Методы глубокого обучения для анализа гиперспектральных изображений в сельском хозяйстве: обзор

Мохамед Фадлалла Герри 1,2, Козимо Дистанте 1,2, Паоло Спаньоло 2, Фарес Бугурзи 3 и Абдельмалик Талеб-Ахмед 4
1 Факультет инновационной инженерии, Университет Саленто, 73100 Лечче, Италия
2Национальный исследовательский совет Италии, Институт прикладных наук и интеллектуальных систем, via Monteroni snc 73100 Лечче, Италия
3 Университет Париж-Эст Кретей, Лаборатория LISSI, 122 Rue Paul Armangot, Vitry sur Seine, 94400, Париж, Франция 4Institute d'Electronique de Microelectronique et
de Nanotechnologie (IEMN), UMR 8520, Политехнический университет Верхней Франции, Universite de Lille, CNRS, 59313, Валансьен, Франция
{mohamedfadhlallah.guerri, cosimo.distante}@unisalento.it,
[email protected], [email protected], [email protected]

Аннотация: В последние годы гиперспектральная съемка (HSI) приобрела значительную популярность среди разработчиков систем компьютерного зрения благодаря ее потенциалу в решении задач дистанционного зондирования, особенно в сельском хозяйстве. Однако классификация HSI является сложной задачей из-за высокой избыточности спектральных каналов, ограниченности обучающих выборок и нелинейной зависимости между пространственным положением и спектральными каналами. К счастью, методы глубокого обучения показали многообещающие результаты в анализе HSI. В этом обзоре литературы исследуются недавние применения подходов глубокого обучения, таких как автоэнкодеры, сверточные нейронные сети (1D, 2D и 3D), рекуррентные нейронные сети, глубокие сети доверия и генеративно-состязательные сети в сельском хозяйстве. Эффективность этих подходов была оценена и обсуждена на хорошо известных наборах данных о почвенно-растительном покрове, включая Indian Pines, Salinas Valley и Pavia University.



Ключевые слова: Гиперспектральная визуализация (съемка), Глубокое обучение, Сельское хозяйство, Сверточная нейронная сеть, Рекуррентная нейронная сеть, Генеративно-состязательная сеть



1 Введение



В последние 20 лет возросла потребность в оценке качества и повышении сохранности плодоовощной и сельскохозяйственной продукции. С появлением сложных сельскохозяйственных технологий это стало незаменимым подспорьем для фермеров в управлении здоровьем сельскохозяйственных культур и использованием ресурсов [1]. Традиционные подходы к получению результатов классификации сельскохозяйственных культур с помощью полевых измерений, исследований и статистики являются трудоемкими и дорогостоящими [2]. Таким образом, в качестве потенциального решения появилась неразрушающая, экологически чистая и быстрая технология, такая как гиперспектральная съемка (HSI). HSI может получать несколько изображений на разных длинах волн, обеспечивая точный мониторинг пространственных и временных изменений на сельскохозяйственных угодьях. Эта возможность способствует быстрому и точному прогнозированию роста сельскохозяйственных культур [3]. HSI находит разнообразное применение в сельском хозяйстве, начиная от управления сельскохозяйственными культурами [4], прогнозирования урожайности сельскохозяйственных культур [5] и выявления болезней сельскохозяйственных культур [6] и заканчивая мониторингом землепользования [7], водных ресурсов [8] и почвенных условий [9]. Методы глубокого обучения показали многообещающие результаты во многих сельскохозяйственных приложениях, позволяя фермерам принимать важные решения, когда это необходимо. Они предлагают ряд преимуществ по сравнению с традиционными методами машинного обучения (ML), включая возможность автоматического извлечения высокорелевантных характеристик. В последние годы в задачах классификации сельскохозяйственных культур наблюдается значительный рост использования алгоритмов глубокого обучения, при этом было предпринято несколько значительных усилий по решению этой проблемы с использованием существующих алгоритмов глубокого обучения [10].



HSI произвела революцию в подходе фермеров к сельскому хозяйству, позволив им принимать быстрые и обоснованные решения в отношении своих культур. Интеграция алгоритмов глубокого обучения с HSI повысила точность и эффективность классификации сельскохозяйственных культур и других сельскохозяйственных применений, что привело к более устойчивой и прибыльной сельскохозяйственной отрасли. Последние достижения в области искусственного интеллекта (ИИ) привели к интеграции методов ИИ с различными приложениями в научном и деловом мире. Эта интеграция открыла новые возможности для разработки интеллектуальных систем в садоводстве, сельском хозяйстве и пищевой промышленности, особенно после появления ML, подветви ИИ, которая занимается алгоритмами, которые учатся распознавать закономерности в данных для принятия решений [11]. Анализ и интерпретация огромных объемов данных, получаемых с помощью систем гиперспектральной съемки (HSI), сопряжены с многочисленными трудностями и продолжают оставаться узким местом во многих применениях для садоводства и сельского хозяйства. Однако подходы ИИ, в частности глубокое обучение (DL), могут использовать глубину спектральной и пространственной информации для выявления корреляций с параметрами качества при применении к данным HSI [12]. DL приобретает все большее значение из-за его превосходной эффективности и качества по сравнению с обычными моделями машинного обучения [13, 14, 15, 16]. Сочетание гиперспектральных данных с передовыми подходами ИИ, особенно DL, открывает широкий спектр возможностей для управления качеством продукции.



Несколько исследований выявили потенциал HSI в сельскохозяйственном секторе, также широко изучалось использование алгоритмов машинного обучения для анализа и интерпретации данных. В таблице 1 представлены некоторые из предыдущих обзорных работ, вклад HSI в области сельского хозяйства.



Основной вклад данной работы заключается в изучении применения технологии HSI и устранении пробелов в изучении HSI-систем. В этом обзорном документе подчеркиваются преимущества использования HSI по сравнению с RGB-камерами, такие как значительный объем данных, не доступных человеческому глазу и получаемых в одном изображении,. Кроме того, в статье обсуждается использование глубокого обучения (DL), которое может обеспечить превосходную эффективность и качество управления качеством продукции. Объединяя данные HSI с методами глубокого обучения, этот документ дает представление о новых возможностях для разработки интеллектуальных систем в садоводстве, сельском хозяйстве и пищевой промышленности, а также способствует развитию использования ИИ в промышленности. Основные ценные моменты этой статьи можно резюмировать следующим образом:


• Во-первых, в данной статье подробно рассматриваются общие понятия и важная информация, связанная с технологией HSI и методами визуализации. Эта дискуссия призвана улучшить понимание технологии и ее потенциального применения молодыми исследователями.


• Во-вторых, в статье анализируются различные общедоступные сельскохозяйственные наборы данных HSI, подчеркиваются их уникальные особенности и то, как они используются в сельском хозяйстве.


• В-третьих, в исследовании рассматриваются различные методы и подходы к глубокому обучению, используемые для HSI, дается углубленный анализ их сильных и слабых сторон.


• Наконец, в статье представлены и обсуждаются основные области применения технологии HSI в области сельского хозяйства. В этом разделе рассказывается о том, как HSI можно использовать для повышения урожайности, качества и безопасности сельскохозяйственных культур.





В разделе 2 этой статьи приведены основные сведения о гиперспектральной съемке, инструментах и экспликации. В разделе 3 обсуждаются четыре распространенных метода получения гиперспектральных изображений, а в разделе 4 представлены некоторые общедоступные наборы данных. В разделе 5 анализируются различные подходы и методы глубокого обучения, используемые в технологии гиперспектральной съемки. В разделе 6 обсуждаются различные подходы к применению технологии гиперспектральной съемки в сельском хозяйстве. Наконец, статья завершается обсуждением ограничений и потенциальных областей для будущих исследований.

Таблица 1: Резюме обследований и обзоров, связанных с HSI в сельском хозяйстве в сравнении

Описание:

[17] - Содержит углубленное обсуждение платформ визуализации, и аналитические методы, используемые в сельскохозяйственных исследованиях. Эффективность гиперспектральной съемки для различных применений

[18] - Подробно рассказывается о существенных преимуществах гиперспектральных технологий. Описание шагов анализа гиперспектральных данных о заболеваниях в соответствии с различными статьями, алгоритмами и методами, используемыми для выявления заболеваний.

[19] - Обзор многочисленных применений гиперспектральной съемки (HSI) в сельскохозяйственном секторе, например, прогнозирование спелости и компонентов, классифицируя различные темы, и выявление болезней растений. Кроме того, в нем обсуждаются недавние достижения и трудности, с которыми сталкиваются модели глубокого обучения и характерные сети в этой области.

[20] - Обсуждаются последние разработки в области гиперспектральных дистанционных раннее обнаружение и идентификация болезней растений на основе зондирования Существующие недостатки в методологии экспериментирования выявления болезней растений.

Наш - В этой статье рассматриваются новейшие способы использования технологий глубокого обучения. в сельском хозяйстве. Эти методы были изучены и проанализированы Также рассматриваются методы съемки и обобщаются различные области применения HSI в сельском хозяйстве.

2 Гиперспектральная съемка



Гиперспектральная съемка (HSI или HI), представляет собой новый метод, который объединяет традиционную съемку со спектроскопией, позволяя одновременно получать как пространственные, так и спектральные данные из изображения. Несмотря на то, что изначально технология HSI была разработана для дистанционного зондирования, ее преимущества перед традиционным машинным зрением в настоящее время очевидны в различных областях, включая сельское хозяйство. Оптические методы обнаружения и визуализации продвинулись до такой степени, что HSI теперь является ценным методом для технического контроля и измерения консистенции фруктов и овощей.



2.1 Датчик изображения



Система HSI состоит из четырех важнейших элементов, а именно: источника освещения, основной линзы, детектора области интереса (ROI) и спектроскопического тепловизора. Выбор подходящего источника освещения имеет важное значение для оптимальной производительности и надежности. Выбор подходящего объектива зависит от способности фокусировать собранный свет, исходящий из ограниченной области, на блок детектора, что приводит к образованию пикселей в выходном изображении. Достижение соответствующего пространственного разрешения имеет решающее значение в системах HSI и определяется объемом оптического входного слота по отношению к длине волны и размеру компонента детектора первичных линз [21]. Спектрограф получает свет от линз объектива и рассеивает его на отдельные длины волн. Это достигается за счет использования спектрографов, основанных на дифракционных решетках, которые состоят из равномерно расположенных бороздок и играют значительную роль в рассеянии длин волн [22]. В конце концов, рассеянный свет улавливается детектором, который преобразует фотоны в электрические сигналы. Эти сигналы анализируются компьютером для определения интенсивности различных длин волн. В качестве датчиков изображения используются два основных типа твердотельных областных детекторов: ПЗС-матрица (ПЗС-матрица) и комплементарный металлооксидный полупроводник (КМОП). [23].



2.2 Получение гиперспектральных данных



HSI нацелен на захват спектрального диапазона каждого пикселя в изображении сцены, чтобы облегчить идентификацию вещества, обнаружение цели и обработку [24]. Изображения с высоким спектральным разрешением и малыми каналами обычно получают с использованием комбинации гиперспектральных изображений, спектроскопических методов, 2-мерного геометрического пространства и 1-мерного определения спектральных деталей. Благодаря обширным исследованиям и разработкам, HSI нашла множество полезных применений в оценке качества точного земледелия. HSI объединяет методы спектроскопии и визуализации в единое устройство, позволяющее получать пространственную карту спектральной изменчивости [1].

Рисунок 1: Получение гиперспектрального изображения, куб данных и спектральное содержимое нескольких пикселей (каждый цвет на 2D-графике представляет содержимое одного пикселя).

HSI может быть использована в точном земледелии для оценки здоровья сельскохозяйственных культур на основе их отличительных сигнатур на разных стадиях роста. Спектральное поведение сцены записывается с помощью датчиков HSI, которые представляют собой устройства, которые делают множество цифровых изображений одной и той же сцены одновременно, каждое из которых отражает ограниченный или непрерывный спектр. Когда конкретное вещество подвергается воздействию источника света с заданной спектральной полосой пропускания, определенные участки света поглощаются и/или отражаются в зависимости от структуры вещества. Спектральная сигнатура материала — это термин, используемый для описания этой реакции [25]. HSI может быть использована в точном земледелии для оценки здоровья сельскохозяйственных культур на основе их отличительных сигнатур на разных стадиях роста. Космические сенсорные устройства называются гиперспектральными датчиками изображения, которые фиксируют спектральное поведение сцены в виде серии одновременных цифровых изображений, каждое из которых представляет ограниченный или непрерывный спектральный след. Когда конкретное вещество подвергается воздействию источника света с заданной спектральной полосой пропускания, определенные участки света излучаются, поглощаются и/или отражаются в зависимости от структуры вещества. Эта реакция называется спектральной сигнатурой материала



[Щ]. Эта информация хранится в кубической структуре данных, как показано на рисунке 1, где каждый спектральный канал «сложен» по длине волны. Таким образом, измерения спектральных откликов позволяют классифицировать различные материалы или наблюдать специфические композиционные характеристики у биологических субъектов.

Рисунок 2: Блок-схема типичных этапов анализа данных гиперспектральных изображений.

Получение высококачественных изображений, удовлетворяющих целям исследования, является важным первым шагом в анализе HSI. Для получения точных результатов необходим правильный подбор сенсоров и платформ, а также оптимальные настройки спектрального и пространственного разрешения, дизайна освещения, частоты сканирования, частоты кадров и времени экспозиции [26]. Следующим этапом является предварительная обработка изображения, которая включает в себя коррекцию спектра и калибровку. Методика заключается в стандартизации спектральных и пространственных осей гиперспектрального изображения, оценке точности и воспроизводимости полученных данных в различных условиях эксплуатации, а также устранении инструментальных погрешностей и эффекта кривизны [27]. Сегментация изображения обычно проводится в качестве этапа предварительной обработки перед формальным спектральным анализом для извлечения целевых объектов из фона или создания маски, определяющей область интереса для дальнейшего извлечения информации [28]. Последний шаг – выбор модели и применение ее к данным, это могут быть регрессионные модели или модели классификации, в зависимости от целей исследования.



3 Режимы съемки


В зависимости от методов, используемых для получения как спектральной, так и пространственной информации, гиперспектральные системы классифицируются на 4 категории: whisk-broom, push-broom, staring, snapshot.

Рисунок 3: Подходы к съемке

А. Whisk-broom



Метод визуализации Whisk-broom — это метод, используемый для получения изображений в системах дистанционного зондирования. Он включает в себя сканирование целевой области или сцены по одной линии за раз с помощью датчика, который перемещается вперед и назад по целевой области. При методе визуализации Whisk-broom датчик обычно устанавливается на платформе, такой как самолет или спутник, и перемещается по целевой области по серии параллельных линий. По мере того, как датчик перемещается по целевой области, он захватывает серию узких полос сцены, по одной линии за раз. Затем эти полосы объединяются, чтобы создать полное изображение целевой области. В HSI датчик захватывает серию изображений с различными спектральными длинами волн, которые объединяются для создания 3D-куба гиперспектрального изображения. Метод визуализации Whisk-broom может быть использован для получения каждого отдельного изображения в гиперспектральном кубе, обеспечивая полное изображение сцены на каждой спектральной длине волны. Одним из преимуществ метода визуализации Whisk-broom является его способность получать изображения с высоким пространственным разрешением. Поскольку датчик перемещается по целевой области серией параллельных линий, он может захватывать большое количество близко расположенных полос изображения, которые можно комбинировать для создания изображения целевой области с высоким разрешением. Метод съемки Whisk-broom широко используется в различных приложениях дистанционного зондирования, включая мониторинг окружающей среды [29, 30], разведку полезных ископаемых [31], оборону и наблюдение [32]. Это особенно полезно в тех случаях, когда требуется получение изображений целевой области с высоким разрешением или быстрый захват изображений. В целом, метод визуализации Whisk-broom является мощным методом визуализации, который можно использовать в различных приложениях дистанционного зондирования. Его способность получать изображения целевой области с высоким разрешением делает его полезным инструментом для широкого спектра применений.



Б. Push-broom



Метод Push-broom — это метод, используемый для получения гиперспектральных изображений, особенно в приложениях дистанционного зондирования. Он включает в себя сканирование сцены или целевой области по одной линии за раз с помощью гиперспектральной камеры, которая остается неподвижной [33]. Камера захватывает серию изображений на разных спектральных длинах волн, которые объединяются в 3D-куб гиперспектрального изображения. В методе push-broom обычно используется датчик линейного массива, который состоит из линейного массива пикселей, который захватывает изображение по одной строке за раз. Датчик устанавливается на платформу или спутник, который перемещается относительно изображаемой сцены. По мере движения платформы датчик захватывает серию изображений на разных спектральных длинах волн, по одной линии за раз. Процесс повторяется до тех пор, пока не будет просканирована вся целевая область. Каждая строка куба гиперспектрального изображения представляет спектральную информацию для каждого пикселя в этой строке по всем спектральным длинам волн, захваченным датчиком. Полученный куб гиперспектрального изображения содержит информацию об коэффициенте отражения или поглощения каждого пикселя на каждой длине волны, что позволяет проводить детальный анализ и интерпретацию данных. Метод Push-broom предпочтительнее других методов, таких как метод Whisk-broom, который сканирует сцену с помощью сканирующего зеркала или вращающейся призмы для получения изображения строка за строкой. Метод Push-broom, как правило, считается более эффективным и быстрым, так как он требует только линейного массива пикселей и не требует каких-либо механических компонентов для перемещения датчика. Метод push-broom широко используется в различных применениях дистанционного зондирования. Он особенно полезен для мониторинга больших территорий с течением времени, поскольку позволяет обнаруживать тонкие изменения в спектральных сигнатурах, которые могут указывать на изменения в состоянии растительности [34], содержании минералов [35] или условиях окружающей среды [36].



В. Staring



При использовании метода визуализации Staring датчик захватывает полное изображение целевой области или сцены за один раз. Датчик может быть камерой или другим устройством обработки изображений, которое использует массив пикселей для захвата изображения. Датчик обычно устанавливается на платформе или спутнике, который остается неподвижным в процессе получения изображения



[ЗЗ]. В отличие от метода push-broom, при котором сцена сканируется по одной строке за раз, метод визуализации Staring захватывает всю сцену сразу. Это может быть полезно в тех случаях, когда требуется полное изображение места происшествия, например, в системах видеонаблюдения или картографирования [38]. При гиперспектральной визуализации датчик захватывает серию изображений с различными спектральными длинами волн, которые объединяются для создания 3D-куба гиперспектрального изображения. Метод визуализации Staring может быть использован для захвата каждого отдельного изображения в гиперспектральном кубе, обеспечивая полное изображение сцены на каждой спектральной длине волны. Метод визуализации Staring особенно полезен в тех случаях, когда требуется получение изображения всей сцены с высоким разрешением или быстрый захват изображения. В целом, метод визуализации Staring является мощным методом визуализации, который можно использовать в различных применениях дистанционного зондирования. Его способность захватывать полное изображение сцены за один снимок делает его полезным инструментом для широкого спектра применений.



Г. Snapshot



Метод Snapshot — это метод, используемый для получения изображений в одном снимке, особенно в приложениях оптической визуализации. Он предполагает захват изображения всего поля зрения сразу с использованием сенсора, который предназначен для захвата большой площади за одну экспозицию [39]. В методе Snapshot обычно используется специализированный датчик, известный как матрица фокальной плоскости (FPA) [40] или матрица детектора. FPA представляет собой массив фотоприемников, который захватывает изображение всего поля зрения одновременно. FPA может состоять из различных типов фотоприемников, таких как устройства с зарядовой связью (ПЗС) или комплементарные датчики металл-оксид-полупроводник (КМОП), в зависимости от области применения. Одним из основных преимуществ метода Snapshot является его способность получать высокоскоростные изображения быстро движущихся объектов или событий. Поскольку все поле зрения захватывается за один снимок, нет необходимости в механическом сканировании или движении датчика, что позволяет быстро получать изображения. Метод Snapshot широко используется в различных применениях, включая высокоскоростную визуализацию, микроскопию [41], астрономию [42] и биомедицинскую визуализацию



В применениях высокоскоростной визуализации этот метод можно использовать для получения изображений быстро движущихся объектов или событий, таких как взрывы или столкновения на высоких скоростях. В микроскопии этот метод может быть использован для получения изображений маленьких, быстро движущихся частиц или клеток. В астрономии этот метод может быть использован для получения изображений далеких звезд и галактик. В целом, метод Snapshot является мощным методом визуализации, который можно использовать в различных приложениях оптической визуализации. Его способность получать высокоскоростные изображения быстро движущихся объектов и событий делает его полезным инструментом во многих научных и промышленных приложениях.



4 Наборы данных для HSI в сельском хозяйстве



С развитием искусственного интеллекта данные и показатели производительности приобретают все большее значение. Недавно появилось несколько новых наборов данных HSI для обучения и проверки сетей глубокого обучения. Сначала мы объясняем различные критерии эффективности оценки и сравнения различных алгоритмов, а затем вводим доступные наборы данных с открытым исходным кодом, которые поддерживают исследование.



4.1 Наборы данных с открытым исходным кодом



В таблице 2 приведено несколько предлагаемых наборов данных HSI для сельского хозяйства. По мере развития этого метода может быть получено больше данных HSI, что позволяет получить доступ к более крупным наборам данных. Количество данных, пространственное разрешение, спектральные каналы и разнообразие сценариев являются наиболее важными характеристиками доступных наборов данных.



Во многих работах использовались данные по индийским соснам [44] и наборы данных Университета Павии [44]. Оба набора данных делаются бортовыми гиперспектральными датчиками и содержат наземную достоверную информацию на уровне пикселей. Набор данных Indian Pines, состоящий из 224 гиперспектральных изображений, был получен датчиком AVIRIS для нацеливания на LULC в сельскохозяйственном секторе. Исследователи часто используют этот набор данных для анализа паттернов LULC и, как правило, сосредотачиваются на 200 спектральных каналах, исключая полосы водопоглощения.

Таблица 2: Гиперспектральные сельскохозяйственные наборы данных

Набор данных Salinas, который фокусируется на различных сельскохозяйственных классах, снимается тем же датчиком, который используется для получения набора данных Indian Pines. Эти два набора данных очень похожи с точки зрения их типов данных. Бортовой датчик ROSIS получил набор данных Университета Павии, создав изображения со 103 спектральными каналами. Исследовательская группа RSIDEA Уханьского университета получила и сделала доступным набор данных WHU-Hi (Wuhan UAV-borne hyperspectral image) [46], который используется в качестве эталонного набора данных для исследований точной классификации сельскохозяйственных культур и классификации гиперспектральных изображений. В набор данных WHU-Hi включены три различных набора гиперспектральных данных, полученных с помощью БПЛА: WHU-Hi-LongKou, WHU-Hi-HanChuan и WHU-Hi-HongHu. Все данные были собраны в провинции Хубэй, Китай, в сельскохозяйственных районах, где выращивались различные культуры. Спектральные классы из наборов данных Университета Павии и Салинаса равномерно распределены по всему гиперспектральному изображению [47]. Наборы данных WHU-Hi-LongKou и Университета Павии имеют меньшее количество классов по сравнению с другими наборами данных. Гиперспектральные системы беспилотных летательных аппаратов (БПЛА), использующие сенсор Headwall Nano-Hyperspec, могут получать гиперспектральные изображения с высоким пространственным разрешением [48]. В наборе данных Chikusei [45] для получения гиперспектральных данных над городскими и сельскими районами в Тикусее, Ибараки, Япония, использовался датчик изображения Hyperspec-VNIR-C. Набор данных содержит цветные изображения высокого разрешения, снятые камерой EOS 5D Mark II для 19 классов.


5 Подходы, основанные на глубоком обучении, для классификации HSI



Точность технологий машинного обучения резко возрастает из-за их встроенных механических возможностей, таких как извлечение признаков, выбор и сокращение пространственно-спектральных и контекстуальных признаков. Эти технологии не только интеллектуальны и когнитивны, но и обладают высокой степенью точности [49]. Новейшие методы глубокого обучения (DL) для классификации гиперспектральных данных, включая CNN, SAE, RNN, GAN, DBN, TL и AL, представлены на рисунке 6 и подробно описаны ниже. В таблице 3 показаны некоторые методы классификации ДО. Согласно статистике Scopus, с 2011 по 2023 год насчитывается 109 релевантных работ, где в качестве ключевых слов используются «гиперспектральные изображения» и «сельское хозяйство» и «глубокое обучение» Рис. 4. См. Интересно наблюдать, как в 2018 году оказался значительный рост опубликованных работ в сельскохозяйственном секторе благодаря лучшей доступности фреймворков глубокого обучения.

Рисунок 4: Количество опубликованных статей по годам по глубокому обучению с гиперспектральными данными, применяемым в сельском хозяйстве,
(источник: Scopus).

Рисунок 5: Круговая диаграмма связанных статей о подходах DL, используемых для классификации HSI, (источник: Scopus).

Распределение литературоведческих исследований, проанализированных для каждой из выбранных техник DL, показано на рисунке 5 в виде круговой диаграммы с процентными значениями для каждой категории.

Рисунок 6: Различные категории основных методов глубокого обучения, используемых для классификации HSI

5.1 Сверточная нейронная сеть (CNN)



Наиболее широко используемой нейронной сетью для классификации изображений является сверточная нейронная сеть (СНС), основной структурной единицей которой является сверточный (CONV) слой. По сравнению с другими методами, СНС широко используется для классификации изображений [50], детектирования [51] и сегментации [52, 53]. Глубокие нейронные сети способны обучаться глубокому представлению признаков для анализа гиперспектральных изображений и могут достигать превосходной точности классификации в различных наборах данных. СНС стала популярным методом классификации LULC благодаря своей исключительной способности эффективно обрабатывать гиперспектральные изображения путем выделения спектрально-пространственных дискриминационных признаков, что очевидно в многочисленных исследованиях [54, 55]. На самом деле, несколько исследований показали, что CNN превосходит традиционные алгоритмы машинного обучения, такие как Random Forest, Support Vector Machine и k-Nearest Neighbors на нескольких наборах данных [56], авторы предложили попиксельную модель, которая сочетает в себе многомасштабную CNN для классификации LULC и использует высокоуровневое извлечение признаков. Этот подход к посуперпиксельной многомасштабной СНС эффективно устранил неправильную классификацию, вызванную эффектом масштаба в сложных классах LULC, превзойдя метод посуперпиксельной одномасштабной СНС, о чем свидетельствуют результаты [57]. Еще одним заметным достижением в этой области является внедрение глубокой гибридной расширенной остаточной сети (DHDRN) в работе [58], которая была оценена на трех общедоступных гиперспектральных наборах данных и сопоставлена с современными методами. Экспериментальные результаты показали, что предложенный метод DHDRN обеспечивает более высокую точность и эффективность классификации, превосходя предыдущие методы. В частности, метод DHDRN достиг впечатляющих показателей общей точности классификации 99,26%, 99,44% и 97,96% в Университете Павии, Индия на наборах данных Pines и Salinas соответственно. Авторы провели абляционные исследования, чтобы понять вклад каждого компонента предлагаемого метода, которые показали, что гибридная архитектура и расширенные сверточные слои играют решающую роль в достижении наилучших характеристик классификации. Глубокая остаточная сеть (ResNet) [59] считается важной вехой в истории CNN. В ResNet была решена проблема обучения глубоких моделей СНС [60]. В последнее время ResNet успешно используется в гиперспектральном анализе изображений, таких как гиперспектральная классификация изображений [61], шумоподавление гиперспектральных изображений [62], повышение пространственного разрешения гиперспектральных изображений [63] и неконтролируемое изучение спектрально-пространственных признаков гиперспектральных изображений [64]. На рисунке 7 изображено графическое представление архитектуры СНС.

Рисунок 7: Графическое представление CNN

5.2 Многоуровневый автоэнкодер (SAE)



В 2016 году [65] использовал модель SAE для получения практических высокоуровневых функций для классификации изображений дистанционного зондирования. Это было первое применение глубокого обучения для анализа HSI. Входные данные были восстановлены с помощью автоэнкодеров (AE), которые состоят из энкодера и декодера. АЭ обучался отдельно и подключался к каждому слою САЭ [66]. Абстрактные объекты были извлечены путем перестроения входных данных слой за слоем. На этапе предварительного обучения без учителя признаки, полученные от одного АЭ, использовались в качестве входных данных для обучения следующего АЭ, тем самым уменьшая ошибку реконструкции каждого АЭ. После предварительного обучения в качестве начальных значений для SAE использовались такие параметры, как веса и смещения, всех АЭ. Параметры каждого слоя корректировались с помощью обратного распространения ошибки при использовании размеченных данных в качестве контролируемого сигнала, а параметры структуры обновлялись с помощью алгоритма стохастического градиентного спуска. [67, 68] предложены автоэнкодеры шумоподавления (DAE) и многоуровневые автоэнкодеры шумоподавления (SDAE) в качестве других стратегий улучшения. Авторы в работе [69] представили новый и надежный подход к классификации гиперспектральных изображений с использованием компактного и дискриминативного многоуровневого автоэнкодера (CDSAE). Подход состоял из двух этапов, на начальном этапе низкоразмерные дискриминационные признаки были извлечены путем применения локальной дискриминантной регуляризации Фишера к каждому скрытому слою SAE. На втором этапе в процесс обучения был интегрирован эффективный классификатор. Предложенный метод был оценен на трех различных наборах данных HSI, и результаты продемонстрировали его замечательное превосходство в точной и надежной классификации гиперспектральных изображений. На рисунке 8 изображена графическая иллюстрация SAE.

5.3 Глубокая сеть доверия (DBN)



В 2006 году Хинтон предложил глубокую сеть доверия (DBN) [70], которая использует ограниченную машину Больцмана (RBM) в качестве обучающего модуля, аналогичного использованию автокодеров SAE. Тем не менее, DBN использует симметричную структуру соединений, состоящую из нескольких RBM, со связями между слоями, а не внутри блоков каждого слоя. Выходные данные одного слоя служат входными данными для следующего слоя. Слои RBM первоначально предварительно обучаются в неконтролируемой манере с использованием немаркированных образцов для максимального сохранения характеристик. Вся сеть DBN настраивается с помощью небольшого количества размеченных выборок и алгоритма обратного распространения ошибки [71]. Извлеченные глубинные признаки используются для задач обнаружения и классификации. Случайная инициализация весовых параметров имеет решающее значение, поскольку она позволяет DBN-сетям преодолевать основные ограничения метода обратного распространения ошибки, такие как локальная оптимизация и длительное время обучения. В работе [72] авторы использовали модель Firefly Harmony Search Deep Belief Network (FHS-DBN) для классификации LULC на четырех эталонных наборах данных. DBN был обучен с использованием гибридного подхода, сочетающего алгоритм Firefly (FA) и алгоритм Harmony Search (HS) для получения алгоритма FHS. Этот подход показал многообещающие результаты для классификации LULC, демонстрируя потенциал интеграции нескольких алгоритмов оптимизации в модели глубокого обучения для повышения производительности. Поскольку DBN используется в гиперспектральной классификации изображений в течение некоторого времени, ее эффективность в полевых условиях хорошо известна. Несмотря на то, что DBN доказала свою эффективность для решения широкого круга задач, у нее также есть некоторые проблемы, в том числе:



• Недостаточная переносимость: DBN часто обучается на одном конкретном наборе данных и не может быть легко перенесена на другие наборы данных HSI, что может ограничить их способность к обобщению в новые гиперспектральные изображения

• Чрезмерная сложность: DBN может иметь большое количество параметров, что может привести к чрезмерно сложным моделям, которые трудно обучать и которые могут плохо обобщаться на новые гиперспектральные изображения

• Ограниченная способность обрабатывать зашумленные данные: DBN может быть чувствительна к зашумленным данным, что является распространенной проблемой в HSI из-за различных факторов окружающей среды, таких как атмосферная турбулентность, облака и тени

• Высокие вычислительные затраты: DBN может быть вычислительно затратной для обучения, особенно для больших гиперспектральных изображений, что может ограничить их применимость в реальных сценариях


На рисунке 9 представлена схематическая иллюстрация DBN.

5.4 Рекуррентные нейронные сети (RNN)



Концепция рекуррентной нейронной сети (RNN) была впервые введена Вильямсом в 1989 г. [73]. RNN отличаются от нейронных сетей прямого распространения тем, что включают в себя повторяющееся скрытое состояние, которое зависит от предыдущих шагов. Это позволяет RNN распознавать закономерности в последовательностях данных и временных свойствах. В последнее время RNN используются для классификации гиперспектральных изображений, так как они могут эффективно анализировать гиперспектральные пиксели как последовательные данные [74]. Тем не менее, стандартные модели RNN страдают от таких проблем, как градиентный взрыв или исчезновение, которые были частично решены с появлением сетей с длинной краткосрочной памятью (LSTM) [75] и стробированных рекуррентных блоков (GRU) [76]. Различные модели LSTM, такие как LSTM-F, LSTM-S (однонаправленный) и базовый LSTM (b-LSTM)-S (двунаправленный), были представлены для сегментации скользящих окон и работы в различных режимах. Двунаправленно-сверточная сеть длинной и краткосрочной памяти (Bi-CLSTM) была использована для автоматического изучения спектрально-пространственных характеристик по гиперспектральным данным, что привело к повышению производительности классификации примерно на 1,5% по сравнению с 3D-CNN [77]. Метод классификации HSI, получивший название Spectral-Spatial LSTM (SS-LSTM), был предложен в работе [78]. Этот метод использует сверточные нейронные сети (CNN) и анализ главных компонент (PCA) для извлечения спектральных и пространственных характеристик из гиперспектрального изображения соответственно. Затем эти объекты передаются в отдельные слои LSTM для фиксации временных зависимостей и взаимозависимостей между ними. SS-LSTM обучается на большом гиперспектральном наборе данных и оценивается на трех эталонных наборах данных.



Существует несколько проблем, связанных с применением рекуррентных нейронных сетей (RNN) к данным HSI:



• Обработка структурных изменений: RNN могут испытывать трудности при обработке структурных изменений в гиперспектральных изображениях, таких как изменения атмосферных условий, освещенности и точки обзора, что может повлиять на их производительность в задачах классификации гиперспектральных изображений

• Изменчивость данных: Сельскохозяйственные гиперспектральные изображения могут значительно различаться из-за изменений погодных условий, почвенных условий и стадий роста растений, что затрудняет эффективное обучение RNN

• Трудности обучения: Обучение RNN на данных HSI может быть сложной задачей из-за последовательного характера данных и необходимости соответствующих алгоритмов и методов обучения для эффективной обработки данных



На рисунке 10 представлено графическое представление RNN.

5.5 Генеративно-состязательные сети (GAN)



Генеративно-состязательная сеть (GAN) была впервые предложена в 2014 году, которая генерирует выборки на основе требуемой метки класса с помощью состязательного обучения [79]. Генеративные методы направлены на идентификацию параметров распределения из данных и генерацию новых выборок в соответствии с выявленными моделями. Для гиперспектральной визуализации было использовано несколько усовершенствованных GAN, в том числе Deep Convolutional GAN [80], 1-D и 3-D GAN [81], Capsule GAN [82], Cascade Conditional GAN [83], MDGAN [84] и 3DBF-GAN [85]. GAN показали очень многообещающие результаты при небольшом количестве меченых образцов за счет полного использования достаточного количества немеченых образцов [86]. Применение генеративно-состязательных сетей (GAN) к данным HSI сопряжено с рядом проблем, в том числе:



• Гетерогенность данных: гиперспектральные данные могут иметь неоднородные характеристики, что затрудняет получения GAN всего спектра информации, присутствующей в данных

• Ограниченные размеченные данные: во многих приложениях HSI размеченные данные ограничены, что может повлиять на способность GAN эффективно обучаться на основе данных

• Изменчивость данных: на гиперспектральные данные могут влиять различные факторы окружающей среды, такие как атмосферные условия, что может привести к значительной изменчивости данных

• Дисбаланс данных: гиперспектральные данные часто имеют несбалансированное распределение по классам, что может повлиять на производительность GAN



На рисунке 11 представлена схематическая иллюстрация GAN.

5.6 Активное обучение (AL)



Активное обучение (AL) — это метод, который показывает перспективность в решении проблемы ограниченных меченых образцов в HSI. Он включает в себя итеративный процесс отбора наиболее информативных примеров из подмножества немеченых образцов на основе их неопределенности и внутреннего распределения и структуры [87, 88]. AL более эффективен, чем традиционные методы обучения с полуучителем, и может обучать глубокие сети с меньшим количеством обучающих выборок [89]. Для классификации HSI были предложены различные подходы к классификации AL, включая случайную выборку (RS) [90], выборку с максимальной неопределенностью (MUS) [91], многоракурсность (MV) [92] и выборку на основе взаимной информации (MI) [93]. Применение подходов AL к данным HSI сопряжено с рядом проблем, в том числе:



• Выбор стратегии запросов: Выбор подходящей стратегии запросов имеет решающее значение для эффективного активного обучения в HSI. Существует компромисс между стоимостью получения меток и качеством изучаемой модели, и различные стратегии запросов могут работать лучше или хуже в зависимости от специфики данных и выполняемой задачи

• Изменчивость данных: На сельскохозяйственные данные могут влиять различные факторы окружающей среды, такие как погодные условия и изменчивость почвы, что может привести к значительной изменчивости данных. Такая вариативность может затруднить алгоритмам активного обучения точное моделирование базового распределения данных

• Шум на этикетках: Маркировка данных в сельском хозяйстве может быть субъективной и подверженной человеческим ошибкам, что приводит к появлению шума в данных. Это может повлиять на производительность алгоритмов активного обучения, которые полагаются на точные метки



5.7 Трансферное обучение (TL)



Применение моделей трансферного обучения к анализу HSI оказалось успешным и надежным. Несколько верхних слоев CNN разрабатываются с использованием небольшого количества обучающих выборок, в то время как нижний и средний слои могут быть перенесены из моделей других сценариев [94]. Общая точность классификации CNN-переноса выше, чем у CNN при низких обучающих выборках. Сверхвысокое разрешение гиперспектральных изображений также является проблемой. Для улучшения разрешения гиперспектральных изображений разработана новая структура, использующая информацию, полученную от естественных изображений [95]. Предлагаемый подход использует трансферное обучение для расширения отображения между изображениями низкого и высокого разрешения, которое изучается глубокой сверточной нейронной сетью, в гиперспектральную область. Существует несколько проблем при применении трансферного обучения к данным HSI, в том числе:



• Смещение домена: распределение исходных и целевых данных может значительно отличаться, что приводит к смещению домена. Это может повлиять на эффективность алгоритмов трансферного обучения

• Специфика задачи: Целевая задача в сельском хозяйстве может отличаться от исходной задачи, что может повлиять на способность алгоритмов трансферного обучения эффективно передавать знания

• Совместимость моделей: исходные и целевые данные могут иметь разную размерность или структуру, что может повлиять на способность алгоритмов переноса обучения эффективно передавать знания.

6 Применение технологии HSI в сельском хозяйстве



В этом разделе проиллюстрированы и описаны наиболее значимые вклады различных сельскохозяйственных секторов в HSI.



6.1 Анализ почвы



Для роста сельскохозяйственных культур необходима здоровая почвенная среда. Быстрый и точный доступ к информации о содержании питательных веществ в почве является обязательным требованием для научного удобрения. Плохое управление почвенными ресурсами ставит под угрозу качество и эффективность почв, которые являются основным фактором сельского поколения [107]. Различные факторы, влияющие на почву и эрозию почвы, такие как яркое солнце и проливные дожди, в значительной степени зависят от регионального климата. Для решения сельскохозяйственных проблем, таких как качество сельскохозяйственных культур и урожайность, необходимо выявить эрозию почвы. Технология HSI может помочь в анализе почвы, собирая большое количество данных в широком диапазоне электромагнитного спектра. Полученные изображения затем могут быть проанализированы для определения и количественной оценки различных свойств почвы, таких как содержание влаги в почве [108], уровни питательных веществ [109] и минеральный состав [35]. Эта информация может быть использована для картографирования характеристик почвы и поддержки принятия более обоснованных решений в сельском хозяйстве, управлении окружающей средой и других областях, связанных с почвой. Исследователи ищут более простые, неразрушающие методы для идентификации органического вещества почвы (SOM), поскольку оно имеет важное значение в почвенно-растительной экосистеме. В таблице 4 обобщены некоторые из наиболее важных исследований HSI для анализа почвы.



6.2 Оценка урожайности сельскохозяйственных культур



Прогнозирование урожайности является одним из наиболее значимых направлений исследований в области точного земледелия. Управление растениеводством, сопоставление предложения сельскохозяйственных культур со спросом, прогнозирование урожайности, картирование урожайности и картирование предложения сельскохозяйственных культур имеют важное значение для максимизации производства [118]. Одной из важнейших проблем в управлении сельским хозяйством, которая может быть наиболее эффективно решена методами точного земледелия, является оценка производства сельскохозяйственных культур. Технология HSI может помочь в оценке урожайности сельскохозяйственных культур, предоставляя информацию о здоровье и силе роста сельскохозяйственных культур, включая данные о содержании хлорофилла в растениях, содержании воды и уровнях питательных веществ. Эта информация может быть использована для оценки урожайности, прогнозирования стресса и потенциальных потерь урожая, а также для оптимизации методов управления растениеводством, что приводит к повышению урожайности. Собирая подробную спектральную информацию из видимой и ближней инфракрасной областей электромагнитного спектра, HSI также может идентифицировать и картографировать конкретные виды растений и типы растительности и выявлять изменения ландшафта с течением времени, что имеет большое значение для оценки урожайности. В таблице 5 обобщены наиболее важные исследования HSI для оценки урожайности сельскохозяйственных культур.

6.3 Классификация сельскохозяйственных культур



Одной из важных областей исследований для нескольких сельскохозяйственных применений является идентификация и классификация сельскохозяйственных культур с помощью гиперспектральных изображений. Технология HSI может помочь в классификации сельскохозяйственных культур путем получения подробной спектральной информации о сельскохозяйственных культурах в видимой и ближней инфракрасной областях электромагнитного спектра. Эта информация может быть использована для идентификации уникальных спектральных сигнатур для различных типов культур и стадий роста, которые затем могут быть использованы для целей классификации. Алгоритмы машинного обучения обычно используются для анализа гиперспектральных данных и классификации сельскохозяйственных культур на основе их спектральных характеристик отражения. Эта информация может быть использована для создания карт типов культур и стадий роста, которые могут предоставить ценную информацию для управления сельским хозяйством и принятия решений. Кроме того, HSI можно использовать для обнаружения стресса культур [124], диагностики потенциальных факторов, ограничивающих урожайность [125], и мониторинга состояния сельскохозяйственных культур, что важно для управления культурами и их оптимизации. HSI также можно использовать для мониторинга изменений ландшафта с течением времени, что позволяет обнаруживать изменения роста и урожайности сельскохозяйственных культур и является полезным инструментом для точного земледелия. В таблице 6 обобщены некоторые из наиболее важных исследований HSI для применения в классификации сельскохозяйственных культур.



6.4 Оценка загрязняющих веществ и питательных веществ



Оценка питательных веществ и биомассы сельскохозяйственных культур помогает классифицировать состояние посевов и различные категории сельскохозяйственных культур, характеризуемых почвой, чтобы способствовать развитию сельского хозяйства для фермеров или других лиц. Быстрое определение питательной ценности сортов салата, выращенных на гидропонике. Технология HSI может помочь в оценке загрязняющих веществ и питательных веществ в сельскохозяйственных культурах путем получения подробных спектральных данных, которые могут быть использованы для идентификации конкретных химических веществ и веществ в культурах и диагностики потенциального дефицита питательных веществ [132], а также для обнаружения загрязняющих веществ, таких как тяжелые металлы, которые могут присутствовать в сельскохозяйственных культурах. Кроме того, технология HSI может быть использована для выявления тенденций в поглощении и доступности питательных веществ [133], что может быть полезно для практики управления питательными веществами и внесения удобрений. Технология также может быть использована для мониторинга воздействия загрязняющих веществ на здоровье сельскохозяйственных культур и оценки потенциальных потерь урожая, обеспечивая полезный инструмент для точного земледелия и обеспечения безопасности и качества сельскохозяйственных культур для потребления человеком и животными. В таблице 7 обобщены некоторые из наиболее важных исследований в области HSI для применения загрязняющих веществ и оценки питательных веществ.



6.5 Мониторинг болезней растений и инвазивных видов растений



Появление ряда вредителей и болезней на посевах создает серьезные проблемы для фермеров. Некоторые из частых причин инфекций включают нематоды, бактерии, вирусы и грибки. Из-за неосведомленности о болезнях сельскохозяйственных культур и необходимости в экспертной поддержке и консультировании фермеры исторически избегали диагностировать или подозревать большинство инфекций. Чтобы предотвратить фактический ущерб посевам, инфекции болезней должны быть выявлены на ранней стадии. Технология HSI может помочь в мониторинге болезней растений и обнаружении инвазивных видов растений путем анализа спектров отражения растений в нескольких узких, смежных полосах длин волн. Эта технология может обнаруживать тонкие изменения в химических и физических свойствах растений, которые не видны человеческому глазу [139], такие как изменения содержания хлорофилла или содержания воды в листьях. Эта информация может быть использована для выявления симптомов стресса и болезней растений [33], таких как обесцвечивание или увядание, или для различения инвазивных видов растений и местных видов на основе различий в их спектральных сигнатурах. Это позволяет выявлять и контролировать болезни растений и инвазивные виды, что может привести к улучшению стратегий и результатов управления. В таблице 8 обобщены некоторые из наиболее важных исследований в области HSI для мониторинга болезней растений и применения инвазивных видов растений.

6.6 Загрязнение пластиком



Несмотря на то, что загрязнение пластиком не связано строго с сельским хозяйством, оно стало одной из наиболее актуальных проблем, угрожающих водным и наземным экосистемам; Таким образом, его последствия для сельского хозяйства являются внутренними.



Обнаружение пластика в дикой природе является сложной задачей. Как видно, размер контролируемого пластика связан с разрешением датчика, т.е. высотой полета БПЛА. Микропластик может быть обнаружен только в лабораторных условиях, при расстоянии между мишенью и датчиком в диапазоне сантиметров [147]. С другой стороны, макропластик может быть обнаружен на большем расстоянии, в основном многие подходы используют спутниковые снимки [148], [149]. Эти подходы страдают от основных ограничений такого рода датчиков: низкое пространственное разрешение, фиксированные временные выборки, жесткие протоколы доступа к данным и отсутствие настраиваемых кампаний по получению данных. С другой стороны, они могут рассчитывать на высокое качество данных с точки зрения спектрального разрешения. Целью таких подходов является обнаружение крупных пластиковых отходов, и оно осуществляется с помощью некоторых специфических спектральных индексов, таких как Reversed Normalized Difference Vegetation Index (RNDVI), Normalized Difference Water Index 2 (NDWI2), Plastic Index (PI) и Floating Debris Index (FDI), как сообщается в [150] и [151].



Возможность установки гиперспектрального датчика на БПЛА открывает широкую область применения, ориентированную на обнаружение мелких пластмасс [152]. В этом сценарии ограничения спутниковых данных преодолеваются, а увеличение пространственного разрешения дает комфортный вклад в разработку моделей по запросу, способных выполнять планирование пути, получение и обработку данных в компактные сроки. Эти преимущества неоспоримы и способствуют растущему использованию данных методологий. В работах [153] и [154] авторы предлагают подход к обнаружению мусора в морской среде с использованием ограниченных выборок спектральных полос пропускания. Обработка полученных данных может осуществляться классификаторами случайных лесов или, в последнее время, с помощью подходов, основанных на глубоком обучении [155]. Использование информации, поступающей от датчика, работающего в полосе коротковолнового инфракрасного излучения (SWIR), предложено в работе [156]. Эта область спектра в основном используется для различения видов пластмасс (т.е. ПЭТ, ПВХ и т.д.), в то время как обнаружение может быть выполнено также в различных полосах пропускания, в частности, для этого подходит диапазон 600-900 нм. В последние годы использование пластика в сельском хозяйстве стало массовым, в основном из-за увеличения покрытых пластиком тепличных хозяйств и сельскохозяйственных угодий, мульчированных пластиком. Это обуславливает необходимость разработки инструментов и подходов для автоматического обнаружения и мониторинга таких территорий, для устойчивого развития садоводства, включая высококачественное сельскохозяйственное производство, и снижения загрязнения [157], [158], [159].



7 Обсуждение



Технология HSI имеет значительные преимущества по сравнению с традиционными методами неразрушающего контроля. Неточность, вызванная ручными процессами, использованием приборов и различными этапами приготовления реагентов, которые включены в классические методы обнаружения, непредсказуема. Гиперспектральные данные образца должны быть сначала извлечены с помощью технологии HSI путем фотографирования образца во время детектирования. Затем эти данные могут быть объединены с алгоритмом машинного обучения для определения качества выборки. Для обеспечения точного, быстрого и неразрушающего обнаружения гиперспектральное обнаружение устраняет ошибки, вызванные внешними переменными, включая реагенты, приборы и операторы. Раннее использование гиперспектральных данных натолкнулось на ограничения. Первоначально исследователи использовали традиционный подход предварительной обработки (при необходимости), извлечение и выбор дискриминационных признаков перед применением классификатора для идентификации групп почвенно-растительного покрова. Особое внимание уделялось методам извлечения признаков, таким как PCA, ICA и вейвлеты, но этих классических математических методов было недостаточно для обработки огромного количества данных, задействованных в классификации HSI. Они не были способны точно предсказывать многоклассовые задачи и испытывали трудности с выбором и хранением признаков. Следовательно, исследователи столкнулись с трудностями при анализе, обработке и классификации HSI. Однако развитие технологий машинного обучения и глубокого обучения предоставило исследователям новые возможности для решения этих проблем. Несмотря на этот прогресс, анализ и извлечение информации из HSI остается сложной задачей из-за большого количества сильно коррелированных каналов и высоких пространственно-спектральных особенностей, встроенных в электромагнитный спектр. Поиск подходящих технологий для классификации этих взаимосвязанных, многомерных изображений требует достаточного количества качественных данных, а неконтролируемые подходы часто приводят к неточным результатам из-за отсутствия когерентности между спектральными кластерами и целевыми областями.



8 Заключение



В этом обзорном документе всесторонне представлена индивидуальная информация по каждому методу, включая их эффективность, пробелы в исследованиях и достижения. Кроме того, представлена новая методология исследования, которая отличает эту работу от других. Благодаря углубленному рассмотрению каждой методологии делаются значимые выводы, повышающие новизну работы. Кроме того, в статье освещается применение технологии HSI в сельском хозяйстве и подробно описывается текущий сценарий исследований по классификации HSI. В статье также рассматриваются некоторые из недавно разработанных методов, которые могут быть особенно полезны в будущих исследованиях.



8.1 Ограничения и область применения в будущем



В данной статье представлен обзор технологий и процедур, используемых для классификации HSI с момента ее создания до наших дней. Несмотря на значительные проблемы, связанные с обработкой высокочастотных данных, за последнее десятилетие исследователи добились значительного прогресса в этой области, усовершенствовав существующие методы и разработав новые. С развитием технологий и внедрением машинного обучения классификация HSI стала более точной, чем традиционные и современные методологии. В результате, за последнее десятилетие глубокое обучение стало наиболее заметным инструментом для классификации HSI, что привело к более широкому изучению возможностей дистанционного зондирования и космических изображений.



Исследования HSI открыли новые возможности для исследований с многочисленными практическими применениями. Несмотря на то, что спектральные каналы HSI имеют определенные преимущества по сравнению с мультиспектральными и RGB-изображениями, они также имеют ограничения и недостатки. Поэтому крайне важно решать проблемы, связанные с анализом HSI, некоторые из которых перечислены ниже:



• Сложность данных и высокая стоимость.

• Несмотря на наличие высокой спектральной информации, низкое пространственное разрешение данных HSI создает неравномерности и трудности при интерпретации.

• Общедоступные наборы данных часто имеют ограниченные обучающие выборки, что создает проблему для анализа HSI.

• Обнаружение целей остается значительной сложностью в HSI из-за непредсказуемого характера спектров целей и фона, что затрудняет разработку эффективных алгоритмов обнаружения целей.



В данной работе проведен углубленный анализ популярных методов глубокого обучения, используемых для классификации HSI, и дана оценка их эффективности. Методы, описанные ниже, предлагают исследователям новые и улучшенные подходы к анализу HSI:



• Метаобучение, которое включает в себя создание алгоритмов, использующих одни и те же наборы данных и объединяющих прогнозы из различных моделей, является неисследованной областью исследований в классификации HSI.

• Для проверки существующих исследований и совершенствования методов необходимо использовать новые наборы данных, такие как RIT-18 Remote Sensory Dataset [160] и наборы данных по оливкам [161] и виноградным ягодам [162]. Несмотря на то, что набор данных RIT-18 является мультиспектральным набором данных, он предлагает надежные и более универсальные методы классификации.

• Автоматический выбор параметров и оптимизация для DL и других подходов могут выиграть от эффективного эволюционного метода или генетического алгоритма.

• Кубы данных предоставляют огромное количество информации о сцене, но сильная корреляция между каналами может привести к дублированию информации. Использование автоматических протоколов для диагностики избыточной информации может повысить точность классификации.

• Создание дешевых, компактных и легких мобильных систем HSI, таких как аппаратное обеспечение, такое как фильтры, датчики и источники освещения, является захватывающей темой исследований.

• Современные подходы к распознаванию образов могут быть изучены для более эффективного и действенного изучения информации из кубов данных, поскольку спектральные сигнатуры получаются путем извлечения и анализа данных из кубов данных высокой размерности.

Признание



Эта работа была поддержана Министерством предприятий и Made in Italy грантом ENDOR "ENabling technologies for Defence and mOnitoring of the Rests" - PON 2014-2020 FESR - CUP B82C21001750005.



Ссылки



[А] Прабира Кумар Сети, Чанки Пандей, Йогеш Кумар Саху и Санти Кумари Бехера. Применение гиперспектральных изображений для точного земледелия – системное обследование. Мультимедийные инструменты и приложения, стр. 1–34, 2021 г.

[Б] Ланкапалли Равикантх, Дигвир С. Джаяс, Ноэль Д. Г. Уайт, Пол Г. Филдс и Да-Вэнь Сун. Извлечение спектральной информации из гиперспектральных данных и применение гиперспектральной визуализации для пищевых и сельскохозяйственных продуктов. Пищевые и биотехнологические технологии, 10:1–33, 2017.

[В] Юй Фэн Гэ, Гэн Бай, Винсент Стоергер и Джеймс С. Шнэйбл. Временная динамика роста растений кукурузы, водопотребления и содержания влаги в листьях с использованием автоматизированной высокопроизводительной RGB и гиперспектральной визуализации. Компьютеры и электроника в сельском хозяйстве, 127:625–632, 2016.

[Г] Ся Чжан, Яньли Сун, Кун Шан, Лифу Чжан и Шудун Ван. Классификация посевов на основе построения наборов полос, признаков и объектно-ориентированного подхода с использованием гиперспектральных изображений. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 9(9):4117–4128, 2016.

[Д] Бо Ли, Сянмин Сюй, Ли Чжан, Цзивань Хань, Чуньсун Бянь, Гуанцунь Ли, Цзянган Лю и Липин Цзинь. Оценка надземной биомассы и прогнозирование урожайности картофеля с использованием rgb и гиперспектральной визуализации на основе БПЛА. Журнал фотограмметрии и дистанционного зондирования ISPRS, 162:161–172, 2020.

[Е] А-К. Малейн, Т. Румпф,. Вельке, Х-В. Дене, Л. Плюмер, У Штайнер и Э-К. Орке. Разработка спектральных индексов для выявления и идентификации болезней растений. Дистанционное зондирование окружающей среды, 128:21–30, 2013.

[Ж] Томас Зелиге, Юрген Бёнер и Урс Шмидхальтер. Картирование верхнего слоя почвы с высоким разрешением с использованием гиперспектральных изображений и полевых данных в процедурах многомерного регрессионного моделирования. Geoderma, 136(1-2):235–244, 2006.

[З] Ö Gürsoy, AC Birdal, F Özyonar и E Kasaka. Определение и мониторинг качества воды реки Кызылырмак в Турции: первые результаты. Международный архив фотограмметрии, дистанционного зондирования и наук о пространственной информации, 40(7):1469, 2015.

[И] Б. Вебер, К. Олеховски, Т. Кнерр, Д. Хилл, К. Дойчевиц, Д. К. Вессельс, Б. Эйтель и Б. Бюдель. Новый подход к картографированию биологических почвенных корок в полупустынных районах с помощью гиперспектральных изображений. Дистанционное зондирование окружающей среды, 112(5):2187–2201, 2008.

[К] Абдельмалек Бугеттайя, Хафед Зарзур, Ахмед Кечида и Амин Мохаммед Таберкит. Методы глубокого обучения для классификации сельскохозяйственных культур с помощью снимков БПЛА: обзор. Нейронные вычисления и приложения, стр. 1–26, 2022 г.

[Л] Жан Фредерик Изингизве Нтурамбирве и Умезуруике Линус Опара. Применение машинного обучения для неразрушающего обнаружения дефектов в плодоовощной продукции. Биосистемная инженерия, 189:60–83, 2020.

[М] Альберто Синьорони, Маттиа Саварди, Аннализа Баронио и Серджио Бенини. Глубокое обучение в сочетании с гиперспектральным анализом изображений: междисциплинарный обзор. Журнал визуализации, 5(5):52, 2019.

[Н] Эдоардо Вантаджато, Эмануэла Паладини, Фарес Бугурзи, Козимо Дистанте, Абденур Хадид и Абдельмалик Талеб-Ахмед. Распознавание Covid-19 с помощью ensemble-cnns в двух новых базах данных рентгенографии грудной клетки. Датчики, 21(5):1742, 2021.

[О] Гарима Джайсвал, Арун Шарма и Сумит Кумар Ядав. Критический анализ современных приложений гиперспектральных изображений с помощью глубокого обучения. Междисциплинарные обзоры Wiley: интеллектуальный анализ данных и обнаружение знаний, 11(6):e1426, 2021.

[П] Фарес Бугурзи, Козимо Дистанте, Фади Дорнайка и Абдельмалик Талеб-Ахмед. Подходы Cnr-iemn-cd и cnr-iemn-csd для выявления covid-19 и определения тяжести covid-19 с помощью 3D-компьютерной томографии. Семинары по компьютерному зрению – ECCV 2022: Тель-Авив, Израиль, 23–27 октября 2022 г., Труды, часть VII, стр. 593–604. Шпрингер, 2023.

[Р] Фарес Бугурзи, Фади Дорнайка и Абдельмалик Талеб-Ахмед. Прогнозирование красоты лица на основе глубокого обучения с помощью динамических устойчивых потерь и ансамблевой регрессии. Системы, основанные на знаниях, 242:108246, 2022.

[С] Бин Лу, Фуонг Д Дао, Цзянгуй Лю, Юйхун Хэ и Цзяли Шан. Последние достижения в области технологий гиперспектральной визуализации и их применения в сельском хозяйстве. Дистанционное зондирование, 12(16):2659, 2020.

[Т] Нин Чжан, Гуйцзюнь Ян, Юйчунь Пань, Сяодун Ян, Липин Чэнь и Чуньцзян Чжао. Обзор передовых технологий и разработок для гиперспектрального обнаружения болезней растений за последние три десятилетия. Дистанционное зондирование, 12(19):3188, 2020.

[У] Чуньин Ван, Баохуа Лю, Липэн Лю, Яньцзюнь Чжу, Цзялинь Хоу, Пин Лю и Сян Ли. Обзор глубокого обучения, используемого в анализе гиперспектральных изображений для сельского хозяйства. Обзор искусственного интеллекта, 54(7):5205–5253, 2021.

[Ф] Антон Терентьев, Виктор Долженко, Александр Федотов, Данила Еременко. Современное состояние гиперспектрального дистанционного зондирования для раннего выявления болезней растений: обзор. Датчики, 22(3):757, 2022.

[Х] Герда Эдельман, Эдурн Гастон, Тон Г. Ван Лиувен, Пи Джей Каллен и Морис К. Г. Алдерс. Гиперспектральная визуализация для бесконтактного анализа следов судебно-медицинской экспертизы. Forensic Science International, 223(1-3):28–39, 2012.

[Ц] Б.Э. Вудгейт, Р.А. Кимбл, К.В. Бауэрс, С. Кремер, М. Э. Кайзер, А. К. Данкс, Дж.Ф. Грейди, Дж.Дж. Лойаконо, М. Брумфилд, Л. Файнберг и др. Конструкция спектрографа космического телескопа1. Публикации Тихоокеанского астрономического общества, 110(752):1183, 1998.

[Ч] Аббас Эль-Гамаль и Хельми Эльтухи. Датчики изображения CMOS. Журнал IEEE Circuits and Devices, 21(3):6–20, 2005.

[Ш] Чейн-И Чанг. Гиперспектральная визуализация: методы спектрального детектирования и классификации, том 1. Springer Science & Business Media, 2003.

[Щ] Димитрис Г. Манолакис, Рональд Б. Локвуд и Томас В. Кули. Дистанционное зондирование Земли с гиперспектральной визуализацией: физика, датчики и алгоритмы. Издательство Кембриджского университета, 2016.

[Ы] Ди Ву и Да-Вэнь Сун. Расширенные возможности применения технологии гиперспектральной визуализации для анализа и оценки качества и безопасности пищевых продуктов: Обзор — часть II: Приложения. Инновационная наука о продуктах питания и новые технологии, 19:15–28, 2013.

[Э] Майдер Видаль и Хосе Мануэль Амиго. Предварительная обработка гиперспектральных изображений. Основные этапы перед анализом изображений. Хемометрика и интеллектуальные лабораторные системы, 117:138–148, 2012.

[Ю] Цзянбо Ли, Руоюй Чжан, Цзинбинь Ли, Чжэли Ван, Хайлян Чжан, Байшао Чжань и Инлань Цзян. Детектирование ранних затухающих апельсинов на основе мультиспектрального изображения главных компонент, сочетающего в себе как двумерную эмпирическую модовую декомпозицию, так и метод сегментации водосбора. Послеуборочная биология и технология, 158:110986, 2019.

А. Мерло, Д. Константин, Ф. Мингиряну, И. Мокану, К. Файт, Д. Маес, Г. Мурариу, М. Войкулеску, Л. Георгеску и М. ван Розендаль. Малый тепловизор для мониторинга состава атмосферы (свинг) с беспилотного летательного аппарата (БПЛА). В материалах 21-го симпозиума ЕКА по европейским программам ракет и воздушных шаров и связанным с ними исследованиям, Тун, Швейцария, стр. 9–13, 2013

[АА] Алексис Мерло, Фредерик Так, Даниэль Константин, Лучиан Джорджеску, Йерун Маес, Каролин Файт, Флорин Мингиряну, Дирк Шюттемайер, Андреас Карлос Майер, Аня Шёнардт и др. Малый тепловизор для мониторинга состава атмосферы (свинг) и его работы с беспилотного летательного аппарата (БПЛА) во время ароматической кампании. Методы атмосферных измерений, 11(1):551–567, 2018.

[ББ] Амин Бейранванд Пур и Мазлан Хашим. Данные датчиков Aster, Ali и Hyperion для литологического картирования и разведки рудных полезных ископаемых. SpringerPlus, 3:1–19, 2014.

[ВВ] Ли Ён Ран, Айман Хабиб и Ким Кён Ок. Исследование аэротриангуляции по мультисенсорным изображениям. Корейский журнал дистанционного зондирования, 19(3):255–261, 2003.

[ГГ] Анне-Катрин Маляйн, Ульрике Штайнер, Кристиан Хиллнхюттер, Хайнц-Вильгельм Дене и Эрих-Кристиан Орке. Гиперспектральная визуализация для мелкомасштабного анализа симптомов, вызванных различными болезнями сахарной свеклы. Методы растений, 8:1–13, 2012.

[ДД] Росио Эрнандес-Клементе, Альберто Хорнеро, Матти Моттус, Хосеп Пеньуэлас, Виктория Гонсалес-Дуго, Джей Си Хименес, Л. Суарес, Луис Алонсо и Пабло Х. Сарко-Техада. Ранняя диагностика состояния растительности на основе гиперспектральных и тепловых изображений высокого разрешения: уроки, извлеченные из эмпирических взаимосвязей и моделирования переноса излучения. Текущие отчеты по лесному хозяйству, 5:169–183, 2019.

[ЕЕ] Марена Мэнли. Ближняя инфракрасная спектроскопия и гиперспектральная визуализация: неразрушающий анализ биологических материалов. Обзоры Химического общества, 43(24):8200–8214, 2014.

[ЖЖ] Штефан Томас, Ян Беманн, Ангелина Штайер, Торстен Краска, Онно Мюллер, Уве Рашер и Анне-Катрин Маляйн. Количественная оценка вредоносности и рейтинг сортов ячменя на основе гиперспектральной визуализации на неинвазивной автоматизированной платформе фенотипирования. Методы растений, 14(1):1–12, 2018.

[ЗЗ] Юаньюэ Го, Сюэчжи Хэ и Дунцзинь Ван. Новый метод получения изображений сверхвысокого разрешения, основанный на стохастической радиационной радиолокационной решетке. Измерительная наука и техника, 24(7):074013, 2013.

[ИИ] Чжисинь Чжан, Юнь Шао, Вэй Тянь, Цюфан Вэй, Ячжоу Чжан и Цинцзюнь Чжан. Потенциал применения снимков gf-4 для динамического мониторинга судна. IEEE Geoscience and Remote Sensing Letters, 14(6):911–915, 2017.

[КК] Уильям Р. Джонсон, Дэниел У. Уилсон, Вольфганг Финк, Марк Хумаюн и Грег Бирман. Моментальная гиперспективная визуализация в офтальмологии. Журнал биомедицинской оптики, 12(1):014036–014036, 2007.

[ЛЛ] Ю. Арслан, Ф. Огуз и К. Бешикчи. Матрица фокальной плоскости с расширенной длиной волны: характеристики и ограничения. Инфракрасная физика и технология, 70:134–137, 2015.

[ММ] Лян Гао, Роберт Т. Кестер, Натан Хаген и Томаш С. Ткачик. Спектрометр для картирования снимков изображений (ims) с высокой плотностью дискретизации для гиперспектральной микроскопии. Оптика экспресс, 18(14):14330–14344, 2010.

[НН] А.Р. Оффринга, Бенджамин Мак-Кинли, Наташа Херли-Уокер, Ф.Х. Бриггс, Р.Б. Уэйт, Д.Л. Каплан, М.Э. Белл, Лу Фэн, А.Р. Небен, Дж.Д. Хьюз и др. Wsclean: реализация быстрого, универсального широкоугольного тепловизора для радиоастрономии. Monthly Notices of the Royal Astronomical Society, 444(1):606–619, 2014.

[ОО] Чанбэнь Юй, Цзинь Ян, Нань Сун, Ци Сун, Минцзя Ван и Шулун Фэн. Система гиперспектральной микроскопии Microlens Array для биомедицинской области. Прикладная оптика, 60(7):1896–1902, 2021.

[ПП] Гиперспектральные сцены дистанционного зондирования Земли. Доступно в Интернете: https://www.ehu.eus/ccwintco/index.php. Hyperspec-tral_Remote_Sensing_Scenes (дата обращения: 22 апреля 2020), 2020.

[РР] Наото Ёкоя и Акира Ивасаки. Аэрогиперспектральные данные над чикусеями. Лаборатория космического применения, Токийский университет, Токио, Япония, Tech. Rep. SAL-2016-05-27, 5, 2016.

[СС] Яньфэй Чжун, Синьюй Ван, Яо Сюй, Шаоюй Ван, Тяньи Цзя, Синь Ху, Цзи Чжао, Лифэй Вэй и Лянпэй Чжан. Гиперспектральное дистанционное зондирование с помощью мини-БПЛА: от наблюдения и обработки до приложений. Журнал IEEE Geoscience and Remote Sensing Magazine, 6(4):46–62, 2018.

[ТТ] Химанши Ядав, Альберто Кандела и Дэвид Веттергрин. Исследование методов неконтролируемой классификации гиперспектральных наборов данных. В IGARSS 2019–2019 IEEE International Geoscience and Remote Sensing Symposium, стр. 2993–2996. IEEE, 2019.

[УУ] Яньфэй Чжун, Синь Ху, Чан Ло, Синьюй Ван, Цзи Чжао и Лянпэй Чжан. Whu-hi: Гиперспектральные наборы данных с высоким пространственным разрешением (h2) и классификатор для точной идентификации сельскохозяйственных культур на основе глубокой сверточной нейронной сети с crf. Дистанционное зондирование окружающей среды, 250:112012, 2020.

[ФФ] Амирхоссейн Хассанзаде, Ян ван Аардт, Шон Патрик Мерфи и Сара Джейн Петибридж. Моделирование урожайности фасоли на основе гиперспектрального зондирования: тепличное исследование. Журнал прикладного дистанционного зондирования, 14(2):024519, 2020.

[ХХ] Томас Блашке, Джеффри Джей Хей, Мэгги Келли, Стефан Ланг, Питер Хофманн, Элизабет Аддинк, Рауль Кейрос Фейтоза, Фрик Ван дер Меер, Харальд Ван дер Верфф, Фрике Ван Койлли и др. Анализ изображений на основе географических объектов – на пути к новой парадигме. Журнал фотограмметрии и дистанционного зондирования ISPRS, 87:180–191, 2014.

[ЦЦ] Цинь Тао, Шу Чжань, Сяо-Хун Ли и Тору Курихара. Надежное распознавание лиц с использованием локальных CNN и SVM на основе комбинации ядра. Нейрокомпьютинг, 211:98–105, 2016.

[ЧЧ] Фарес Бугурзи, Козимо Дистанте, Фади Дорнайка и Абдельмалик Талеб-Ахмед. Pdatt-unet: Pyramid dual-decoder attention unet для сегментации инфекции covid-19 по компьютерной томографии. Анализ медицинских изображений, стр. 102797, 2023.

[ШШ] Фарес Бугурзи, Козимо Дистанте, Фади Дорнайка и Абдельмалик Талеб-Ахмед. D-trattunet: Архитектура внимания на основе двойного декодера для бинарной и многоклассовой сегментации инфекции covid-19. Препринт arXiv arXiv:2303.15576, 2023.

[ЩЩ] Вэй Линь, Сянъюн Ляо, Хуан Дэн и Яо Лю. Классификация почвенно-растительного покрова данных радиолокационного спутника-2 с использованием сверточной нейронной сети. Журнал естественных наук Уханьского университета, 21(2):151–158, 2016.

[ЫЫ] Нафтали Вамбугу, Ипин Чэнь, Чжэньлун Сяо, Минцян Вэй, Сайфуллахи Амину Белло, Хосе Маркато-младший и Джонатан Ли. Гибридная глубокая сверточная нейронная сеть для точной классификации почвенно-растительного покрова. Международный журнал прикладного наблюдения Земли и геоинформации, 103:102515, 2021.

[ЭЭ] Мануэль Карранса-Гарсия, Хорхе Гарсия-Гутьеррес и Хосе С. Рикельме. Фреймворк для оценки землепользования и классификации почвенно-растительного покрова с использованием сверточных нейронных сетей. Дистанционное зондирование, 11(3):274, 2019.

[ЮЮ] Янъян Чен, Дунпин Мин и Сяньвэй Л. Классификация почвенно-растительного покрова на основе суперпикселя спутникового снимка vhr, сочетающая многомасштабную оценку cnn и масштабных параметров. Информатика наук о Земле, 12:341–363, 2019.

[ЯЯ] Фэйлун Цао и Вэньхуэй Го. Глубокие гибридные расширенные остаточные сети для классификации гиперспектральных изображений. Нейрокомпьютинг, 384:170–181, 2020.

[ААА] Кайм Хэ, Сянъюй Чжан, Шаоцин Жэнь и Цзянь Сун. Глубокое остаточное обучение распознаванию изображений. В материалах конференции IEEE по компьютерному зрению и распознаванию образов, стр. 770–778, 2016.

[БББ] Кайм Хэ, Сянъюй Чжан, Шаоцин Жэнь и Цзянь Сун. Глубокое остаточное обучение распознаванию изображений. В 2016 году IEEE Conference on Computer Vision and Pattern Recognition (CVPR), стр. 770–778, 2016.

[ВВВ] Цзылун Чжун, Джонатан Ли, Линфэй Ма, Хань Цзян и Хэ Чжао. Глубокие остаточные сети для классификации гиперспектральных изображений. В 2017 году IEEE International Geoscience and Remote Sensing Symposium (IGARSS), стр. 1824–1827, 2017.

[ГГГ] Цянцян Юань, Цян Чжан, Цзе Ли, Хуанфэн Шэнь и Лянпэй Чжан. Шумоподавление гиперспектрального изображения с использованием пространственно-спектральной глубокой остаточной сверточной нейронной сети. IEEE Transactions on Geoscience and Remote Sensing, 57(2):1205–1218, 2018.

[ДДД] Чэнь Ван, Юнь Лю, Сяо Бай, Вэньчжун Тан, Пэн Лэй и Цзюнь Чжоу. Глубокая остаточная сверточная нейронная сеть для гиперспектрального изображения сверхвысокого разрешения. В кн.: Международная конференция по изображению и графике, стр. 370–380. Springer, 2017.

[ЕЕЕ] Личао Моу, Педрам Гамиси и Сяо Сян Чжу. Неконтролируемое изучение спектрально-пространственных признаков с помощью глубокой остаточной сети conv–deconv для классификации гиперспектральных изображений. IEEE Transactions on Geoscience and Remote Sensing, 56(1):391–406, 2017.

[ЖЖЖ] Чэнь Син, Ли Ма и Сяоцюань Ян. Извлечение и классификация признаков на основе многоуровневого автоэнкодера для гиперспектральных изображений. Журнал датчиков, 2016, 2016.

[ЗЗЗ] Йошуа Бенжио, Паскаль Ламблин, Дэн Попович и Уго Ларошель. Жадное послойное обучение глубоких сетей. Успехи в нейронных системах обработки информации, 19, 2006.

[ИИИ] Паскаль Венсан, Уго Ларошель, Йошуа Бенжио и Пьер-Антуан Манзагол. Извлечение и компоновка надежных элементов с помощью автоэнкодеров с шумоподавлением. В материалах 25-й международной конференции по машинному обучению, стр. 1096–1103, 2008.

[ККК] Паскаль Венсан, Уго Ларошель, Изабель Лажуа, Йошуа Бенжио, Пьер-Антуан Манзаголь и Леон Ботту. Многоуровневые автоэнкодеры шумоподавления: Изучение полезных представлений в глубокой сети с локальным критерием шумоподавления. Журнал исследований машинного обучения, 11(12), 2010.

[ЛЛЛ] Пэйчэн Чжоу, Цзюньвэй Хань, Гун Чэн и Баочан Чжан. Обучающийся компактный и дискриминационный многоуровневый автоэнкодер для гиперспектральной классификации изображений. IEEE Transactions on Geoscience and Remote Sensing, 57(7):4823–4833, 2019.

[МММ] Джеффри Хинтон, Саймон Осиндеро и Йи-Уай Те. Быстро обучающийся алгоритм для глубоких сетей доверия. Нейронные вычисления, 18(7):1527–1554, 2006.

[ННН] Юйши Чэнь, Син Чжао и Сюпин Цзя. Спектрально-пространственная классификация гиперспектральных данных на основе сети глубинных убеждений. Журнал IEEE по избранным темам в области прикладных наблюдений Земли и дистанционного зондирования, 8(6):2381–2392, 2015.

[ООО] Анил Б. Гаваде и Виджай С. Раджпурохит. Гибридная нейронная сеть глубокого убеждения на основе оптимизации для классификации ареалов растительности на мультиспектральном спутниковом снимке. Международный журнал наукоемких и интеллектуальных инженерных систем, 24(4):363–379, 2020.

[ППП] Рональд Уильямс и Дэвид Зипсер. Алгоритм обучения для непрерывной работы полностью рекуррентных нейронных сетей. Нейронные вычисления, 1(2):270–280, 1989.

[РРР] Личао Моу, Педрам Гамиси и Сяо Сян Чжу. Глубокие рекуррентные нейронные сети для гиперспектральной классификации изображений. IEEE Transactions on Geoscience and Remote Sensing, 55(7):3639–3655, 2017.

[ССС] Чжуочэн Цзян, В. Дэвид Пэн и Хунда Шэнь. Адаптивная фильтрация на основе Lstm для снижения ошибок предсказания гиперспектральных изображений. В 2018 году 6-я международная конференция IEEE по беспроводным технологиям для космоса и экстремальных условий (WISEE), стр. 158–162. IEEE, 2018.

[ТТТ] Джунён Чон, Чаглар Гульчере, Кён Хён Чо и Йошуа Бенджио. Эмпирическая оценка стробированных рекуррентных нейронных сетей при моделировании последовательностей. Препринт arXiv arXiv:1412.3555, 2014.

[УУУ] Циншань Лю, Фэн Чжоу, Жэньлун Хан и Сяотун Юань. Двунаправленно-сверточное изучение спектрально-пространственных признаков на основе lstm для классификации гиперспектральных изображений. Дистанционное зондирование, 9(12):1330, 2017.

[ФФФ] Фэн Чжоу, Жэньлун Хан, Циншань Лю и Сяотун Юань. Классификация гиперспектральных изображений с использованием спектрально-пространственных lstms. Нейрокомпьютинг, 328:39–47, 2019.

[ХХХ] И. Гудфеллоу, Ж. Пуже-Абади, М. Мирза, Б. Сюй, Д. Уорд-Фарли, С. Озаир, А. Курвиль и И. Бенжио. Генеративно-состязательные сети. В кн.: Материалы международной конференции по нейронным системам обработки информации. 2014.

[ЦЦЦ] Ф.Дж.Чен, Дж.М.Ли и Д.Ю. Янг. Классификация гиперспектральных изображений на основе генеративно-состязательных сетей. Comput Eng Appl, 55(22):172–179, 2019.

[ЧЧЧ] Линь Чжу, Юши Чэнь, Педрам Гамиси и Йон Атли Бенедиктссон. Генеративно-состязательные сети для гиперспектральной классификации изображений. IEEE Transactions on Geoscience and Remote Sensing, 56(9):5046–5063, 2018.

[ШШШ] Чжисян Сюэ. Общая генеративно-состязательная капсульная сеть для спектрально-пространственной классификации гиперспектральных изображений. Письма дистанционного зондирования, 11(1):19–28, 2020.

[ЩЩЩ] Сяобо Лю, Юйлинь Цяо, Юнхуа Сюн, Чжихуа Цай и Пэн Лю. Каскадные условные генеративно-состязательные сети для пространственно-спектральной генерации гиперспектральных выборок. Science China Information Sciences, 63(4):1–16, 2020.

[ЫЫЫ] Хунмин Гао, Дань Яо, Минся Ван, Чэньмин Ли, Хайюнь Лю, Цзайцзюнь Хуа и Цзявэй Ван. Метод гиперспектральной классификации изображений, основанный на мультидискриминаторных генеративно-состязательных сетях. Датчики, 19(15):3269, 2019.

[ЭЭЭ] Чжи Хэ, Хань Лю, Ивэнь Ван и Цзе Ху. Полуконтролируемое обучение на основе генеративно-состязательных сетей для классификации гиперспектральных изображений. Дистанционное зондирование, 9(10):1042, 2017.

[ЮЮЮ] Ин Чжань, Дань Ху, Юньтао Ван и Сяньчуань Юй. Полуконтролируемая гиперспектральная классификация изображений на основе генеративно-состязательных сетей. IEEE Geoscience and Remote Sensing Letters, 15(2):212–216, 2017.

[ЯЯЯ] Ин Цуй, Сяовэй Цзи, Кай Сюй и Лиго Ван. Алгоритм активного обучения с двойной проверкой стратегий для классификации гиперспектральных изображений. Фотограмметрическая инженерия и дистанционное зондирование, 85(11):841–851, 2019.

[АААА] Чжао Лэй, И Цзэн, Пэн Лю и Сяохуэй Су. Активное глубокое обучение для классификации гиперспектральных изображений с обучением неопределенности. Письма IEEE по геонаукам и дистанционному зондированию, 19:1–5, 2021.

[ББББ] Каушал Бхардвадж, Арундати Дас и Сварнаджьоти Патра. Спектрально-пространственное активное обучение с суперпиксельным профилем для классификации гиперспектральных изображений. В 2020 г. 6-я международная конференция по обработке сигналов и связи (ICSC), стр. 149–155. IEEE, 2020.

[ВВВВ] Джастин С. Смит, Бен Небген, Николас Любберс, Александр Исаев и Адриан Э. Ройтберг. Лучше меньше, да лучше: отбор проб химического пространства с активным обучением. Журнал химической физики, 148(24):241733, 2018.

[ГГГГ] Ву-Лин Нгуен, Мохаммад Хоссейн Шейкер и Эйке Хюллермайер. Как измерить неопределенность в выборке неопределенности для активного обучения. Машинное обучение, 111(1):89–122, 2022.

Чжоу Чжан, Эдоардо Пасолли и Мельба М. Кроуфорд. Адаптивный многоракурсный подход активного обучения для спектрально-пространственной классификации гиперспектральных изображений. IEEE Transactions on Geoscience and Remote Sensing, 58(4):2557–2570, 2019

[ЕЕЕЕ] Чэньин Лю, Линь Хэ, Чжэтао Ли и Цзюнь Ли. Функционально-ориентированное активное обучение для классификации гиперспектральных изображений. IEEE Transactions on Geoscience and Remote Sensing, 56(1):341–354, 2017.

[ЖЖЖЖ] Цзинсян Ян, Юнцян Чжао, Джонатан Чун-Вай Чан и Чэнь И. Классификация гиперспектральных изображений с использованием двухканальной глубокой сверточной нейронной сети. В 2016 году Международный симпозиум IEEE по геонаукам и дистанционному зондированию (IGARSS), стр. 5079–5082. IEEE, 2016.

[ЗЗЗЗ] Юань Юань, Сянтао Чжэн и Сяоцян Лу. Сверхразрешение гиперспектральных изображений путем трансферного обучения. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(5):1963–1974, 2017.

[ИИИИ] Хайме Забальза, Цзиньчан Жэнь, Цзянбинь Чжэн, Хуэйминь Чжао, Чуньмэй Цин, Чжицзин Ян, Пэйцзюнь Ду и Стивен Маршалл. Новый сегментированный многослойный автоэнкодер для эффективного уменьшения размерности и извлечения признаков при гиперспектральной визуализации. Нейрокомпьютинг, 185:1–10, 2016.

[КККК] Симранджит Сингх и Сингара Сингх Касана. Эффективная классификация гиперспектральных изображений с использованием глубокого обучения. Мультимедийные инструменты и приложения, 77:27061–27074, 2018.

[ЛЛЛЛ] Mercedes E Paoletti, Juan Mario Haut, Javier Plaza и Antonio Plaza. Новая глубокая сверточная нейронная сеть для быстрой гиперспектральной классификации изображений. Журнал фотограмметрии и дистанционного зондирования ISPRS, 145:120–147, 2018.

[ММММ] Радхесьям Вадди и Прабукумар Манохаран. Классификация гиперспектральных изображений с использованием cnn с интегрированием спектральных и пространственных признаков. Инфракрасная физика и технология, 107:103296, 2020.

[НННН] Симранджит Сингх и Сингара Сингх Касана. Среда предварительной обработки для спектральной классификации гиперспектальных изображений. Мультимедийные инструменты и приложения, 80(1):243–261, 2021.

[ОООО] Яньтин Чжань, Кэ Ву и Янни Донг. Усовершенствованная спектрально-пространственная сеть остаточного внимания для классификации гиперспектральных изображений. Журнал IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15:7171–7186, 2022.

[ПППП] Шивам Панде и Биплаб Банерджи. Hyperloopnet: Гиперспектральная классификация изображений с использованием многомасштабных самозацикливающихся сверточных сетей. Журнал фотограмметрии и дистанционного зондирования ISPRS, 183:422–438, 2022.

[РРРР] Чандра Шекхар Ядав, Монодж Кумар Прадхан, Сиам Мачинатху Парамбил Гангадхаран, Джитендра Кумар Чаудхари, Джагендра Сингх, Арфат Ахмад Хан, Мохд Анул Хак, Ахмед Альхуссен, Читапонг Вехтайсонг, Хазра Имран и др. Многоклассовая модель активного обучения с пиксельной определенностью для классификации классов почвенно-растительного покрова с использованием гиперспектральных изображений. Электроника, 11(17):2799, 2022.

[СССС] Чжэнъин Ли, Хун Хуан, Чжэнь Чжан и Гуанъяо Ши. Многоуровневая сеть убеждений для извлечения признаков гиперспектрального изображения. Дистанционное зондирование, 14(6):1484, 2022.

[ТТТТ] Мохаммед К. Аль-Хатиб, Мина Аль-Саад, Нур Абурад, Саид Альмансури, Хайме Забальза, Стивен Маршалл и Хуссейн Аль-Ахмад. Tri-cnn: трехветвевая модель для гиперспектральной классификации изображений. Дистанционное зондирование, 15(2):316, 2023.

[УУУУ] Лицзянь Чжоу, Сяоюй Ма, Силян Ван, Сиюань Хао, Юаньсинь Е и Кун Чжао. От мелкого до глубокого пространственного – улучшение спектральных признаков для классификации гиперспектральных изображений. Дистанционное зондирование, 15(1):261, 2023.

[ФФФФ] Ин-Цян Сун, Синь Чжао, Хуэй-Юэ Су, Бо Ли, Юэ-Мин Ху и Сюэ-Сен Цуй. Прогнозирование пространственных вариаций питательных веществ в почве с помощью гиперспектрального дистанционного зондирования в региональном масштабе. Датчики, 18(9):3086, 2018.

[ХХХХ] Ди Ву, Хуэй Ши, Сунцзин Ван, Юн Хэ, Идань Бао и Каншэн Лю. Быстрое прогнозирование влажности обезвоженных креветок с помощью системы гиперспектральной визуализации в режиме реального времени. Analytica Chimica Acta, 726:57–66, 2012.

[ЦЦЦЦ] Шэнъяо Цзя, Хунъян Ли, Яньцзе Ван, Реньюань Тун и Цин Ли. Гиперспектральный визуальный анализ для классификации типов почв и определения общего азота в почве. Датчики, 17(10):2252, 2017.

[ЧЧЧЧ] Лайфэй Вэй, Янси Чжан, Цикай Лу, Цзыжань Юань, Хайбо Ли и Цинбинь Хуан. Оценка пространственного распределения общего содержания мышьяка в почве на предполагаемой загрязненной территории с использованием гиперспектральных изображений с помощью БПЛА и глубокого обучения. Экологические показатели, 133:108384, 2021.

[ШШШШ] Аджай Кумар Патель, Джаянта Кумар Гхош, Шивам Панде и Самир Усмангани Сайяд. Подход на основе глубокого обучения для оценки фракционного содержания азота в почве по гиперспектральным данным. Журнал IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13:6495–6511, 2020.

[ЩЩЩЩ] Юншэн Хун, Лонг Го, Сунчао Чэнь, Марк Линдерман, Абдул М. Муазен, Лэй Юй, Июнь Чэнь, Яолинь Лю, Яньфан Лю, Хан Чэн и др. Исследование потенциала аэрогиперспектрального изображения для оценки органического углерода верхнего слоя почвы: эффекты производной дробного порядка и алгоритм оптимальной комбинации каналов. Геодерма, 365:114228, 2020.

[ЫЫЫЫ] Кун Тан, Хуэйминь Ван, Лихан Чэнь, Цянь Ду, Пэйцзюнь Ду и Ченсен Пан. Оценка пространственного распределения тяжелых металлов в сельскохозяйственных почвах с использованием аэрогиперспектральной визуализации и случайного леса. Журнал опасных материалов, 382:120987, 2020.

[ЭЭЭЭ] Аманда Сильвейра Рейс, Марлон Родригес, Главсио Лебосо Алемпарт Абрантес душ Сантуш, Карим Маяра де Оливейра, Ренато Херриг Фурланетто, Луис Гильерме Тейшейра Крузиоль, Эверсон Сезар и Маркос Рафаэль Нанни. Обнаружение органического вещества почвы с помощью гиперспектрального датчика в сочетании с процедурами многомерного регрессионного моделирования. Приложения дистанционного зондирования: общество и окружающая среда, 22:100492, 2021.

[ЮЮЮЮ] Шици Тянь, Шицзе Ван, Сяоюн Бай, Дэцюань Чжоу, Цянь Лу, Минмин Ван и Цзиньфэн Ван. Модель гиспектральной оценки содержания свинца в почве и ее применимость в различных типах почв. Acta Geochimica, 39(3):423–433, 2020.

[ЯЯЯЯ] Симранджит Сингх и Сингара Сингх Касана. Количественная оценка свойств почв с использованием гибридных признаков и вариантов рнн. Хемосфера, 287:131889, 2022.

[ААААА] Сангита Аннам и Аншу Сингла. Оценка концентрации тяжелых металлов в почве на сельскохозяйственных угодьях по гиперспектральным снимкам aviris. Международный журнал интеллектуальных систем и приложений в инженерии, 11(2s):156–164, 2023.

[БББББ] Халид А. Аль-Гаади, Абдалхалим А. Хассабалла, Эль-Камиль Тола, Ахмед Г. Каяд, Рангасвами Мадугунду, Бандер Алблеви и Фахад Асири. Прогнозирование урожайности картофеля с использованием методов точного земледелия. PloS one, 11(9):e0162219, 2016.

[ВВВВВ] Вэй Ян, Тайлер Нигон, Цзыюань Хао, Габриэль Диас Пайао, Фабиан Г. Фернандес, Давид Мулла и Се Ян. Оценка урожайности кукурузы на основе гиперспектральных снимков и сверточной нейронной сети. Компьютеры и электроника в сельском хозяйстве, 184:106092, 2021.

[ГГГГГ] Лус Анжелика Суарес, Эндрю Робсон, Джон Макфи, Джули О'Халлоран и Селия ван Спранг. Точность прогнозирования урожайности моркови по проксимальным гиперспектральным и спутниковым мультиспектральным данным. Точное земледелие, 21(6):1304–1326, 2020.

[ДДДДД] Лэй Панг, Сен Мэнь, Лэй Янь и Цзян Сяо. Быстрая оценка жизнеспособности и прогнозирование жизнеспособности семян кукурузы на основе спектров и изображений с использованием методов глубокого обучения и гиперспектральной визуализации. IEEE Access, 8:123026–123036 2020 г.

[ЕЕЕЕЕ] Якоб Гайпель, Анне Кьерсти Баккен, Марит Йоргенсен и Аудун Корсет. Оценка урожайности и качества кормов с помощью беспилотных летательных аппаратов и гиперспектральной съемки. Точное земледелие, 22(5):1437–1463, 2021.

[ЖЖЖЖЖ] Низом Фармонов, Хилола Аманкулова, Йожеф Сатмари, Алиреза Шарифи, Дариуш Аббаси-Могхадам, Сейед Махди Мирхосейни Нежад и Ласло Мучи. Классификация типов культур по дезис, гиперспектральным снимкам и алгоритмам машинного обучения. Журнал IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 16:1576–1588, 2023.

[ЗЗЗЗЗ] Кристоф Рёмер, Мирваес Вахабзада, Агим Баллвора, Франсиско Пинто, Миколь Россини, Чинция Панигада, Ян Бехманн, Йенс Леон, Кристиан Турау, Кристиан Баукхаге и др. Раннее выявление стресса от засухи в зерновых культурах: симплексная максимизация объема для гиперспектрального анализа изображений. Функциональная биология растений, 39(11):878–890, 2012.

[ИИИИИ] Натали Виньо, Мартен Экарно, Жиль Рабатель и Пьер Руме. Потенциал полевой гиперспектральной съемки как неразрушающего метода оценки содержания азота в листьях пшеницы. Исследование полевых культур, 122(1):25–31, 2011.

[ККККК] Цзюнь Чжан, Лимин Дай и Фан Чэн. Классификация сортов семян кукурузы на основе гиперспектральной отражательной визуализации и глубокой сверточной нейронной сети. Журнал измерения и характеристики пищевых продуктов, 15 (1): 484–494, 2021.

[ЛЛЛЛЛ] Чу Чжан, Иин Чжао, Тяньин Янь, Сюлинь Бай, Циньлинь Сяо, Пань Гао, Му Ли, Вэй Хуан, Идань Бао, Юн Хэ и др. Применение гиперспектральной визуализации ближнего инфракрасного диапазона для сортоидентификации зерен кукурузы в оболочке с глубоким обучением. Инфракрасная физика и технология, 111:103550, 2020.

[МММММ] Сесилия Риччоли, Долорес Перес-Марин и Ана Гарридо-Варо. Оптимизация редукции пространственных данных в гиперспектральной визуализации для прогнозирования параметров качества в интактных апельсинах. Послеуборочная биология и технология, 176:111504, 2021.

[ННННН] Вэйцзе Лань, Бенуа Жайе, Катрин Ренар, Александр Лека, Сунчао Чен, Карин Ле Бурвеллек и Сильви Бюро. Метод, использующий гиперспектральную визуализацию в ближнем инфракрасном диапазоне, для выделения внутренних качеств долек плодов яблока. Послеуборочная биология и технология, 175:111497, 2021.

[ООООО] Сок Джу Хонг, Сон Мин Пак, Ахён Ли, Сан Ён Ким, Ынчан Ким, Чан Хёп Ли и Гисок Ким. Неразрушающее прогнозирование жизнеспособности семян перца с использованием единичной и фьюжн-информации гиперспектральных и рентгеновских изображений. Датчики и исполнительные механизмы A: Физические, 350:114151, 2023.

[ППППП] Синьчжи Лю, Цзюнь Юй, Тору Курихара, Цунчжун У, Чжао Ню и Шу Чжань. Попиксельная комплекснозначная нейронная сеть на основе 1d БПФ гиперспектральных данных для улучшения сегментации зеленого перца в сельском хозяйстве. Прикладные науки, 13(4):2697, 2023.

[РРРРР] Майкл С. Уотт, Грант Д. Пирс, Джонатан. Дэш, Натанаэль Мелиа и Эллен Мэй К. Леонардо. Применение технологий дистанционного зондирования Земли для выявления последствий дефицита питательных веществ для лесов. Журнал фотограмметрии и дистанционного зондирования ISPRS, 149:226–241, 2019.

[ССССС] Дрисс Хабудан, Николас Трембле, Джон Р. Миллер и Филипп Виньо. Дистанционная оценка содержания хлорофилла в сельскохозяйственных культурах с использованием спектральных индексов, полученных по гиперспектральным данным. IEEE Transactions on Geoscience and Remote Sensing, 46(2):423–437, 2008.

[ТТТТТ] Натали Аль Макдесси, Мартин Экарно, Пьер Руме и Жиль Рабатель. Метод спектральной коррекции эффектов множественного рассеяния на гиперспектральных изображениях растительных сцен с близкого расстояния: применение к оценке содержания азота в пшенице. Точное земледелие, 20(2):237–259, 2019.

[УУУУУ] Дэхуа Гао, Минзан Ли, Цзюньи Чжан, Ди Сун, Хун Сун, Лан Цяо и Руомэй Чжао. Улучшение оценки содержания хлорофилла в листьях кукурузы путем удаления жилок на гиперспектральном изображении. Компьютеры и электроника в сельском хозяйстве, 184:106077, 2021.

[ФФФФФ] Чэнь Лю, Вэньцянь Хуан, Гуйянь Ян, Цинъянь Ван, Цзянбо Ли и Липин Чэнь. Определение содержания крахмала в одном ядре с использованием гиперспектральных изображений ближнего инфракрасного диапазона с двух сторон семян кукурузы. Инфракрасная физика и технология, 110:103462, 2020.

[ХХХХХ] Джудит Рубио-Дельгадо, Карлос Х. Перес и Мигель А. Вега-Родригес. Прогнозирование содержания азота в листьях оливковых деревьев с использованием гиперспектральных данных для точного земледелия. Точное земледелие, 22(1):1–21, 2021.

[ЦЦЦЦЦ] Нилам Агравал и Химаншу Говил. Глубокая остаточная сверточная нейронная сеть для классификации минералов. Успехи космических исследований, 71(8):3186–3202, 2023.

[ЧЧЧЧЧ] Пейман Могхадам, Дэниел Уорд, Итан Гоан, Шримал Джаявардена, Паван Сикка и Эмили Эрнандес. Обнаружение болезней растений с помощью гиперспектральной визуализации. В 2017 году Международная конференция по цифровым вычислениям изображений: методы и приложения (DICTA), стр. 1–8. IEEE, 2017.

[ШШШШШ] Джаафар Абдулридха, Яннис Ампатзидис, Шри Чаран Какарла и Памела Робертс. Обнаружение пятнистых и бактериальных пятен у томатов с использованием методов гиперспектральной визуализации с использованием БПЛА и настольных методов гиперспектральной визуализации. Точное земледелие, 21(5):955–978, 2020.

[ЩЩЩЩЩ] Чао Ци, Мурило Сандрони, Йеспер Каир Вестергаард, Эа Хёэг Риис Сундмарк, Мерете Багге, Эрик Александер-ссон и Цзюньфэн Гао. Классификация бессимптомной биотрофной фазы фитофтороза картофеля в полевых условиях на основе глубокого обучения и проксимальной гиперспектральной визуализации. Компьютеры и электроника в сельском хозяйстве, 205:107585, 2023.

[ЫЫЫЫЫ] Кушик Нагасубраманиан, Сара Джонс, Ашиш К. Сингх, Сумик Саркар, Арти Сингх и Баскар Ганапа-тисубраманиан. Идентификация болезней растений с помощью объяснимого 3D-глубокого обучения на гиперспектральных изображениях. Растительные методы, 15(1):1–10, 2019.

[ЭЭЭЭЭ] Цзунмэй Гао, Лав Р. Хот, Раяпати А. Найду и Цинь Чжан. Раннее выявление болезни скручивания листьев виноградной лозы у сорта винного винограда с красными ягодами с помощью гиперспектральной визуализации. Компьютеры и электроника в сельском хозяйстве, 179:105807, 2020.

[ЮЮЮЮЮ] Хунфэй Чжу, Ляньхэ Ян и Чжунчжи Хань. Количественное обнаружение афлатоксина b1 и анализ ключевых длин волн на основе глубокого обучения и гиперспектральной визуализации на субпиксельном уровне. Компьютеры и электроника в сельском хозяйстве, 206:107561, 2023.

[ЯЯЯЯЯ] Чжаося Лоу, Лунчжэ Цюань, Дэн Сунь, Хайлун Ли и Фулинь Ся. Гиперспектральное дистанционное зондирование для оценки конкурентоспособности сорняков в экосистемах сельскохозяйственных угодий кукурузы. Наука об окружающей среде, 844:157071, 2022.

[АААААА] Лай Чжи Йонг, Сити Хайрунниза-Беджо, Махира Джахари и Фарра Мелисса Мухарам. Автоматическое обнаружение прикорневой стеблевой гнили с помощью глубокого обучения и гиперспектральной визуализации. Сельское хозяйство, 13(1):69, 2023.

[ББББББ] Чуньмао Чжу, Юго Канайя, Масаси Цутия, Рёта Накадзима, Хидетака Номаки, Томо Китахаси и Кацунори Фудзикура. Оптимизация системы гиперспектральной визуализации для быстрого обнаружения микропластика на расстоянии до 100 м. MethodsX, 8:101175, 2021.

[ВВВВВВ] Кириакос Фемистоклеус, Кристиана Папуца, Силас Михаэлидис и Диофант Хаджимицис. Исследование обнаружения плавающего пластикового мусора из космоса с использованием снимков Sentinel-2. Дистанционное зондирование, 12(16):2648, 2020.

[ГГГГГГ] Константинос Топузелис, Димитрис Папагеоргиу, Александрос Карагайтанакис, Апостолос Папаконстантину и Мануэль Ариас Баллестерос. Дистанционное зондирование поверхности моря искусственными плавучими пластиковыми мишенями с помощью Sentinel-2 и беспилотных авиационных систем (проект по пластиковому мусору 2019 г.). Дистанционное зондирование, 12(12):2013, 2020.

[ДДДДДД] Роберт Пейдж, Саманта Лавендер, Дин Томас, Кэти Берри, Сьюзан Стивенс, Мохаммед Хак, Эммануэль Удугбези, Джиллиан Фаулер, Дженнифер Бест и Иэн Броки. Идентификация отходов шин и пластмасс по комбинированным данным Copernicus Sentinel-1 и Copernicus Sentinel-2. Дистанционное зондирование, 12(17):2824, 2020.

[ЕЕЕЕЕЕ] Лорен Бирманн, Даниэль Клули, Виктор Мартинес-Висенте и Константинос Топузелис. Поиск пластиковых пятен в прибрежных водах с помощью оптических спутниковых данных. Научные доклады, 10(1):1–10, 2020.

[ЖЖЖЖЖЖ] И. Кортези, А. Масьеро, Г. Туччи и К. Топузелис. Обнаружение речного пластика на базе БПЛА с мультиспектральной камерой. Международный архив фотограмметрии, дистанционного зондирования и наук о пространственной информации, 2022.

[ЗЗЗЗЗЗ] Жиль Гонсалвеш и Умберто Андриоло. Оперативное использование мультиспектральных снимков для картирования и категоризации макромусора беспилотными летательными аппаратами. Бюллетень о загрязнении морской среды, 176:113431, 2022.

[ИИИИИИ] Марко Бальси, Моника Морони, Вальтер Кьярабини и Джованни Танда. Воздушное обнаружение морского пластикового мусора с высоким разрешением с помощью гиперспектрального зондирования. Дистанционное зондирование, 13(8):1557, 2021.

[КККККК] Ниша Махарджан, Хироюки Миядзаки, Бипун Ман Пати, Мэтью Н. Дейли, Сангам Шреста и Тай Накамура. Обнаружение речного пластика с использованием данных датчиков БПЛА и глубокого обучения. Дистанционное зондирование, 14(13):3049, 2022.

[ЛЛЛЛЛЛ] Дженнифер Кокинг, Бхавани Э. Нараянасвами, Клэр М. Валуда и Бенджамин Дж. Обнаружение выброшенного на берег морского пластика с воздуха с помощью новой гиперспектральной коротковолновой инфракрасной (SWIR) камеры. Журнал морских наук ICES, 79(3):648–660, 2022.

[ММММММ] Биджиш Кожиккодан Веттил, Донг Доан Ван, Нго Суан Куанг и Фам Нгок Хоай. Дистанционное зондирование теплиц, покрытых пластиком, и сельскохозяйственных угодий, мульчированных пластиком: текущие тенденции и перспективы на будущее. Деградация и развитие земель, 34(3):591–609, 2023.

[НННННН] Н. Левин, Р. Лугасси, У. Рамон, О. Браун, Э. Бен-Дор. Дистанционное зондирование как инструмент мониторинга пластикультуры в агроландшафтах. Международный журнал дистанционного зондирования, 28(1):183–202, 2007.

[ОООООО] Хуан Хесус Рольдан, Гийом Жоссен, Давид Санс, Хайме Дель Серро и Антонио Баррьентос. Сенсорная система на базе мини-БПЛА для измерения переменных окружающей среды в теплицах. Датчики, 15(2):3334–3350, 2015.

[ПППППП] Рональд Кемкер, Карл Сальваджо и Кристофер Кэнан. Алгоритмы семантической сегментации мультиспектральных снимков дистанционного зондирования Земли с использованием глубокого обучения. Журнал фотограмметрии и дистанционного зондирования ISPRS, 2018.

[РРРРРР] Самуэль Домингес-Сид, Хулио Барбанчо, Диего Ф. Лариос, Ф. Дж. Молина, Ариэль Гомес и К. Леон. Набор данных гиперспектральной визуализации сортов оливок мансанилья и гордал в полевых условиях в течение всего сезона. Краткие данные, 46:108812, 2023.

Максим Рикеверт, Дафне Эран, Кароль Фейес, Фанни Презман, Эрик Серрано, Олдриг Куранд, Сильвия Мас-Гарсия, Максим Метц и Риад Бендула. Набор данных, содержащий спектральные данные гиперспектральной визуализации и измерений содержания сахара в ягодах винограда на различных стадиях зрелости. Краткие данные, 46:108822, 2023.