Profils d'Attributs Étendus pour une Classification Précise des Cultures dans l'Imagerie Hyperspectrale Transportée par UAV

L'imagerie hyperspectrale transportée par des véhicules aériens sans pilote (UAV) a été appliquée dans l'agriculture de précision, en raison de sa haute résolution spatiale et spectrale. Plus précisément, la haute résolution spatiale est propice à la révélation des caractéristiques texturales des cultures, tandis que la haute résolution spectrale peut dépeindre des différences spectrales détaillées entre les cultures. Dans cette étude, nous avons exploré le potentiel des profils d'attributs étendus (EAP) dans la modélisation des caractéristiques spectrales et spatiales de l'imagerie hyperspectrale transportée par UAV pour la classification précise des cultures. Plus précisément, deux approches de réduction de dimensionalité, à savoir l'analyse en composants principaux (PCA) et l'analyse en composants indépendants (ICA), ont été réalisées sur l'image hyperspectrale pour extraire des composants, sur la base desquels une série d'EAP mesurant différentes caractéristiques de l'image est générée. Pour exploiter l'information complémentaire de différents attributs, les EAP extraits ont été fusionnés pour la classification des cultures en utilisant des stratégies d'empilement de caractéristiques (FS) et de fusion de décisions (DF). Pendant ce temps, la forêt aléatoire (RF), la machine à vecteurs de support (SVM) et les réseaux neuronaux profonds (DNN) ont été utilisés comme classificateurs pour la classification précise des cultures. Des expériences menées sur le jeu de données WHU-Hi ont démontré que les EAP exploitaient l'information spectrale et spatiale de l'imagerie hyperspectrale transportée par UAV et obtenaient des performances de classification des cultures satisfaisantes.