基于机器学习和深度学习方法的农业应用高光谱成像技术系统综述


发布时间:

2022-06-13

来源:

本站

作者:

PhenoTrait

  全球人口日益增长,这给每个人都带来了严重的有机食品问题。农民逐渐意识到需要控制许多基本因素,如作物健康、水或肥料使用以及田间有害疾病。然而,监测农业活动是一项挑战。因此,精准农业是粮食生产和决策的重要决策支持系统。有几种方法和途径被用来支持精准农业实践。本研究对高光谱成像技术以及农业应用中最先进的深度学习和机器学习算法进行了系统的文献综述,以提取和合成重要的数据集和算法。我们仔细审查了法律研究,重点介绍了高光谱数据集,重点介绍了农业部门用于高光谱应用的大多数方法,并深入了解了高光谱数据处理中的关键问题和挑战。根据我们的研究,已经发现Hyperion 高光谱、Landsat8和Sentinel 2多光谱数据集主要用于农业应用。最常用的机器学习方法是支持向量机和随机森林。此外,基于深度学习的卷积神经网络(CNN)模型由于其在高光谱数据集上的高性能,主要用于作物分类。本综述将有助于利用机器和深度学习方法在高光谱遥感农业应用领域开展工作的新研究人员。

 

 表1 Hyperion与AVIRIS、Sentinel-2、Landsat传感器特性的比较

 

 表2 多光谱/高光谱图像在农业中的应用

 

  表3 利用高光谱数据确定农业特性的各种研究结果。

 

 表4 利用高光谱图像确定光谱分解进行分类的各种研究结果。

 

  来源:Khan A, Vibhute AD, Mali S, Patil CH: A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. Ecological Informatics 2022:101678.

 

  编辑:王春颖

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。