Также были проведены исследования для сравнения производительности гиперспектральных изображений Hyperion с многоспектральными изображениями для оценки свойств сельскохозяйственных культур или классификации типов сельскохозяйственных культур. Например, Мариотто и др. [15] сравнили гиперспектральные изображения Hyperion с многоспектральными изображениями Landsat для оценки урожайности сельскохозяйственных культур и классификации типов сельскохозяйственных культур. Авторы сообщили о более высоких производительностях использования гиперспектральных изображений, чем использования изображений Landsat для обеих исследовательских целей. Аналогичным образом, Бостан и др. [51] сравнили гиперспектральные изображения Hyperion с многоспектральными изображениями Landsat для классификации сельскохозяйственных культур и также обнаружили, что более высокая точность классификации может быть достигнута с помощью гиперспектральных изображений.

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

Существует несколько других гиперспектральных сенсоров на основе спутников, которые обычно не используются в сельскохозяйственной среде. Например, Hyperspectral Imager (HySI) — это гиперспектральный сенсор, установленный на индийском микроспутнике IMS-1, запущенном в 2008 году [60]. Он собирает 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 засоленности почвы [62]. Они также использовались для классификации сельскохозяйственных культур [63]. Однако эти данные не получили широкого распространения в точном земледелии, что, вероятно, связано с низким пространственным разрешением и ограниченной доступностью данных. Hyperspectral Imager for the Coastal Ocean (HICO) — это еще один космический гиперспектральный сенсор, который делает снимки в спектральном диапазоне от 380 до 960 нм с пространственным разрешением 90 м [64]. Этот датчик был в основном разработан для сбора данных в прибрежной зоне океана и эксплуатировался с 2009 по 2015 год.

В последние годы было запущено или запланировано к запуску в ближайшие несколько лет несколько космических гиперспектральных датчиков. Например, спектрометр для зондирования Земли (DESIS) Германского аэрокосмического центра (DLR), гиперспектральный датчик, установленный на Международной космической станции, был запущен в 2018 году [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 собирает 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, запущенным в марте 2019 года. Ее спектральное разрешение составляет 12 нм в диапазоне 400–2500 нм (~250 полос в видимом и коротковолновом инфракрасном диапазонах). Ее гиперспектральные изображения имеют пространственное разрешение 30 и 5 м для панхроматического диапазона [67]. Environmental Mapping and Analysis Program (EnMAP) — немецкая гиперспектральная спутниковая миссия, которая все еще находится на стадии разработки и производства [68]. Датчик EnMAP будет собирать данные в видимом и коротковолновом инфракрасном диапазонах с пространственным разрешением 30 м. Его запуск запланирован на 2020 год. Spaceborne Hyperspectral Applicative Land and Ocean Mission (SHALOM) — совместная миссия израильских и итальянских космических агентств, и запуск спутника запланирован на 2022 год [69]. Этот датчик будет собирать 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 собирать 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 с использованием других данных и протестировали производительность смоделированных изображений для исследования различных характеристик растительности и почвы. Например, Малек и др. [72], Зигманн и др. [73] и Лохерер и др. [74] смоделировали изображения EnMAP с использованием различных изображений, полученных с воздуха или из космоса, и применили смоделированные изображения для исследования различных свойств сельскохозяйственных культур и почвы. Бахманн и др. [75] создали изображение с помощью инструмента сквозного моделирования EnMAP и изучили 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), Sentinel-2 MultiSpectral Instrument (MSI)) и трех будущих (EnMAP, PRISMA и HyspIRI) датчиков, используя библиотеку спектров почвы, и сравнили их производительность для оценки свойств почвы. Кастальди и др. [77] использовали данные PRISMA, которые были смоделированы с помощью спектральных данных, измеренных в лаборатории, для оценки содержания глины и попытались уменьшить влияние влажности почвы на оценку содержания глины.

Предыдущие исследования подтвердили хорошую производительность спутниковых гиперспектральных датчиков для изучения сельскохозяйственных особенностей; однако, несколько факторов могут потенциально повлиять на широкое применение этих данных в точном земледелии, включая пространственное разрешение, временное разрешение и качество данных. Обнаружение и мониторинг многих сельскохозяйственных особенностей, 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 такое пространственное разрешение недостаточно для приложений точного земледелия [20,49]. Чтобы преодолеть такие ограничения, исследователи попытались повысить резкость гиперспектральных изображений, стремясь улучшить пространственное разрешение [73,78,79,80]. Loncan et al. [81] также рассмотрели различные методы паншарпенинга для создания гиперспектральных изображений с высоким пространственным разрешением.

Временное разрешение является еще одним фактором, который может потенциально ограничить применение спутниковых гиперспектральных изображений в точном сельском хозяйстве. Большинство спутниковых датчиков имеют длительный цикл повторного обзора (например, обычно около двух недель), и, таким образом, ранние сигналы стресса сельскохозяйственных культур (например, болезни и вредители) могут быть пропущены. Это ограничение может еще больше усугубляться неблагоприятными погодными условиями (например, загрязнением облаков). Наконец, низкое качество данных также является проблемой, которая может повлиять на производительность спутниковых гиперспектральных изображений для исследования сельскохозяйственных объектов. Низкое отношение сигнал/шум является хорошо известной проблемой данных Hyperion (например, в коротковолновом инфракрасном диапазоне (SWIR)), что повлияло на точность получения различных сельскохозяйственных объектов [20]. Например, Аснер и Хайдебрехт [82], Гомес и др. [49] и Венг и др. [83] обнаружили, что низкое отношение сигнал/шум повлияло на точность оценки нефотосинтетической растительности и почвенного покрова, органического вещества почвы и солености почвы соответственно. Ожидается, что будущие гиперспектральные миссии на основе спутников решат проблему качества данных.

2.2. Гиперспектральная съемка с борта самолета

Гиперспектральная съемка с борта самолета широко использовалась для сбора гиперспектральных изображений для различных целей мониторинга (например, для сельского или лесного хозяйства). Первым гиперспектральным датчиком был бортовой видимый/инфракрасный спектрометр (AVIRIS), который был разработан и использован в 1987 году [84]. Он собирает спектральные сигналы в 224 полосах в видимом диапазоне до SWIR (таблица 2). Исследователи использовали данные AVIRIS, чтобы помочь понять широкий спектр сельскохозяйственных особенностей, таких как исследование свойств растительности (например, урожайность, LAI, хлорофилл и содержание воды) [85,86,87,88], анализ свойств почвы [89], оценка здоровья сельскохозяйственных культур или выявление заражения вредителями [90,91,92] и картирование посевных площадей или методов обработки почвы [93,94].

Помимо AVIRIS, широко используются также бортовые гиперспектральные датчики Compact Airborne Spectrographic Imager (CASI), Hyperspectral Mapper (HyMap) и AISA Eagle (таблица 2). Например, изображения CASI использовались для оценки содержания хлорофилла в культурах [95], исследования доли покрытия культурами [96], классификации сорняков [97] и разграничения зон управления [2]. Изображения HyMap применялись для изучения биофизических и биохимических переменных культур (например, LAI, содержание хлорофилла и воды) [98,99,100], обнаружения сигналов стресса растений [101] и исследования пространственных закономерностей SOC [102]. Что касается изображений AISA Eagle, Рю и др. [35] и Силия и др. [103] использовали эти данные для оценки содержания азота в культурах, а Амбрус и др. [104] использовали их для оценки биомассы.

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

Большинство вышеупомянутых гиперспектральных изображений с воздуха были получены самолетами на средней и большой высоте (например, высота 1–4 км для CASI, 20 км для AVIRIS), и полученные изображения обычно имеют высокое или среднее пространственное разрешение, например, 4 м для изображений CASI, 5 м для HyMap и 20 м для AVIRIS [111,112,113]. Такое пространственное разрешение подходит для картирования многих особенностей сельскохозяйственных культур и почв. Однако получение изображений обычно необходимо планировать за несколько месяцев или даже лет, а полеты обходятся дорого [19]. Кроме того, для некоторых конкретных приложений, таких как исследование особенностей на уровне видов или сообществ (например, идентификация сорняков или ранний сигнал о заболевании сельскохозяйственных культур), предпочтительны изображения с очень высоким пространственным разрешением (например, субметровое) [114,115]. Кроме того, из-за нестабильной природы самолетов как платформ для получения изображений, потребуется карданный подвес или высокоточный инерциальный измерительный блок (IMU) для компенсации изменения ориентации самолетов или записи информации об ориентации для последующей коррекции изображения соответственно. Эти факторы ограничили полное применение гиперспектральной съемки с воздуха в точном сельском хозяйстве. Пилотируемые вертолеты также использовались в качестве платформ для гиперспектральной съемки и исследования особенностей растительности [27,116]. Вертолеты имеют более гибкие высоты полета (например, 100 м–2 км), чем самолеты, и способны получать изображения с высоким пространственным разрешением (например, субметровые) на больших площадях. Для задачи получения изображений, как правило, требуется авиационная компания с пилотируемым вертолетом, что требует дополнительной финансовой поддержки и далеко идущего предварительного планирования.

2.3. Гиперспектральная съемка с помощью БПЛА

В последние годы БПЛА стали популярной платформой для получения данных дистанционного зондирования, особенно для мультиспектральной съемки 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 многороторные, вертолеты и с фиксированным крылом (рисунок 3). По сравнению с пилотируемыми самолетами и вертолетами, БПЛА способны получать изображения с высоким пространственным разрешением с гораздо меньшей стоимостью и обладают высокой гибкостью с точки зрения планирования полетной миссии [118]. Несколько конкретных сельскохозяйственных применений БПЛА -

Результаты гиперспектральной визуализации приведены в таблице 3.

Различные легкие гиперспектральные датчики были разработаны в последние годы и могут быть установлены на БПЛА. Примерами датчиков являются широко используемые CHNSpec FS60C, Headwall Micro- и Nano-Hyperspec VNIR [12,13,26,128], UHD 185-Firefly [53,130], датчик PIKA II [19,32] и HySpex VNIR [25,131]. Эти гиперспектральные датчики содержат более 100 полос в видимом-ближнем инфракрасном спектральном диапазоне (таблица 2). Эти датчики небольшие и компактные (1-2 кг), поэтому их можно быстро развернуть на различных пилотируемых или беспилотных платформах дистанционного зондирования. Предыдущие исследования, проведенные Адао и др. [11] и Лодхи и др. [52], также сравнили и обобщили различные легкие гиперспектральные датчики.

При применении гиперспектральной съемки с использованием БПЛА необходимо учитывать большое количество факторов, начиная от настройки сенсора и сбора данных и заканчивая обработкой изображений. Саари и др. [122] проверили осуществимость системы гиперспектральной съемки с использованием БПЛА для сельскохозяйственных и лесных применений и обсудили несколько проблем, связанных с технологией съемки (например, требования к оборудованию и системные настройки). Аасен и др. [132] сосредоточились на калибровке изображений, полученных с помощью кадрового сенсора, и обсудили несколько проблем, связанных с использованием гиперспектральной съемки с использованием БПЛА для исследования растительности и сельскохозяйственных культур (например, полезная нагрузка БПЛА, отношение сигнал/шум и спектральная калибровка). Хабиб и др. [120] попытались выполнить орторектификацию гиперспектральной съемки с использованием беспилотного летательного аппарата с помощью кадровых изображений RGB над сельскохозяйственным полем. Адао и др. [11] рассмотрели применение гиперспектральных изображений на основе БПЛА в сельском и лесном хозяйстве и перечислили несколько гиперспектральных датчиков, которые могут быть установлены на БПЛА. Авторы также обсудили несколько проблем при сборе и анализе гиперспектральных изображений на основе БПЛА, таких как радиометрический шум, низкое качество геопривязки БПЛА и низкое отношение сигнал/шум.

Гиперспектральная съемка с использованием БПЛА стала более популярной в последние годы; поэтому крайне важно рассмотреть ее сильные и слабые стороны. Чтобы изучить больше возможностей этой технологии, этот раздел обзора не ограничивается только сельскохозяйственными приложениями. Различные типы БПЛА использовались в качестве платформ для гиперспектральной съемки, причем два из них наиболее широко использовались как многороторные [130,133,134] и самолеты с фиксированным крылом [33,120,135]. Медленные полеты на малых высотах предпочтительны для получения гиперспектральных изображений с высоким пространственным разрешением и высоким отношением сигнал/шум. Таким образом, многороторные самолеты более конкурентоспособны, чем самолеты с фиксированным крылом для гиперспектральной съемки с точки зрения эксплуатации полета. В частности, многороторные самолеты обеспечивают низкую высоту полета, гибкую скорость полета и вертикальный взлет и посадку, в то время как для самолета с фиксированным крылом требуются минимальная высота полета, скорость и, иногда, аксессуары для взлета и посадки (например, взлетно-посадочная полоса, пусковая установка и парашют). Система гиперспектральной визуализации, состоящая из гиперспектрального датчика, блока обработки данных, GPS и IMU, имеет значительный вес (например, 1–3 кг), что создает проблемы для грузоподъемности системы БПЛА и срока службы ее батареи. Мультироторы, как правило, питаются от высокопроизводительных батарей (например, LiPo), и большинство из них имеют короткую продолжительность полета (например, менее 20 мин). Продолжительность полета может составлять всего 3 мин [12]. Напротив, многие БПЛА с фиксированным крылом работают на топливе, поэтому имеют гораздо большую продолжительность полета (например, 1–10 ч) [19,135]. Однако эти самолеты с фиксированным крылом в основном большие и тяжелые (например, размах крыльев 5 м и взлетный вес 14 кг) [135], и, таким образом, создают проблемы для летной эксплуатации. Используя БПЛА, исследователям необходимо учитывать SWaP БПЛА (размер, вес и мощность), географическое покрытие, время в воздухе, высоту и другие переменные. В дополнение к проблемам, связанным с созданием системы БПЛА и выполнением полетов, исследователям, вероятно, потребуется подать заявку на получение разрешения на полет от авиационного органа (например, сертификат специальных полетных операций (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 видны во время полетных миссий, чтобы пилот мог поддерживать постоянный визуальный контакт с самолетом. Это может создать серьезную проблему при полете над большой территорией, холмистой местностью или лесной местностью.

2.4. Гиперспектральная съемка с близкого расстояния (наземная или лабораторная) Гиперспектральная съемка с близкого расстояния, включая наземную (рисунок 4a–c) или лабораторную (рисунок 4d,e), является новой технологией последних лет, и она способна получать гиперспектральные изображения сверхвысокого пространственного разрешения (например, на уровне см или ниже см) [137,138,139]. Таким образом, эта технология визуализации может использоваться для исследования мелкомасштабных (например, на уровне листьев и полога) особенностей растительности и, таким образом, в значительной степени поддерживает исследование состояния роста сельскохозяйственных культур и обнаружение ранних признаков стресса сельскохозяйственных культур (например, болезни, сорняки или дефицит питания). Датчики устанавливаются на движущихся или статических платформах (например, линейных платформах, лесах или грузовиках), которые могут быть развернуты в помещении или на открытом воздухе для сбора изображений. В качестве источников света в этих платформах используются лампы (например, галогенные) или солнце соответственно.

3.2. Эмпирические соотношения

Линейная регрессия — широко используемый метод анализа гиперспектральных изображений и получения целевой информации (например, свойств сельскохозяйственных культур и почвы). Как спектральная отражательная способность, так и индексы растительности могут использоваться в качестве переменных-предикторов при установлении линейной зависимости. Например, используя спектральные полосы, Финн и др. [108] построили линейные регрессии между данными полевых измерений влажности почвы и спектральной отражательной способностью собранных гиперспектральных изображений и определили полосы, которые имеют более сильную корреляцию с влажностью почвы. В большем количестве исследований в регрессии использовались индексы растительности для лучшей производительности, поскольку некоторые индексы могут усиливать сигнал целевых объектов и минимизировать фоновый шум. Некоторые из предыдущих исследований показаны в Таблице 6.

В целом, линейная регрессия обычно использовалась для оценки широкого спектра свойств сельскохозяйственных культур или почвы. Ее легко установить, и большинство регрессий на основе индексов дали удовлетворительную точность. Однако с этим подходом связано несколько потенциальных проблем, таких как большое количество доступных индексов и неизвестность того, 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 установлении линейных регрессий с гиперспектральными данными. Например, рекомендуется выбирать 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] исследовал и 11 гиперспектральных индексов растительности для оценки содержания хлорофилла в сельскохозяйственных культурах. Мейн и др. [167] исследовали 73 индекса растит ельности 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 различных видов деревьев. Чжоу и др. [170] оценили восемь гиперспектральных индексов для оценки содержания азота в пшенице на уровне полога. Тонг и Хэ [165] оценили 21 мультиспектральный и 123 гиперспектральных индекса растительности для расчета содержания хлорофилла в траве как в масштабах листьев, так и полога. Юэ и др. [171] исследовали 54 гиперспектральных индекса растительности для оценки биомассы озимой пшеницы. Индексы работали по-разному в этих исследованиях; поэтому предлагается оценить наиболее эффективные из них в этих исследованиях и выбрать тот, который обеспечивает самую высокую точность.

3.3. Radiative Transfer Modelling

Моделирование переноса излучения — это физически обоснованный подход, который использует физические законы для моделирования взаимодействия электромагнитного излучения с растительностью (например, отражение, передача и поглощение) [180]. RTM моделируют спектры растительности (например, отражательную способность и пропускаемость 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 полога и способна моделировать отражательную способность полога, используя свойства листьев (например, содержание хлорофилла и воды), структурные параметры полога (например, LAI и угол наклона листьев) и отражательную способность почвы [18].

PROSAIL также использовался в сельскохозяйственных условиях для исследования свойств сельскохозяйственных культур и почвы. Например, Каса и Джонс [182] инвертировали PROSAIL и модель полога с трассировкой лучей с данными гиперспектрального отражения, измеренными спектрорадиометром, и данными гиперспектрального изображения, полученными с помощью спектрометра визуализации, соответственно, для оценки LAI полога и оценили факторы, влияющие на точность оценки (например, неоднородная поверхность, вызванная структурой ряда сельскохозяйственных культур). Рихтер и др. [98] использовали PROSAIL для оценки LAI, fCover, хлорофилла полога и содержания воды из гиперспектральных изображений и сравнили его производительность с другими методами (например, искусственной нейронной сетью). Рихтер и др. [183] применили PROSAIL для исследования аналогичных переменных растительности и проанализировали точность и эффективность этого метода. Ву и др. [184] исследовали чувствительность индексов растительности к содержанию хлорофилла в растительности, используя результаты моделирования модели PROSPECT, и предложили несколько хорошо работающих индексов. Лохерер и др. [74] попытались оценить LAI растительности, используя модель PROSAIL и гиперспектральные изображения из нескольких источников, и протестировали несколько методов (например, различные функции стоимости и типы методов усреднения), используемых для процесса инверсии. Ю и др. [37] оценили ряд переменных фенотипирования растительности (например, LAI и хлорофилл листьев), используя гиперспектральные изображения и PROSAIL, и исследовали чувствительность различных спектральных диапазонов к параметрам в модели PROSAIL.

По сравнению с моделями регрессии, обсуждавшимися в предыдущих разделах, модели RTM использовались в литературе реже для исследования сельскохозяйственных особенностей, в основном из-за их высокой сложности модели и вычислительной интенсивности. Например, в модели RTM необходимо учитывать широкий спектр параметров (например, хлорофилл, каротиноиды, содержание воды, индекс площади листьев, углы листьев, солнечные углы и отражательная способность почвы, а также другие параметры в модели PROSAIL), и пользователям необходимо использовать различные методы (например, функцию заслуг, таблицу поиска) для упрощения операций прямой и обратной модели. Кроме того, для достижения прогнозов целевых переменных растительности требуется гораздо больше вычислительного времени, чем в моделях регрессии. Однако также хорошо известно, что модели регрессии, как правило, привязаны к месту и времени и нелегко переносимы в другие географические регионы или в другое время на участке [166]. Напротив, RTM является более переносимым подходом, поскольку он устанавливается на основе физических законов и не требует обучающих данных для перестроения модели. Кроме того, RTM позволяет оценить ряд свойств растительности в одной модели, в то время как регрессионные модели обычно могут оценить только одну переменную [36,185].

3.4. Машинное обучение и глубокое обучение

Алгоритмы машинного обучения, включая 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 использовалось в области дистанционного зондирования для оценки свойств наземных объектов 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] оценили биомассу сельскохозяйственных культур с помощью SVM и гиперспектральных изображений, полученных с помощью БПЛА. Бостан и др. [51] использовали SVM для классификации различных типов сельскохозяйственных культур и достигли высокой точности классификации. Ран и др. [93] использовали классификаторы KNN и SVM для исследования методов обработки почвы на сельскохозяйственных полях и сравнили их производительность. RF — еще один широко используемый алгоритм для исследования сельскохозяйственных особенностей с помощью гиперспектральных изображений. Например, Гао и др. [188] успешно классифицировали сорняки и кукурузу с помощью RF и лабораторных гиперспектральных изображений. Используя наземные данные гиперспектрального отражения, полученные спектрорадиометром ASD, Зигманн и Джармер [189] оценили производительность RF, SVM и PLSR для оценки LAI сельскохозяйственных культур и подтвердили хорошую производительность RF. Аналогичным образом, используя гиперспектральное отражение, Адам и др. [190] попытались обнаружить болезнь кукурузы с помощью модели RF. В целом, модели машинного обучения, как правило, обладают надежной производительностью для исследования сельскохозяйственных особенностей с помощью гиперспектральных изображений.

Глубокое обучение является подмножеством машинного обучения и расширяет машинное обучение, добавляя больше «глубины» (т. е. иерархического представления набора данных) в модель [191,192]. Это популярный подход в последние годы для распознавания закономерностей на изображениях дистанционного зондирования и, таким образом, для исследования различных наземных объектов. Глубокое обучение обычно используется в области дистанционного зондирования для классификации изображений, такой как классификация земельного покрова [193,194,195] и идентификация наземных объектов (например, зданий) [196]. Глубокое обучение также применяется в точном земледелии для решения сложных задач. Существующие исследования, например, изучают оценку урожайности с использованием CNN и многоспектральных изображений вместе с климатическими данными [197], обнаружение болезней растений с использованием CNN и изображений, полученных со смартфона [198], классификацию сельскохозяйственных культур с использованием 3-D CNN и многовременных многоспектральных изображений [199] и классификацию сельскохозяйственного покрова с использованием глубокой рекуррентной нейронной сети и многовременных изображений SAR [200]. Камиларис и Пренафета-Болду [191] рассмотрели применение глубокого обучения в сельском хозяйстве и производстве продуктов питания, хотя не все исследования использовали изображения дистанционного зондирования. Сингх и др. [201] рассмотрели ряд методов глубокого обучения и их применение, 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, интеграция этих двух технологий имеет широкий спектр сельскохозяйственных приложений (например, классификация сельскохозяйственных культур, мониторинг сорняков, обнаружение заболеваний сельскохозяйственных культур и оценка стресса растений). Дальнейшие исследования в этих областях необходимы.

Машинное обучение или глубокое обучение способно обрабатывать многоисточниковые и многотипные данные [202]. Например, помимо многотипных изображений дистанционного зондирования (например, оптических, тепловых, LiDAR и радарных), другие источники данных, такие как погода, орошение и историческая информация об урожайности, также могут быть включены в процесс моделирования для возможной лучшей оценки целевых сельскохозяйственных характеристик [203]. Хотя модели машинного обучения и глубокого обучения являются мощными, также важно помнить, что эти модели требуют большого количества и высококачественных обучающих выборок для достижения надежных результатов [202]. Недостаточные обучающие наборы данных или данные с проблемами (например, неполнота данных, шум и смещения) могут привести к нежелательным результатам модели.

Подводя итог, можно сказать, что различные аналитические методы (например, линейная регрессия, расширенная регрессия, машинное обучение и глубокое обучение, а также RTM) имеют разные уровни сложности, производительности и переносимости. Более подробные сравнения этих методов приведены в Таблице 7. В целом, линейная регрессия является самым простым в использовании методом, и ее производительность в целом приемлема, хотя на этот метод может сильно влиять выбор предикторных переменных и качество выборочных данных. Расширенная регрессия (например, PLSR) в основном работает лучше, чем линейная регрессия, поскольку она включает в себя несколько переменных в модели и менее чувствительна к шуму данных. RTM (например, PROSAIL) способен производить несколько продуктов данных (например, хлорофилл, вода и LAI) с достаточно высокой точностью. Одним из существенных преимуществ этого метода является его высокая переносимость. Однако этот метод имеет самую высокую сложность, поскольку требует широкого диапазона параметров и обширного программирования. С точки зрения машинного обучения многие алгоритмы, такие как RF и SVM, хорошо зарекомендовали себя и в основном хорошо себя зарекомендовали в предыдущих исследованиях. Для достижения оптимальной производительности этому методу необходимы некоторые корректировки программирования и модели. Глубокое обучение — относительно новый метод, который в последние годы становится все более популярным. Соответствующий дизайн и программирование модели имеют решающее значение для этого подхода. Он также требует значительного объема обучающих данных и вычислительных ресурсов для достижения хорошей производительности модели.

4.1. Оценка биохимических и биофизических свойств урожая

Одним из важных гиперспектральных приложений в сельском хозяйстве является мониторинг состояния урожая путем извлечения биохимических и биофизических свойств урожая [8,99]. Например, содержание хлорофилла в листьях является важным биохимическим свойством, влияющим на фотосинтетическую способность растений и контролирующим урожайность урожая [99]. В предыдущих исследованиях Оппельт и Маузер [105] собирали данные AVIS для извлечения содержания хлорофилла и азота на поле озимой пшеницы. Аналогичным образом Мохарана и Дутта [43] использовали данные Hyperion для оценки содержания этих двух биохимических компонентов на рисовом поле. С другой стороны, LAI является фундаментальным биофизическим параметром растительности и тесно связан с биомассой и урожайностью урожая [98]. В предыдущих исследованиях гиперспектральное дистанционное зондирование использовалось для оценки LAI различных культур, и некоторые примеры исследований показаны в Таблице 8.

В дополнение к вышеупомянутым биохимическим и биофизическим свойствам растительности, содержание воды в культуре является критическим параметром для выявления водного стресса. Рихтер и др. [98] попытались оценить содержание воды в кукурузе, сахарной свекле и озимой пшенице, используя данные бортового HyMap. Мохарана и Дутта [204] исследовали водный стресс на рисовом поле и его изменения, используя изображения Hyperion, и указали, что оцененное с помощью дистанционного зондирования содержание воды хорошо совпадает с данными полевых наблюдений. Иззо и др. [128] оценили состояние воды в коммерческом винограднике, используя гиперспектральные данные, полученные с помощью БПЛА, и определили длины волн, чувствительные к содержанию воды в пологе. Саху и др. [4] обсудили применение данных гиперспектрального дистанционного зондирования для оценки водных характеристик сельскохозяйственных культур и перечислили несколько индексов растительности для расчета содержания воды.

Из обзора литературы можно узнать, что многие предыдущие исследования были сосредоточены на оценке содержания хлорофилла в культуре, LAI и содержания воды с исполь зованием гиперспектральных изображений, в то время как другие важные свойства культур, такие как каротиноиды, которые чувствительны к стрессу растений, изучены меньше. Кроме того, на производство культур влияют все эти свойства растительности (например, хлорофилл, вода и LAI). Помимо изучения пространственных и временных изменений каждого свойства, также важно оценить взаимосвязи между этими свойствами и глубже понять, как они влияют на рост и производство культур.

Оценка биомассы культур и прогнозирование урожайности также являются важными приложениями дистанционного зондирования, поскольку они будут способствовать пониманию урожайности культур и внедрению соответствующих мер управления [126]. Юэ и др. [124] использовали гиперспектральные изображения на основе БПЛА для оценки надземной биомассы озимой пшеницы. Янг [205] и Мариотто и др. [15] использовали как мультиспектральные, так и гиперспектральные данные для оценки урожайности и обнаружил и, что модель на основе гиперспектральных изображений показала лучшие результаты. Кроме того, остатки урожая, оставленные на поле, являются критически важными материалами, защищающими почву от водной и ветровой эрозии и влияющими на биохимические процессы в почве. Предыдущие исследования, такие как Bannari et al. [106], Galloza and Crawford [47], Bannari et al. [46], использовали различные гиперспектральные изображения для оценки остатков урожая на сельскохозяйственных угодьях

Помимо оценки биомассы и остатков урожая, еще одной темой исследования является изучение биоэнергии (например, биогаза), которая может быть получена из биомассы урожая. Thomas et al. [100] попытались оценить количество биогаза, которое может быть получено на единицу биомассы, используя данные HyMap с воздуха, и достигли удовлетворительных результатов. В целом, гиперспектральные изображения внесли большой вклад в оценку биомассы сельскохозяйственных культур, урожайности и других связанных характеристик (например, биоэнергии, остатков урожая). Поскольку биомасса сельскохозяйственных культур и урожайность сильно зависят от сельскохозяйственных практик (например, полива и обработки удобрениями), включение этих данных практики вместе с гиперспектральными изображениями в модель может потенциально дать лучшие результаты. Необходимо больше исследований в этой области.

4.3. Классификация изображений для определения типов культур, стадий роста, сорняков/инвазивных видов и стрессов/болезней

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