農業遙感監測是一個廣泛的課題，已從多個角度得到廣泛關注，有時基于特定應用(例如，精準農業、產量預測、灌溉、雜草檢測)、遙感平臺(例如，衛星、無人駕駛飛行器(UAV)、無人駕駛地面車輛(UGV)、傳感器(例如，主動或被動傳感、波長域)或特定位置和氣候環境(例如，國家或大陸、濕地或旱地)。遙感定義為通過利用從俯視角度獲得的圖像、在電磁頻譜的一個或多個區域中實施從地球表面反射或發射的電磁輻射來獲取有關地球陸地和水面信息的應用。高光譜遙感涉及通過機載或星載傳感器獲得的輻射從地球表面的物體或場景中提取信息。

一般來說，高光譜成像是現代成像系統和傳統光譜技術的結合。機載和衛星高光譜傳感器技術的發展已經克服了多光譜傳感器的限制，因為高光譜傳感器將可見光、近紅外(NIR)、中紅外和短波紅外部分的多個窄光譜帶組合在一起。電磁頻譜。高光譜傳感器收集大約 200 個或更多光譜帶，每個光譜帶僅 10 nm 寬它允許構建連續的光譜反射特征，而高光譜數據的窄帶寬元素能夠深入檢查地球表面特征，這些特征將在多光譜數據獲取的相對粗糙的帶寬內消失。高光譜數據通常被分配為超立方體(見圖1 )，其中包含兩個空間維度和一個光譜維度，考慮到每張高光譜圖像的特征，包含許多通道，因為與灰度或 RGB 圖像相比，存在僅包含一個通道的波段或三個通道。

圖 1.高光譜數據立方體結構

圖1中的高光譜數據立方體解釋了圖1a機載或星載平臺上的推掃式傳感器獲取稱為掃描線的一維行交叉軌跡像素的光譜數據;圖 1b包括每行交叉軌道像素的光譜的順序掃描線被堆積以獲得三維高光譜數據立方體，在該圖中，場景的空間細節由立方體的 x 和 y 維度構成，而將像素的幅度譜投影到 z 維度;圖1c 三維高光譜數據立方體可以作為二維空間圖像的堆棧進行分析，而每個圖像都相當于一個特定的窄波段。通常，高光譜數據立方體包含數百個堆疊圖像;圖 1d可以為每個像素標記光譜樣本，并且光譜中特征的區分提供了場景中檢測和分類的主要機制。關于成像光譜儀類型，大約有三種不同的方法來獲取高光譜數據，例如基于色散元件的方法、基于光譜濾波器的方法和快照高光譜成像。為了收集具有不同空間和時間分辨率的高光譜圖像，所使用的傳感器可以例如安裝在不同的平臺上。無人機(UAV)、飛機和近距離平臺。表1顯示了不同類型高光譜成像平臺的比較。提及高光譜傳感器用于提供信息，例如機載可見光/紅外成像光譜儀、Hyperion、Hymap和應用機載成像光譜儀。下面的表 2顯示了通常安裝在飛機和衛星上的不同類型的高光譜傳感器。表 1.高光譜成像平臺比較。

表 2.飛機和衛星上的高光譜傳感器類型

2. 高光譜遙感影像(HRSI)數據處理與分析

2.1. 數據預處理

由于高光譜數據的高維特性，以及光譜與混合像素的相似性，高光譜圖像技術仍然面臨著許多問題，其中最緊迫的是：(1)高光譜圖像數據具有高維。由于高光譜圖像是由機載或星載成像光譜儀采集的數百個波段的光譜反射率數據組合而成，因此高光譜圖像的光譜信息維度也可以是數百個維度;(2) 缺失標記樣品。在實際應用中，收集高光譜圖像數據相當簡單，但獲取類似圖像的標簽信息卻相當具有挑戰性。因此，高光譜圖片的分類有時會因標記樣本的短缺而受到阻礙;(3) 空間上光譜信息的可變性。高光譜圖像的光譜信息會因大氣條件、傳感器、地物的組成和分布以及周圍環境等因素而在空間維度上發生變化，導致每個像素對應的地物不是單一的;最后(4)圖像質量，即高光譜圖像采集過程中噪聲和背景元素的干擾，對采集數據的質量有重大影響。高光譜圖像的分類精度直接受到圖像質量的影響。高光譜圖像的光譜信息會因大氣條件、傳感器、地物的組成和分布以及周圍環境等因素而在空間維度上發生變化，導致每個像素對應的地物不是單一的;最后(4)圖像質量，即高光譜圖像采集過程中噪聲和背景元素的干擾，對采集數據的質量有重大影響。高光譜圖像的分類精度直接受到圖像質量的影響。高光譜圖像的光譜信息會因大氣條件、傳感器、地物的組成和分布以及周圍環境等因素而在空間維度上發生變化，導致每個像素對應的地物不是單一的;最后(4)圖像質量，即高光譜圖像采集過程中噪聲和背景元素的干擾，對采集數據的質量有重大影響。高光譜圖像的分類精度直接受到圖像質量的影響。導致每個像素點對應的地物不是單一的;最后(4)圖像質量，即高光譜圖像采集過程中噪聲和背景元素的干擾，對采集數據的質量有重大影響。高光譜圖像的分類精度直接受到圖像質量的影響。導致每個像素點對應的地物不是單一的;最后(4)圖像質量，即高光譜圖像采集過程中噪聲和背景元素的干擾，對采集數據的質量有重大影響。高光譜圖像的分類精度直接受到圖像質量的影響。

各種平臺和傳感器獲得的高光譜圖像通常以原始格式呈現，這需要對其進行預處理(例如大氣、輻射和光譜校正)以糾正詳細信息。組裝高光譜數據比多光譜和 RGB 傳感器更加復雜，因為它的輻射和大氣校準工作流程更加復雜。因此，高光譜成像處理過程需要幾個步驟才能獲得精確的輸出。高光譜成像的處理意味著計算機算法的利用。它包括從可見近紅外 (VNIR) 或近紅外 (NIR) 高光譜圖像中提取、存儲和偽造信息等任務。它還提供有關處理和數據挖掘任務的不同信息(例如，分析、分類、目標檢測、回歸和模式識別)。高光譜成像包括以像素存儲的大量數據收集，而每個數據都與其相鄰數據特別相關。高光譜成像還包括譜域信號，因為每個圖像像素都包含光譜信息;因此，用于處理空間和光譜信息的特定工具和方法已得到擴展。如此大量的數據導致化學計量學和可視化設備的集成，以有效地挖掘重要且詳細的信息。下面的圖 2描述了普通的高光譜圖像預處理過程。

圖 2.高光譜圖像預處理工作流程

高光譜成像設備產生的大量原始數據包含大量可以通過校準糾正的錯誤?？臻g校準是將每個圖像像素與已知單位或特征相關聯的步驟之一，提供有關空間維度的信息并糾正光學像差(微笑和梯形失真效應)。然而，可能存在三種使校準模型無效的情況：(1) 樣品中的化學或物理替代，(2) 由于固有的不確定性或部件老化而更換設備，以及 (3) 環境/天氣條件，例如溫度或濕度。高光譜照片中常見有數百個波段，其中許多波段是高度相關的。因此，降維是預處理高光譜圖像時需要考慮的重要步驟。降維是高光譜圖像分類中至關重要的預處理步驟，可減少 HSI 的光譜冗余，從而實現更快的處理和更高的分類精度。降維方法將高維數據轉換為低維空間，同時保留光譜信息。因此，預處理是提高高光譜圖像質量并為后續分析做好準備的重要步驟。

高光譜成像從單個樣本和需要日常分析的數千個樣本中生成大量數據收集。與其他統計技術相比，高光譜圖像分析使用物理和生物模型來吸收某些波長的光。例如，空氣中的氣體和氣溶膠可以吸收特定波長的光。色散(向傳感器透視區域添加外部光源)和吸收是大氣衰減的示例(輻射率)否認)。結果，高光譜傳感器無法區分在其他時間或地點生成的成像記錄的輻射率。高光譜圖像分析技術源自光譜學，它涉及某種材料的分子成分在不同波長下的不同吸收或反射模式。該圖像必須采用適當的大氣校正技術，以便將每個像素的反射特征與已知材料的光譜進行比較;在實驗室和“圖書館”存儲區域，已知的材料光譜信息包括土壤、礦物質和植被類型。

2.2. 高光譜圖像分類

根據可用訓練樣本的性質，高光譜成像 (HSI) 可分為監督式、無監督式和半監督式。監督技術使用真實信息(標記數據)進行分類，而無監督技術不需要任何先驗信息。根據文靜和小飛的研究，支持向量機、人工神經網絡、決策樹和最大似然分類方法是常用的監督分類方法的例子。基本過程是首先根據已知的樣本類別和先驗知識確定判別標準，然后計算判別函數。因此，在監督分類中，支持向量機可以產生類似于神經網絡的結果，但計算成本更低，速度更快，使其成為高光譜數據分析的理想選擇。

無監督分類是指基于高光譜數據光譜相似性的分類，例如在沒有先驗知識的情況下進行聚類。無監督分類由于沒有使用先驗知識，只能假設初始參數，通過預分類處理構建聚類，然后迭代直到相關參數達到允許的范圍。無監督分類的示例包括 K 均值分類和迭代自組織方法 (ISODATA)。最后，是半監督分類，它使用標記和未標記數據來訓練分類器。半監督學習范式已成功應用于高光譜成像之外的領域。它彌補了無監督和監督學習機會的缺乏。在特征空間上，這種分類方法使用相同類型的標記和未標記數據。由于大量未標記的示例可以更好地解釋數據的整體屬性，因此使用這兩個樣本訓練的分類器具有優越的泛化性。半監督分類的例子是拉普拉斯支持向量機(LapSVM)和自我訓練。

因此，高光譜成像可以成為自動區分農作物和雜草的潛在技術之一。這些傳感技術已應用于智慧農業，并通過從田間生成大量數據取得了實質性進展。集成特征的機器學習建模也達到了合理的準確性，可以識別植物是雜草還是農作物。