remote sensing

Visualizza articoli per tag: remote sensing

Remote Sensing cover

L’articolo “Evaluation of Hybrid Models to Estimate Chlorophyll and Nitrogen Content of Maize Crops in the Framework of the Future CHIME Mission” pubblicato dai ricercatori IREA Gabriele Candiani e Mirco Boschetti, in collaborazione con colleghi dell’Università di Miano-Bicocca, dell’Università di València, del CREA e del Consiglio Nazionale di Scienza e Tecnologia del Messico, è stato selezionato dagli editori di Remote Sensing per la copertina del volume 14, Issue 8, pubblicato ad aprile 2022.

Le missioni iperspettrali spaziali previste nei prossimi anni forniranno una quantità senza precedenti di dati spettroscopici, consentendo nuove possibilità di ricerca in diversi campi delle risorse naturali, compreso il settore Agricolture and Food Security. Per sfruttare in modo efficiente questo flusso di dati, al fine di estrarre informazioni utili per applicazioni di agricoltura sostenibile, è necessario studiare e implementare nuovi metodi di elaborazione delle immagini iperspettrali da satellite.

Lo studio ha valutato l’utilizzo dei recenti modelli ibridi, per la stima di parametri biofisici in colture di mais, a partire da dati simulati di CHIME, il sensore iperspettrale satellitare dell’Agenzia Spaziale Europea, attualmente in fase di studio. I modelli ibridi, oggi sempre più popolari, utilizzano codici di trasferimento radiativo (RTM) per generare delle look-up-table (LUT) contenenti migliaia di spettri simulati di riflettanza della vegetazione e i relativi parametri biofisici di interesse; queste LUT vengono quindi utilizzate come coppie input-output (riflettanza-parametro biofisico) per l’addestramento di algoritmi di Machine Learning (ML). La popolarità dei modelli ibridi è dovuta al fatto di poter sfruttare le proprietà di generalizzazione dei metodi fisicamente basati con la flessibilità e l’efficienza computazionale dei metodi di Machine Learning. Lo studio si è focalizzato sull’analisi delle performance dei modelli ibridi in funzione di diverse combinazioni di dimensionality reduction, sia a livello spettrale, considerando diverse componenti della PCA, sia a livello di numero di campioni input-output utilizzati per l’addestramento dell’algoritmo di ML (Gaussian Process Regression).

I risultati promettenti ottenuti in questo studio supportano l’utilizzo della spettroscopia da satellite e dei modelli ibridi, per la stima dei parametri biofisici delle colture.

 

Pubblicato in Notizie in evidenza
pagine_da_convegnoirea2023.jpg
              

IREA for societal challanges pages-to-jpg-0001

Report IREA 2024

Seguici su

                  Immagine twitter          Immagine facebook 

 

                         

Chi è online

 566 visitatori online