылка]

94. Шиверс, Юго-Запад; Робертс, Д.А.; Макфадден, JP; Тейг, К. Использование спектрометрии изображений для изучения изменений посевных площадей в центральной долине Калифорнии во время засухи.Дистанционная 2018,10, 1556. [Перекрестная ссылка]

95. Хабудан, Д.; Миллер-младший; Трамбле, Н.; Зарко-Техада, П.Дж.; Декстраз, Л. Интегрированные узкополосные индексы растительности для прогнозирования содержания хлорофилла в сельскохозяйственных культурах для применения в точном земледелии.Дистанционный датчик окружающей среды. 2002 г.,81, 416–426. [Перекрестная ссылка]

96. Лю, Дж.; Миллер-младший; Хабудан, Д.; Патти, Э.; Хоххайм, К. Оценка фракции сельскохозяйственных культур на основе гиперспектральных данных Casi с использованием линейного спектрального несмешивания и индексов растительности.Может. Дж. Дистанционное восприятие. 2008 г.,34, С124–С138. [Перекрестная ссылка]

97. Гоэл, ПК; Прашер, Т.О.; Лэндри, Дж.; Патель, Р.М.; Виау, А.А. Классификация гиперспектральных изображений для обнаружения засоренности сорняками и определения статуса азота в кукурузе.Пер. АСАЭ 2003 г.,46, 539.

98. Рихтер, К.; Хэнк, Т.; Маузер, В. Подготовительный анализ и разработка алгоритмов для сельскохозяйственных приложений в контексте гиперспектральной миссии EnMAP. В трудах дистанционного зондирования сельского хозяйства, экосистем и гидрологии XII. Международное общество оптики и фотоники, Тулуза, Франция, 22 октября 2010 г.; стр. 782407–7824011.

99. Джармер, Т. Спектроскопия и гиперспектральные изображения для мониторинга ярового ячменя.Межд. Журнал Remote Sens. 2013 г.,34, 6067–6078. [Перекрестная ссылка]

100. Томас, У.; Филипп, Д.; Кристиан, Б.; Франц, Р.; Фредерик, М.; Мартин, С.; Мириам, М.; Люсьен, Х. Получение биоэнергетического потенциала кукурузных посевов с помощью гиперспектрального дистанционного зондирования.Дистанционное . 2013.,5, 254–273.

101. Мьюз, Т.; Франке, Дж.; Менц, Г. Спектральные требования к данным воздушного гиперспектрального дистанционного зондирования для обнаружения болезней пшеницы.Точность. Сельское хозяйство. 2011 год,12, 795–812. [Перекрестная ссылка]

102. Хбирку, К.; Петцольд, С.; Махлейн, А.; Велп, Г. Воздушная гиперспектральная визуализация пространственной неоднородности органического углерода почвы в полевом масштабе.Геодерма 2012,175–176, 21–28. [Перекрестная ссылка]

103. Цилия, К.; Панигада, К.; Россини, М.; Мерони, М.; Бусетто, Л.; Амадуччи, С.; Бошетти, М.; Пикки, В.; Коломбо, Р. Оценка азотного статуса при внесении удобрений с переменной скоростью в кукурузу с помощью гиперспектральных изображений.Дистанционное Чувство. 2014.,6, 6549–6565. [Перекрестная ссылка]

104. Амбрус, А.; Бурай, П.; Ленарт, К.; Эньеди, П.; Ковач, З. Оценка биомассы озимой пшеницы с использованием узкополосных индексов вегетации для точного земледелия.Дж. Цент. Евро. Зеленая инновация. 2015 год,3, 13–22.

105. Оппельт, Н.; Маузер, В. Гиперспектральный мониторинг физиологических параметров пшеницы в течение вегетационного периода с использованием данных AVIS.Межд. Дж. Дистанционное восприятие, 2004 г.,25, 145–159. [Перекрестная ссылка]

106. Баннари, А.; Пачеко, А.; Стаенц, К.; Макнейрн, Х.; Омари, К. Оценка и картирование растительных остатков на сельскохозяйственных землях с использованием гиперспектральных данных и данных IKONOS.Дистанционный датчик окружающей среды. 2006 г.,104, 447–459. [Перекрестная ссылка]

107. Ван Весемаэль, Б.; Тихон, Б.; Бартоломеус, Х.; Кооистра, Л.; ван Леувен, М.; Стивенс, А.; Бен-Дор, Э. Картирование органического углерода почвы на сельскохозяйственных полях с частичной растительностью с помощью визуализирующей спектроскопии.Межд. Дж. Прил. Земля Обс. 2011 год,13, 81–88.

108. Финн, член парламента; Льюис, доктор медицины; Бош, Д.Д.; Хиральдо, М.; Ямамото, К.; Салливан, генеральный директор; Кинкейд, Р.; Луна, Р.; Аллам, ГК; Квин, К.; и др. Дистанционное зондирование влажности почвы с использованием аэрогиперспектральных данных.Гиши. Дистанционный датчик2011 год,48, 522–540. [Перекрестная ссылка]

109. Се, К.; Хуанг, В.; Лян, Д.; Чен, П.; Ву, К.; Ян, Г.; Чжан, Дж.; Хуанг, Л.; Чжан Д. Оценка индекса площади листьев с использованием индексов вегетации, полученных на основе аэроспектральных гиперспектральных изображений озимой пшеницы.IEEE Дж. ЗВЕЗДЫ2014 год,7, 3586–3594. [Перекрестная ссылка]

110. Кастальди, Ф.; Шабрийя, С.; Джонс, А.; Врейс, К.; Боманс, Б.; ван Весемаэль, Б. Оценка органического углерода в почве на возделываемых землях с помощью гиперспектральных удаленных данных APEX с использованием базы данных LUCAS Topsoil.Дистанционная чувствительность 2018,10, 153. [Перекрестная ссылка]

111. Луо, С.; Ван, К.; Си, Х.; Цзэн, Х.; Ли, Д.; Ся, С.; Ван, П. Объединение бортовых LiDAR с дискретным возвратом и гиперспектральных данных для классификации земного покрова.Дистанционная 2016,8, 3. [Перекрестная ссылка]

112. Март, Л.; Тард, А.; Пал, В.; Арбиол, Р. Алгоритм атмосферной коррекции, примененный к гиперспектральным изображениям CASI с разной высотой.Параметры 2006 г.,1, 4.

113. Данные AVIRIS — получение новых данных. Доступно онлайн:https://aviris.jpl.nasa.gov/data/newdata.html(по состоянию на 1 августа 2020 г.).

114. Лу, Б.; Хе, Ю. Классификация видов с использованием изображений высокого пространственного разрешения, полученных с помощью беспилотных летательных аппаратов (БПЛА) на гетерогенных пастбищах.ISPRS J. Фотограмма. 2017 год,128, 73–85. [Перекрестная ссылка]

115. Каса, Р.; Паскуччи, С.; Пиньятти, С.; Паломбо, А.; Нанни, У.; Арфуш, А.; Лаура, Л.; Ди Рокко, М.; Фантоцци, П. Гиперспектральная визуализация на основе БПЛА для распознавания сорняков на кукурузе. Точное земледелие '19; Стаффорд, СП, ред.; Wageningen Academic Publishers: Вагенинген, Нидерланды, 2019 г.; стр. 24–35.

116. Дао, ПД; Привет.; Лу, Б. Максимизация количественной полезности авиационных гиперспектральных изображений для изучения физиологии растений: оптимальная процедура настройки экспозиции датчика и метод эмпирических линий для атмосферной коррекции.Межд. Дж. Прил. Земля Обс. 2019 год,77, 140–150. [Перекрестная ссылка]

117. Каполупо, А.; Кооистра, Л.; Берендонк, К.; Бочча, Л.; Суомалайнен, Дж. Оценка свойств растений лугов по гиперспектральным изображениям, полученным с помощью БПЛА: сравнение статистических подходов.ISPRS Int. Дж. Гео Инф. 2015 год,4, 2792–2820. [Перекрестная ссылка]

118. Лу, Б.; Он, Ю. Оптимальное пространственное разрешение изображений, полученных с помощью беспилотных летательных аппаратов (БПЛА), для классификации видов в гетерогенной луговой экосистеме.Гиши. Дистанционная 2018,55, 205–220. [Перекрестная ссылка]

119. Боненкамп, Д.; Беманн, Дж.; Махлейн, А. Обнаружение желтой ржавчины на пшенице в полевых условиях на наземном пологе и в масштабах БПЛА.Дистанционная 2019,11, 2495. [Перекрестная ссылка]

120. Хабиб, А.; Хан, Ю.; Сюн, В.; Он, Ф.; Чжан, З.; Кроуфорд, М. Автоматизированное орто-исправление гиперспектральных данных, полученных с помощью БПЛА, над сельскохозяйственным полем с использованием кадровых RGB-изображений.Дистанционная 2016,8, 796. [Перекрестная ссылка]

121. Хонкаваара, Э.; Саари, Х.; Кайвосоя, Дж.; Поленен, И.; Хакала, Т.; Литкей, П.; Мякинен, Дж.; Песонен, Л. Обработка и оценка спектрометрических стереоскопических изображений, собранных с помощью легкой спектральной камеры БПЛА для точного земледелия.Дистанционное . 2013.,5, 5006–5039. [Перекрестная ссылка]

122. Саари, Х.; Пелликка, И.; Песонен, Л.; Туоминен, С.; Хейккила, Дж.; Холмлунд, К.; Макинен, Дж.; Оджала, К.; Антила, Т. Система спектральных камер, управляемая беспилотными летательными аппаратами (БПЛА), для лесного и сельского хозяйства. В трудах дистанционного зондирования сельского хозяйства, экосистем и гидрологии XIII. Международное общество оптики и фотоники, Прага, Чехия, 6 октября 2011 г.; Том 8174.

123. Хонкаваара, Э.; Кайвосоя, Дж.; Мякинен, Дж.; Пелликка, И.; Песонен, Л.; Саари, Х.; Сало, Х.; Хакала, Т.; Марклелин, Л.; Рознелл, Т. Сигнатуры гиперспектрального отражения и облака точек для точного земледелия с помощью системы формирования изображений с помощью легких БПЛА.ИСПРС Анн. Фотограмма. Дистанционный датчик. Инф. наук. 2012 год,7, 353–358. [Перекрестная ссылка]

124. Юэ, Дж.; Ян, Г.; Ли, К.; Ли, З.; Ван, Ю.; Фэн, Х.; Сюй, Б. Оценка надземной биомассы озимой пшеницы с использованием беспилотного летательного аппарата, гиперспектрального датчика моментальных снимков и моделей, улучшенных по высоте урожая.Дистанционный датчик2017 год,9, 708. [Перекрестная ссылка]

125. Поленен, И.; Саари, Х.; Кайвосоя, Дж.; Хонкаваара, Э.; Песонен, Л. Оценка биомассы и содержания азота на основе гиперспектральных изображений с помощью легкого БПЛА. В трудах дистанционного зондирования сельского хозяйства, экосистем и гидрологии XV. Международное общество оптики и фотоники, Дрезден, Германия, 16 октября 2013 г.; п. 88870Дж.

126. Кайвосоя, Дж.; Песонен, Л.; Клеемола, Дж.; Поленен, И.; Сало, Х.; Хонкаваара, Э.; Саари, Х.; Мякинен, Дж.; Раджала, А. Тематическое исследование создания задач по точному внесению удобрений для пшеницы на основе классифицированных гиперспектральных данных с БПЛА в сочетании с данными истории фермы. В материалах SPIE Remote Sensing, Дрезден, Германия, 24–26 сентября 2013 г.; стр. 1–11.

127. Ахтман Ю.; Голубева Е.; Тутубалина О.; Зимин М. Применение гиперспектральных изображений и наземных данных для точного земледелия.геогр. Окружающая среда. Поддерживать. 2017 год,10, 117–128. [Перекрестная ссылка]

128. Иззо, РР; Лаксо, АН; Марцелл, Эд; Баух, Т.Д.; Ракено, штат Нью-Йорк; Ван Аардт, Дж. Первоначальный анализ обнаружения состояния воды виноградной лозы в режиме реального времени с помощью sUAS в винодельческом регионе Фингер-Лейкс в северной части штата Нью-Йорк. Труды автономных систем воздушного и наземного зондирования для оптимизации сельского хозяйства и фенотипирования IV; Международное общество оптики и фотоники: Балтимор, Мэриленд, США, 2019.

129. Шеррер, Б.; Шеппард, Дж.; Джа, П.; Шоу, Дж. А. Гиперспектральная визуализация и нейронные сети для классификации сорняков, устойчивых к гербицидам.Дж. Прил. Дистанционная 2019,13, 044516. [Перекрестная ссылка]

130. Юэ, Дж.; Фэн, Х.; Джин, X.; Юань, Х.; Ли, З.; Чжоу, К.; Ян, Г.; Тиан, К. Сравнение оценки параметров сельскохозяйственных культур с использованием изображений, полученных с помощью гиперспектрального датчика моментальных снимков, установленного на БПЛА, и цифровой камеры высокого разрешения.Дистанционная 2018,10, 1138. [Перекрестная ссылка]

131. Дальпонте, М.; Орка, ХО; Гобаккен, Т.; Джанель, Д.; Нэссет, Э. Классификация видов деревьев в бореальных лесах с использованием гиперспектральных данных.IEEE Транс. Геосци. Удаленный 2013,51, 2632–2645. [Перекрестная ссылка]

132. Аасен, Х.; Бендиг, Дж.; Болтен, А.; Беннерц, С.; Уиллкомм, М.; Барет, Г. Введение и предварительные результаты калибровки полнокадровых гиперспектральных камер для мониторинга сельскохозяйственных культур с помощью БПЛА.Межд. Арх. Фотограмма. Дистанционный датчик. Инф. наук. 2014 год,XL-7, 1–8. [Перекрестная ссылка]

133. Чжу, В.; Солнце, З.; Хуанг, Ю.; Лай, Дж.; Ли, Дж.; Чжан, Дж.; Ян, Б.; Ли, Б.; Ли, С.; Чжу, К.; и др. Улучшение извлечения LAI пшеницы в полевых условиях на основе наблюдений дистанционного зондирования БПЛА и оптимизированных VI-LUT.Дистанционная 2019,11, 2456. [Перекрестная ссылка]

134. Чжао, Дж.; Чжун, Ю.; Ху, Х.; Вэй, Л.; Чжан, Л. Надежный спектрально-пространственный подход к идентификации гетерогенных культур с использованием изображений дистанционного зондирования с высоким спектральным и пространственным разрешением.Дистанционный датчик окружающей среды. 2020 год,239, 111605. [Перекрестная ссылка]

135. Зарко-Техада, П.Дж.; Гонсалес-Дуго, В.; Берни, JAJ Флуоресценция, температура и узкополосные индексы, полученные с платформы БПЛА для обнаружения водного стресса с использованием микрогиперспектрального формирователя изображения и тепловизионной камеры.Дистанционный датчик окружающей среды. 2012 год,117, 322–337. [Перекрестная ссылка]

136. Лу, Б.; Привет.; Лю, HHT Картирование биофизических и биохимических свойств растительности с использованием изображений, полученных с беспилотных летательных аппаратов.Межд. Журнал Remote Sens. 2018 г.,39, 5265–5287. [Перекрестная ссылка]

137. Мальмир, М.; Тахмасбиан, И.; Сюй, З.; Фаррар, МБ; Бай С.Х. Прогноз содержания почвенных макро- и микроэлементов в просеянных и измельченных воздушно-сухих почвах с использованием лабораторного метода гиперспектральной визуализации.Геодерма 2019,340, 70–80. [Перекрестная ссылка]

138. Ван де Вийвер, Р.; Мертенс, К.; Хёнгенс, К.; Сомерс, Б.; Найттенс, Д.; Борра-Серрано, И.; Лутенс, П.; Ролдан-Руис, И.; Вангейт, Дж.; Саис, В. Обнаружение Altemaria solani в посевах картофеля с использованием гиперспектральной визуализации.Вычислить. Электрон. Сельское хозяйство. 2020 год,168, 105106. [Перекрестная ссылка]

139. Эдди, пиарщик; Смит, AM; Хилл, BD; Педдл, ДР; Коберн, Калифорния; Блэкшоу, Р.Э. Гибридная сегментация - классификация гиперспектральных изображений высокого разрешения с помощью искусственной нейронной сети для индивидуального управления гербицидами в сельском хозяйстве.Фотограмма. англ. Дистанционное Чувство. 2008.,74, 1249–1257. [Перекрестная ссылка]

140. Фэн, Х.; Чен, Г.; Сюн, Л.; Лю, К.; Ян, В. Точная оцифровка распределения хлорофилла в отдельных листьях риса с использованием гиперспектральной визуализации и интегрированного конвейера анализа изображений.Передний. Наука о растениях.2017 год,8, 1238. [Перекрестная ссылка]

141. Асаари, МСМ; Мишра, П.; Мертенс, С.; Дондт, С.; Инзе, Д.; Вуйтс, Н.; Шеундерс, П. Анализ гиперспектральных изображений с близкого расстояния для раннего обнаружения стрессовых реакций у отдельных растений на высокопроизводительной платформе фенотипирования.ISPRS J. Фотограмма. 2018 год,138, 121–138. [Перекрестная ссылка]

142. Чжу, В.; Ли, Дж.; Ли, Л.; Ван, А.; Вэй, X.; Мао, Х. Неразрушающая диагностика растворимого сахара, общего азота и их соотношения в листьях томата в теплице с помощью поляризованных спектров-гиперспектров. Введение в объединение данных pls Package l.Межд. Дж. Агрик. Биол. англ. 2020 год,13, 189–197.

143. Морель, Дж.; Джей, С.; Фере, Ж.; Бакаче, А.; Бендула, Р.; Каррил, Ф.; Горретта, Н. Изучение потенциала ПРОКОЗИНА и гиперспектральной визуализации ближнего действия для изучения влияния грибковых заболеваний на физиологию листьев.наук. Представитель2018 год,8, 1–13. [Перекрестная ссылка] [ПабМед]

144. Нагасубраманиан, К.; Джонс, С.; Сингх, АК; Саркар, С.; Сингх, А.; Ганапатисубраманиан, Б. Идентификация болезней растений с использованием объяснимого трехмерного глубокого обучения на гиперспектральных изображениях.Растительные методы 2019,15, 98. [Перекрестная ссылка] [ПабМед]

145. Лопатин Ю.; Фасснахт, FE; Каттенборн, Т.; Шмидтлейн, С. Картирование видов растений в смешанных пастбищных сообществах с использованием спектроскопии визуализации с близкого расстояния.Дистанционный датчик окружающей среды. 2017 год,201, 12–23. [Перекрестная ссылка]

146. Беманн, Дж.; Махлейн, А.; Паулюс, С.; Дюпюи, Ж.; Кульманн, Х.; Орке, Э.; Плюмер, Л. Создание и применение гиперспектральных 3D-моделей растений: методы и проблемы.Мах. Вис. Прил. 2016 год,27, 611–624. [Перекрестная ссылка]

147. Антонуччи, Ф.; Менесатти, П.; Холден, Нью-Мексико; Канали, Э.; Георгий, С.; Майенца, А.; Стази, С.Р. Гиперспектральное определение концентрации меди в видимой и ближней инфракрасной области спектра в почвах, загрязненных сельскохозяйственным производством.Коммун. Почвоведение. План. 2012 год,43, 1401–1411. [Перекрестная ссылка]

148. Ван, П.; Ян, Г.; Сюй, Б.; Фэн, Х.; Ю, Х. Метод геометрической коррекции вращательного сканирования гиперспектрального изображения в сельском хозяйстве. В материалах конференций Комитета фотоэлектронных технологий Китайского общества астронавтики, Пекин, Китай, 13–15 мая 2014 г.

149. Ага, Ю.; Чунг, В.; Ляо, Дж.; Чунг, К.; Куо, Ю.; Лин, Т. Оценка антракноза листьев клубники с помощью гиперспектральной визуализации.Вычислить. Электрон. Сельское хозяйство. 2016 год,122, 1–9. [Перекрестная ссылка]

150. Лю, Ю.; Ван, Т.; Ма, Л.; Ван, Н. Спектральная калибровка гиперспектральных данных, наблюдаемых с гиперспектрометра, установленного на платформе беспилотного летательного аппарата.IEEE Дж. Сел. Вершина. Прил. Земля Обс. Дистанционное . 2014.,7, 2630–2638.

151.Миглани, А.; Рэй, СС; Панди, Р.; Парихар, Дж. С. Оценка данных гипериона EO-1 для сельскохозяйственных применений.

Дж. Индийская соц. Удаленный2008 год,36, 255–266. [Перекрестная ссылка]

152. Амато, У.; Антониадис, А.; Карфора, МФ; Коландреа, П.; Куомо, В.; Францезе, М.; Пиньятти, С.; Серио, К. Статистическая классификация для оценки гиперспектрального потенциала PRISMA для использования сельскохозяйственных земель.IEEE Дж. ЗВЕЗДЫ2013 год,6, 615–625. [Перекрестная ссылка]

153. Тенкабайль, ПС; Гумма, МК; Телугунтла, П.; Мохаммед И.А. Гиперспектральное дистанционное зондирование растительности и сельскохозяйственных культур.Фотограмма. англ. Дистанционный датчик J. Am. Соц. Фотограмма. 2014 год,80, 697–709.

154. Ван, Ю.; Яо, Х.; Чжао, С. Уменьшение размерности на основе автоматического кодировщика.Нейрокомпьютинг 2016,184, 232–242. [Перекрестная ссылка]

155. Сюй, П.; Ценг, Ю.; Гонг, П. Уменьшение размеров гиперспектральных изображений для целей классификации.геогр. Инф. наук.2002 г.,8, 1–8. [Перекрестная ссылка]

156. Абдолмалеки, М.; Фатианпур, Н.; Табаи, М. Оценка эффективности вейвлет-преобразования при извлечении признаков спектральных изменений из гиперспектральных изображений.Межд. Журнал Remote Sens. 2018 г.,39, 6076–6094. [Перекрестная ссылка]

157. Цао, X.; Яо, Дж.; Фу, Х.; Би, Х.; Хонг, Д. Усовершенствованное трехмерное дискретное вейвлет-преобразование для классификации гиперспектральных изображений.IEEE Geosci. Удаленная соц. 2020 год, 1–5. [Перекрестная ссылка]

158. Прабхакар, TVN; Гита, П. Двумерное эмпирическое вейвлет-преобразование на основе контролируемой классификации гиперспектральных изображений.ISPRS J. Фотограмма. 2017 год,133, 37–45. [Перекрестная ссылка]

159. Гэн, X.; Сан, К.; Джи, Л.; Чжао, Ю. Быстрый метод выбора полос на основе объемного градиента для гиперспектрального изображения.IEEE Транс. Геосци. Удаленный 2014,52, 7111–7119. [Перекрестная ссылка]

160. Ван, К.; Гонг, М.; Чжан, М.; Чан, Ю. Неконтролируемый выбор полосы гиперспектрального изображения посредством выбора подмножества столбцов.IEEE Geosci. Удаленная соц. 2015 год,12, 1411–1415. [Перекрестная ссылка]

161.Ван, К.; Лин, Дж.; Юань, Ю. Выбор заметной полосы для классификации гиперспектральных изображений с помощью ранжирования многообразия.

IEEE Транс. Нейронная сеть. Учиться. Сист.2016 год,27, 1279–1289. [Перекрестная ссылка]

162. Тенкабайль, ПС; Смит, РБ; Де Пау, Э. Гиперспектральные индексы растительности и их связь с характеристиками сельскохозяйственных культур.Дистанционный датчик окружающей среды. 2000 г.,71, 158–182. [Перекрестная ссылка]

163. Невалайнен, О.; Хакала, Т.; Суомалайнен, Дж.; Каасалайнен, С. Оценка концентрации азота с помощью гиперспектрального LiDAR.ИСПРС Анн. Фотограмма. Дистанционный датчик. Инф. наук. 2013 год,2, 205–210. [Перекрестная ссылка]

164. Хуанг, В.; Лэмб, Д.В.; Ню, З.; Чжан, Ю.; Лю, Л.; Ван, Дж. Идентификация желтой ржавчины на пшенице с использованием измерений спектральной отражательной способности in-situ и воздушной гиперспектральной визуализации.Точность. Сельское хозяйство. 2007 год,8, 187–197. [Перекрестная ссылка]

165. Тонг, А.; Он, Ю. Оценка и картирование содержания хлорофилла для гетерогенных пастбищ: сравнение прогнозирующей способности набора индексов растительности в разных масштабах между годами.ISPRS J. Фотограмма. 2017 год,126, 146–167. [Перекрестная ссылка]

166. Хабудан, Д.; Трамбле, Н.; Миллер-младший; Виньо, П. Дистанционная оценка содержания хлорофилла в сельскохозяйственных культурах с использованием спектральных индексов, полученных на основе гиперспектральных данных.IEEE Т. Геосци. Удаленный 2008,46, 423–437. [Перекрестная ссылка]

167. Главный, Р.; Чо, Массачусетс; Матье, Р.; О'Кеннеди, ММ; Рамоэло, А.; Кох, С. Исследование надежных спектральных показателей для оценки хлорофилла листьев.ISPRS J. Фотограмма. 2011 год,66, 751–761. [Перекрестная ссылка]

168. Пэн, Ю.; Гительсон А.А. Дистанционная оценка валовой первичной продуктивности сои и кукурузы по общему содержанию хлорофилла в культурах.Дистанционный датчик окружающей среды. 2012 год,117, 440–448. [Перекрестная ссылка]

169. Крофт, Х.; Чен, Дж. М.; Чжан Ю. Применимость эмпирических индексов вегетации для определения содержания хлорофилла в листьях в различных структурах листьев и кроны. Ecol. Complex. 2014,17, 119–130. [Перекрестная ссылка]

170. Чжоу, X.; Хуанг, В.; Конг, В.; Йе, Х.; Луо, Дж.; Чен, П. Дистанционная оценка содержания азота в пологе озимой пшеницы с использованием измерений гиперспектральной отражательной способности воздуха.Адв. Космическое разрешение. 2016 год,58, 1627–1637. [Перекрестная ссылка]

171. Юэ, Дж.; Фэн, Х.; Ян, Г.; Ли, З. Сравнение методов регрессии для оценки надземной биомассы озимой пшеницы с использованием приповерхностной спектроскопии.Дистанционная 2018,10, 66. [Перекрестная ссылка]

172. Хансен, премьер-министр; Шёрринг, Дж. К. Измерение отражательной способности биомассы растительного покрова и статуса азота в посевах пшеницы с использованием нормализованных разностных вегетационных индексов и частичной регрессии наименьших квадратов.Дистанционный датчик окружающей среды. 2003 г.,86, 542–553. [Перекрестная ссылка]

173. Нгуен, ХТ; Ли, Б. Оценка роста листьев риса и состояния азота с помощью гиперспектральной отражательной способности кроны и частичной регрессии наименьших квадратов.Евро. Ж. Агрон. 2006 г.,24, 349–356. [Перекрестная ссылка]

174. Педрегоса, Ф.; Варокво, Г.; Грамфорт, А.; Мишель, В.; Тирион, Б.; Гризель, О.; Блондель, М.; Преттенхофер, П.; Вайс, Р.; Дюбур, В.; и др. Scikit-learn: машинное обучение на Python.Мах. Учиться. 2011 год,12, 2825–2830 гг.

175. Мевик, Б.; Веренс, Р.Знакомство с пакетом PLS. Раздел помощи. Пакет «Pls» R Studio Software; Р Найден. Стат. Расчёт.: Вена, Австрия, 2015; стр. 1–23.

176. Аснер, врач общей практики; Мартин, Р.Э.; Андерсон, CB; Кнапп, Д.Э. Количественная оценка характеристик лесного полога: визуальная спектроскопия в сравнении с полевыми исследованиями.Дистанционный датчик окружающей среды. 2015 год,158, 15–27. [Перекрестная ссылка]

177. Киала, З.; Одинди, Дж.; Мутанга, О. Потенциал интервальной частичной регрессии наименьших квадратов при оценке индекса площади листа.С. Афр. Дж. Наук. 2017 год,113, 40–48. [Перекрестная ссылка]

178. Ван, З.; Кавамура, К.; Сакуно, Ю.; Фан, Х.; Гонг, З.; Лим, Дж. Извлечение хлорофилла-а и общего количества взвешенных веществ с использованием регрессии итеративного пошагового исключения частичных наименьших квадратов (ISE-PLS) на основе полевых гиперспектральных измерений в оросительных прудах в Хигасихиросиме, Япония.Дистанционная 2017,9, 264. [Перекрестная ссылка]

179. Мехмуд, Т.; Ахмед, Б. Разнообразие применений частичного наименьших квадратов: обзор.Дж. Хемометр. 2016 год,30, 4–17. [Перекрестная ссылка]

180. Жакмуд, С.; Барет, Ф. ПРОСПЕКТ — модель спектров оптических свойств листьев.Дистанционный датчик окружающей среды. 1990 год,34, 75–91. [Перекрестная ссылка]

181. Жакмуд, С.; Бакур, К.; Поилве, Х.; Франджи, Дж. П. Сравнение четырех моделей переноса излучения для моделирования отражательной способности крон растений: прямой и обратный режим.Дистанционный датчик окружающей среды. 2000 г.,74, 471–481. [Перекрестная ссылка]

182. Каса, Р.; Джонс, Х.Г. Извлечение свойств растительного покрова: сравнение инверсии модели на основе гиперспектральных данных и классификации изображений.Межд. Дж. Дистанционное восприятие, 2004 г.,25, 1119–1130. [Перекрестная ссылка]

183. Рихтер, К.; Хэнк, Т.; Ацбергер, К.; Лочерер, М.; Маузер, В. Стратегии регуляризации сельскохозяйственного мониторинга: анализатор растительности EnMAP (AVA). В материалах Международного симпозиума IEEE по геонаукам и дистанционному зондированию 2012 г., Мюнхен, Германия, 22–27 июля 2012 г.; стр. 6613–6616.

184. Ву, К.; Ван, Л.; Ню, З.; Гао, С.; Ву, М. Неразрушающая оценка содержания хлорофилла в пологе с использованием изображений Hyperion и Landsat/TM.Межд. Дж. Дистанционное восприятие, 2010 г.,31, 2159–2167. [Перекрестная ссылка]

185. Дарвишзаде, Р.; Ацбергер, К.; Скидмор, А.; Шлерф, М. Картирование индекса площади листьев пастбищ с помощью авиационных гиперспектральных изображений: сравнительное исследование статистических подходов и инверсии моделей переноса радиации.ISPRS J. Фотограмма. 2011 год,66, 894–906. [Перекрестная ссылка]

186.Брейман Л. Случайные леса.Мах. Учиться. 2001 г.,45, 5–32. [Перекрестная ссылка]

187. Были, К.; Буй, ДТ; Дик, ОБ; Сингх, Б.Р. Сравнительная оценка регрессии опорных векторов, искусственных нейронных сетей и случайных лесов для прогнозирования и картирования запасов органического углерода в почве в афромонтаном ландшафте.Экол. Индик. 2015 год,52, 394–403. [Перекрестная ссылка]

188. Гао, Дж.; Найттенс, Д.; Лутенс, П.; Привет.; Питерс, Дж. Г. Распознавание сорняков в посевах кукурузы с использованием алгоритма машинного обучения случайного леса и мозаичных гиперспектральных изображений в ближнем инфракрасном диапазоне.Биосист. англ. 2018 год,170, 39–50. [Перекрестная ссылка]

189. Зигманн, Б.; Джармер, Т. Сравнение различных регрессионных моделей и методов проверки для оценки индекса площади листьев пшеницы на основе гиперспектральных данных.Межд. Журнал Remote Sens. 2015 г.,36, 4519–4534. [Перекрестная ссылка]

190. Адам, Э.; Дэн, Х.; Одинди, Дж.; Абдель-Рахман, ЕМ; Мутанга, О. Обнаружение ранней стадии заражения пятнистостью листьев Phaeosphaeria в посевах кукурузы с использованием гиперспектральных данных in situ и управляемого регуляризованного случайного лесного алгоритма.Дж. Спектроск. 2017 год,2017 год, 1–8. [Перекрестная ссылка]

191. Камиларис, А.; Пренафета-Болду, FX Глубокое обучение в сельском хозяйстве: обзор.Вычислить. Электрон. Сельское хозяйство. 2018 год,147, 70–90. [Перекрестная ссылка]

192. Юань, К.; Шен, Х.; Ли, Т.; Ли, З.; Ли, С.; Цзян, Ю.; Сюй, Х.; Тан, В.; Ян, К.; Ван, Дж.; и др. Глубокое обучение в области дистанционного зондирования окружающей среды: достижения и проблемы.Дистанционный датчик окружающей среды. 2020 год,241, 111716. [Перекрестная ссылка]

193. Шарма, А.; Лю, X.; Ян, X. Классификация земного покрова на основе многовременных и мультиспектральных изображений дистанционного зондирования с использованием рекуррентных нейронных сетей на основе патчей.Нейронная сеть. 2018 год,105, 346–355. [Перекрестная ссылка]

194. Чжан, К.; Сарджент, И.; Пан, X.; Ли, Х.; Гардинер, А.; Хэйр, Дж.; Аткинсон, премьер-министр Объединенного глубокого обучения для классификации земного покрова и землепользования.Дистанционный датчик окружающей среды. 2019 год,221, 173–187. [Перекрестная ссылка]

195. Резаи, М.; Махдианпари, М.; Чжан, Ю.; Салехи, Б. Глубокая сверточная нейронная сеть для сложной классификации водно-болотных угодий с использованием изображений оптического дистанционного зондирования.IEEE J. ЗВЕЗДЫ 2018,11, 3030–3039. [Перекрестная ссылка]

196. Сюй, Ю.; Ву, Л.; Се, З.; Чен, З. Построение извлечения изображений дистанционного зондирования очень высокого разрешения с использованием глубокого обучения и управляемых фильтров.Дистанционная чувствительность 2018,10, 144. [Перекрестная ссылка]

197. Кувата, К.; Шибасаки, Р. Оценка урожайности сельскохозяйственных культур с помощью глубокого обучения и данных дистанционного зондирования. В материалах Международного симпозиума по геонаукам и дистанционному зондированию (IGARSS) IEEE 2015 г., Милан, Италия, 26–31 июля 2015 г.; стр. 858–861.

198. Моханти, СП; Хьюз, ДП; Салате, М. Использование глубокого обучения для обнаружения болезней растений на основе изображений.Передний. Наука о растениях.2016 год,7, 1419. [Перекрестная ссылка] [ПабМед]

199. Джи, С.; Чжан, К.; Сюй, А.; Ши, Ю.; Дуан, Ю. 3D-сверточные нейронные сети для классификации сельскохозяйственных культур с помощью многовременных изображений дистанционного зондирования.Дистанционная чувствительность 2018,10, 75. [Перекрестная ссылка]

200. Ндикумана, Э.; Хо Тонг Мин, Д.; Багдади, Н.; Куро, Д.; Хоссард, Л. Глубокая рекуррентная нейронная сеть для сельскохозяйственной классификации с использованием многовременного SAR Sentinel-1 для Камарга, Франция.Дистанционная 2018,10, 1217. [Перекрестная ссылка]

201. Сингх, АК; Ганапатисубраманиан, Б.; Саркар, С.; Сингх, А. Глубокое обучение для фенотипирования стресса растений: тенденции и перспективы на будущее.Тенденции растениеводства. 2018 год,23, 883–898. [Перекрестная ссылка]

202. Члингарян А.; Суккарие, С.; Уилан, Б. Подходы машинного обучения для прогнозирования урожайности и оценки статуса азота в точном земледелии: обзор.Вычислить. Электрон. Сельское хозяйство. 2018 год,151, 61–69. [Перекрестная ссылка]

203. Песня, X.; Чжан, Г.; Лю, Ф.; Ли, Д.; Чжао, Ю.; Ян, Дж. Моделирование пространственно-временного распределения влаги в почве с помощью модели клеточных автоматов, основанной на глубоком обучении.Дж. Засушливая земля 2016 г.,8, 734–748. [Перекрестная ссылка]

204. Мохарана, С.; Датта, С. Оценка изменчивости водного стресса в системе выращивания риса по космическим гиперионным изображениям.Агр. Водный менеджер. 2019 год,213, 260–269. [Перекрестная ссылка]

205. Ян, К. Гиперспектральные изображения с воздуха для картирования изменчивости урожайности.геогр. Компас 2009,3, 1717–1731. [Перекрестная ссылка]

206.Зимдал, РЛ Шесть химикатов, которые изменили сельское хозяйство; Академическое издательство: Кембридж, Массачусетс, США, 2015.

207. Гоэл, ПК; Прашер, Т.О.; Лэндри, Дж.А.; Патель, Р.М.; Боннелл, РБ; Виау, А.А.; Миллер, Дж.Р. Возможности воздушного гиперспектрального дистанционного зондирования для обнаружения дефицита азота и заражения кукурузы сорняками.

Вычислить. Электрон. Сельское хозяйство.2003 г.,38, 99–124. [Перекрестная ссылка]

208. Кемада, М.; Габриэль, Дж.; Зарко-Техада, П. Гиперспектральные изображения с воздуха и оптические датчики наземного уровня как инструменты оценки азотного удобрения кукурузы.Дистанционное . 2014.,6, 2940–2962. [Перекрестная ссылка]

209. Коппе, В.; Лаудиен, Р.; Гнип, МЛ; Цзя, Л.; Ли, Ф.; Чен, X.; Барет, Г. Получение характеристик озимой пшеницы на основе комбинированного анализа радиолокационных и гиперспектральных данных.Proceedings of the Geoinformatics, Ухань, Китай, 28–29 октября 2006 г.; Данные и информация дистанционного зондирования. Оптическая инженерия SPIE-INT SOC: Беллингем, Вашингтон, США, 2006 г.

210. Кастальди, Ф.; Кастриньяно, А.; Каса, Р. Метод объединения данных и пространственного анализа данных для оценки поглощения азота зерном пшеницы по спутниковым данным.Межд. Журнал Remote Sens. 2016 г.,37, 4317–4336. [Перекрестная ссылка]

211. Чжэн, Х.; Чжоу, X.; Ченг, Т.; Яо, X.; Тиан, Ю.; Цао, В.; Чжу, Ю. Оценка гиперспектральной кадровой камеры на базе БПЛА для мониторинга концентрации азота в листьях риса. В материалах Международного симпозиума IEEE по геонаукам и дистанционному зондированию IGARSS, Пекин, Китай, 10–15 июля 2016 г.; стр. 7350–7353.

212. Чжоу, К.; Ченг, Т.; Чжу, Ю.; Цао, В.; Устин, СЛ; Чжэн, Х.; Яо, X.; Тиан, Ю. Оценка влияния пространственного разрешения на оценку концентрации азота в листьях в течение всего сезона выращивания риса-сырца с использованием данных спектроскопии приповерхностного изображения.Передний. Наука о растениях. 2018 год,9, 964. [Перекрестная ссылка] [ПабМед]

213. Наси, Р.; Вильянен, Н.; Кайвосоя, Дж.; Алхоноджа, К.; Хакала, Т.; Маркелин, Л.; Хонкаваара, Э. Оценка биомассы и количества азота в ячмене и траве с использованием спектральных и фотограмметрических 3D-функций на базе БПЛА и самолетов.Дистанционная 2018,10, 1082. [Перекрестная ссылка]

214. Нигон, Ти Джей; Мулла, диджей; Розен, CJ; Коэн, Ю.; Альханатис, В.; Найт, Дж.; Руд, Р. Гиперспектральные аэрофотоснимки для выявления азотного стресса у двух сортов картофеля.Вычислить. Электрон. Сельское хозяйство. 2015 год,112, 36–46. [Перекрестная ссылка]

215. Чен, С.; Чен, К.; Ван, К.; Ян, И.; Сяо, С. Оценка содержания азота в рассаде капусты с использованием гиперспектральных изображений. В Proceedings of the Optics East, Бостон, Массачусетс, США, 9–12 сентября 2007 г.; п. Л7610.

216. Мифокасап, П.; Ваннасири, В. Оценка концентрации азота в сахарном тростнике с использованием гиперспектральных изображений.Устойчивое развитие 2018,10, 1266. [Перекрестная ссылка]

217. Мальмир, М.; Тахмасбиан, И.; Сюй, З.; Фаррар, МБ; Бай, С.Х. Прогнозирование содержания макроэлементов в листьях растений с использованием хемометрического анализа и выбора длины волны.Дж. Почва. Осадок. 2020 год,20, 249–259. [Перекрестная ссылка]

218. Лоу, А.; Харрисон, Н.; Френч, А.П. Методы анализа гиперспектральных изображений для обнаружения и классификации ранних заболеваний растений и стресса.Растительные методы 2017,13, 80. [Перекрестная ссылка]

219. Кингра, ПК; Маджамдер, Д.; Сингх, С.П. Применение дистанционного зондирования и ГИС в сельском хозяйстве и управлении природными ресурсами в изменяющихся климатических условиях.Сельское хозяйство. Рез. Дж. 2016 г.,53, 295. [Перекрестная ссылка]

220. Карими, Ю.; Прашер, Т.О.; Макнейрн, Х.; Боннелл, РБ; Дютийёль, П.; Гоэл, Р.К. Точность классификации дискриминантного анализа, искусственных нейронных сетей и деревьев решений для обнаружения сорняков и азотного стресса в кукурузе.Пер. АСАЭ 2005 г.,48, 1261–1268. [Перекрестная ссылка]

221. Чжан, Ю.; Слотер, округ Колумбия; Стааб, Э.С. Надежная классификация на основе гиперспектрального зрения для многосезонного картирования сорняков.ISPRS J. Фотограмма. 2012 год,69, 65–73. [Перекрестная ссылка]

222. Эдди, пиарщик; Смит, AM; Хилл, BD; Педдл, ДР; Коберн, Калифорния; Блэкшоу, Р.Э. Распознавание сорняков и сельскохозяйственных культур с использованием данных гиперспектрального изображения и сокращенных наборов каналов.Может. Журнал Remote Sens. 2014 г.,39, 481–490. [Перекрестная ссылка]

223. Лю, Б.; Ли, Р.; Ли, Х.; Ты, Г.; Ян, С.; Тонг, К. Дискриминация сельскохозяйственных культур и сорняков с использованием спектрометрической системы полевой визуализации.Датчики 2019,19, 5154. [Перекрестная ссылка] [ПабМед]

224. ЛОПЕС-Гранадос, Ф. Обнаружение сорняков для борьбы с сорняками на конкретном участке: картографирование и подходы в реальном времени.Сорняк Рез.2011 год,51, 1–11. [Перекрестная ссылка]

225. Томас, С.; Кушка, Монтана; Боненкамп, Д.; Брюггер, А.; Алисаак, Э.; Вахабзада, М.; Беманн, Дж.; Махлейн, А. Преимущества гиперспектральной визуализации для обнаружения болезней растений и защиты растений: техническая перспектива.

Дж. Плант Дис. Защищать.2018 год,125, 5–20. [Перекрестная ссылка]

226. Бауригель, Э.; Гибель, А.; Гейер, М.; Шмидт, У.; Херппич, В.Б. Раннее выявление фузариоза пшеницы с использованием гиперспектральной визуализации.Вычислить. Электрон. Сельское хозяйство. 2011 год,75, 304–312. [Перекрестная ссылка]

227. Чжан, Н.; Пан, Ю.; Фэн, Х.; Чжао, X.; Ян, X.; Дин, К.; Ян, Г. Разработка индекса классификации фузариоза колоса с использованием изображений гиперспектральной микроскопии колосков озимой пшеницы.Биосист. англ. 2019 год,186, 83–99. [Перекрестная ссылка]

228. Махлейн, А.; Орке, Э.; Штайнер, У.; Дене, Х. Последние достижения в обнаружении болезней растений для точной защиты растений.Евро. Дж. Плант Патол. 2012 год,133, 197–209. [Перекрестная ссылка]

229. Каса, Р.; Кастальди, Ф.; Паскуччи, С.; Бассо, Б.; Пиньятти, С. Методы объединения геофизических и гиперспектральных данных для оценки свойств почвы в полевых условиях.Зона Вадосе Дж. 2013,12, vzj2012.0201. [Перекрестная ссылка]

230. Каса, Р.; Кастальди, Ф.; Паскуччи, С.; Пиньятти, С. Потенциал гиперспектрального дистанционного зондирования для картографирования почвы в полевом масштабе и приложений точного земледелия.Итал. Ж. Агрон. 2012 год,7, 43. [Перекрестная ссылка]

231. Гедминас, Л.; Мартин, С. Картирование органических веществ почвы с использованием гиперспектральных изображений и данных о высоте. ВМатериалы аэрокосмической конференции IEEE; IEEE: Big Sky, Монтана, США, 2019.

232. Песня, X.; Ян, Г.; Ван, Дж.; Лю, Л.; Сюэ, X.; Ли, К.; Хуанг, В. Использование гиперспектральных изображений с воздуха для исследования влияния поступления азота в почву и внесения удобрений с переменной нормой на рост озимой пшеницы. В материалах SPIE, Флоренция, Италия, 11 октября 2007 г.

233. Ван, В.; Ли, З.; Ван, К.; Чжэн, Д.; Ду, Х. Прогноз содержания доступного калия в коричной почве с использованием технологии гиперспектральной визуализации.Спектроск. Спектр. Анальный. 2019 год,39, 1579–1585.

234. Макканн, К.; Репаски, К.С.; Лоуренс, Р.; Пауэлл, С. Мультивременные мезомасштабные гиперспектральные данные смешанных сельскохозяйственных и лугопастбищных регионов для обнаружения аномалий.ISPRS J. Фотограмма. 2017 год,131, 121–133. [Перекрестная ссылка]

© 2020 год от авторов. Лицензиат MDPI, Базель, Швейцария. Эта статья находится в открытом доступе и распространяется на условиях лицензии Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).