Deriving percent crop cover over agriculture canopies using hyperspectral remote sensing

AbstractThe objective of this study is to investigate the potential of hyperspectral remote sensing for providing green percent crop cover information over agricultural canopies for use in precision farming. Ground measurements and airborne hyperspectral Probe-1 data were acquired over two agricultural sites in July 1999 near Clinton, Ontario, Canada, and in July 2000 near Indian Head, Saskatchewan, Canada. A manual endmember selection and extraction approach was used to unmix the reflectance cubes. Linear constrained and weakly constrained unmixing was conducted to determine crop endmember fractions. Results indicate that the two spectral unmixing algorithms were equally successful. If prior knowledge of the fields exists, a manual endmember selection technique is a suitable approach for the selection of endmembers in an image scene. Correlations between ground data and Probe-1 crop fractions showed very good results (root mean square error (RMSE) of ±11.06% and ±11.20% and index of agreement (D) of 0.91 and 0.90 for constrained and weakly constrained unmixing, respectively) when the endmembers were adjusted for their impurity. This highlighted the importance of finding pure or the "purest" pixels for each endmember in the image scene. The use of spectral unmixing to quantify within-crop and within-field percent crop cover showed mixed success. Canola and wheat crops (RMSE of ±10.67% and ±11.77%; D of 0.94 and 0.85) revealed better correlations than the bean and corn crops (RMSE of ±10.83% and ±12.46%; D of 0.64 and 0.59). The somewhat poor results for pea crops (RMSE of ±9.70%; D of 0.58) are possibly due to the ground vertical photograph classification process where it was difficult to distinguish pea stems and residue components.L'objectif de cette étude est d'évaluer le potentiel de la télédétection hyperspectrale pour l'estimation du pourcentage du couvert des cultures agricoles pour une utilisation opérationnelle en agriculture de précision. Des mesures au sol (vérité terrain) et des données hyperspectrales aéroportées ont été acquises par le capteur Probe-1 au-dessus de deux sites agricoles en juillet 1999, près de Clinton (Ontario, Canada), et en juillet 2000, près de Indian Head (Saskatchewan, Canada). Une approche de sélection et d'extraction manuelle des composantes spectrales homogènes pures (endmember) a été utilisée pour l'extraction des fractions à partir des cubes de réflectances au sol. Deux modèles d'analyse de mixture spectrale linéaire (sous contrainte et sous faible contrainte) ont été utilisés pour dériver les fractions homogènes des cultures. Les résultats obtenus montrent que les deux algorithmes considérés permettent l'extraction de l'information avec la même efficacité et la même précision. En outre, si une connaissance a priori existe sur les champs agricoles lors du passage du capteur, la sélection manuelle des composantes spectrales homogènes pures constitue une approche adéquate pour la sélection et l'extraction de ces composantes pures directement de l'image. Pour des fins de validation, les corrélations entre les mesures au sol (vérité terrain) et les fractions de cultures dérivées des données images (Probe-1) ont montré globalement de très bons résultats (RMSE de ±11,06 % et ±11,20 %; et D de 0,91 et 0,90 pour la mixture spectrale sous contrainte et sous faible contrainte, respectivement), notamment lorsque les composantes spectrales homogènes pures ont été ajustées d'impureté. Ceci montre l'importance de trouver des pixels purs ou les " plus purs " pour chaque composante spectrale homogène de l'image. L'utilisation de l'analyse de mixture spectrale linéaire pour quantifier le pourcentage du couvert des cultures, soit à l'intérieur d'une même culture ou soit à l'intérieur d'un même champ, a montré des résultats partagés. Par exemple, les cultures du canola et du blé (RMSE de ±10,67 % et ±11,77 %; D de 0,94 et 0,85) ont affiché de meilleures corrélations que les cultures du haricot et du maïs (RMSE de ±10,83 % et ±12,46 %; D de 0,64 et 0,59). Quant aux cultures de petits pois, les résultats sont moins concluants (RMSE de ±9,70 %; D de 0.58), probablement à cause de la procédure de classification des photos verticales acquises au sol (vérité terrain pour la validation) où il a été difficile de distinguer entre les tiges des petits pois et les résidus de cultures.[Traduit par la Rédaction]

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.