Proper application of technology in agriculture

1. Introduction

Le secteur agricole mondial est confronté à des défis croissants posés par une série de facteurs de stress, notamment une population en croissance rapide, l'épuisement des ressources naturelles, la pollution de l'environnement, les maladies des cultures et le changement climatique. L'agriculture de précision est une approche prometteuse pour relever ces défis en améliorant les pratiques agricoles, par exemple, les intrants adaptatifs (par exemple, l'eau et les engrais), les extrants garantis (par exemple, le rendement des cultures et la biomasse) et les impacts environnementaux réduits. La télédétection est capable d'identifier la variabilité des sols et des cultures au sein d'un champ et de fournir des informations utiles pour les pratiques de gestion spécifiques au site [1,2]. Il existe deux types de technologies de télédétection en fonction de la source d'énergie, la télédétection passive (par exemple, optique) et la télédétection active (par exemple, LiDAR et Radar). La télédétection optique passive est généralement divisée en deux groupes en fonction des résolutions spectrales des capteurs, la télédétection multispectrale et hyperspectrale [3]. L'imagerie multispectrale est facilitée par la collecte de signaux spectraux dans quelques bandes discrètes, chacune couvrant une large gamme spectrale allant de quelques dizaines à des centaines de nanomètres. En revanche, l'imagerie hyperspectrale détecte les signaux spectraux dans une série de canaux continus avec une bande passante spectrale étroite (par exemple, généralement inférieure à 10 nm) ; par conséquent, elle peut capturer des caractéristiques spectrales à petite échelle de cibles qui pourraient autrement être compromises [4].
Les images multispectrales (par exemple, les images Landsat, Sentinel 2 et SPOT) ont été largement utilisées dans les études agricoles pour récupérer divers attributs des cultures et des sols, tels que la teneur en chlorophylle des cultures, la biomasse, le rendement et la dégradation des sols [5,6,7,8,9,10]. Cependant, en raison des limites de la résolution spectrale, la précision des variables récupérées est souvent limitée et les premiers signaux de stress des cultures (par exemple, carence en nutriments, maladie des cultures) ne peuvent pas être détectés efficacement en temps opportun [11]. Les images hyperspectrales (par exemple, CHNspec, Hyperion, CASI et Headwall Micro-Hyperspec) avec des centaines de bandes peuvent capturer des réponses spectrales plus détaillées ; par conséquent, elles sont plus capables de détecter des variations subtiles des couvertures végétales et leurs changements au fil du temps. Français Par conséquent, l'imagerie hyperspectrale peut être utilisée pour relever les défis susmentionnés et faciliter une détection plus précise et plus rapide de l'état physiologique des cultures [12,13]. Des études antérieures ont également démontré les performances supérieures des images hyperspectrales par rapport aux images multispectrales dans la surveillance des propriétés de la végétation, telles que l'estimation de l'indice de surface foliaire (LAI) [14], la discrimination des types de cultures [15], la récupération de la biomasse des cultures [16] et l'évaluation de la teneur en azote des feuilles [17]. Malgré ses performances exceptionnelles, l'imagerie hyperspectrale a été comparativement moins utilisée dans les applications agricoles opérationnelles au cours des dernières décennies en raison du coût élevé des capteurs et des missions d'imagerie, et de divers défis techniques (par exemple, un faible rapport signal/bruit et un volume de données important) [18,19,20,21]. Bien que les données de réflectance hyperspectrale au sol puissent être rapidement mesurées à l'aide d'un spectroradiomètre (par exemple, ASD Field Spec, Analytical Spectral Devices Inc., Boulder, CO, États-Unis) et qu'elles aient été largement utilisées pour observer les caractéristiques spectrales au niveau de la canopée et des feuilles [22,23,24], ces mesures au sol sont limitées à un petit nombre de sites de terrain et ne peuvent pas capturer la variabilité spatiale sur de grandes superficies. En revanche, les capteurs d'imagerie hyperspectrale sont plus pratiques pour acquérir la variabilité spatiale des informations spectrales sur une région.Ces dernières années, une large gamme de capteurs hyperspectraux de petite taille et à faible coût ont été développés et sont disponibles pour une utilisation commerciale, tels que FS60C (CHNSpec Technology, Zhejiang, Chine), Micro- et Nano-Hyperspec (Headwall Photonics Inc., Boston, MA, États-Unis), HySpex VNIR (HySpex, Skedsmo, Skjetten, Norvège) et FireflEYE (Cubert GmbH, Ulm, Allemagne) [11,25]. Ces capteurs peuvent être montés sur des plateformes aériennes habitées ou non (par exemple, des avions, des hélicoptères et des véhicules aériens sans pilote (UAV)) pour acquérir des images hyperspectrales et prendre en charge diverses missions de surveillance [13,26,27]. Français De plus, de nouveaux capteurs hyperspectraux aéroportés ont été lancés récemment, tels que le DESIS, lancé en 2018 [28], et le PRISMA, lancé en 2019 [29], ou seront lancés dans les prochaines années, comme l'EnMAP, dont le lancement est prévu en 2020 [30,31]. Dans l'ensemble, de plus en plus d'images hyperspectrales aéroportées ou spatiales sont devenues disponibles, offrant des opportunités sans précédent pour une meilleure surveillance des cibles au sol, en particulier pour une meilleure étude des variabilités des cultures et des sols et pour soutenir l'agriculture de précision. Par conséquent, une recherche documentaire a été effectuée pour déterminer si davantage de recherches sur l'utilisation de l'imagerie hyperspectrale à des fins agricoles avaient été publiées ces dernières années. Web of Science et Google Scholar ont été utilisés pour effectuer la recherche documentaire avec des sujets ou des mots-clés, notamment hyperspectral, imagerie, agriculture ou élevage, et publication sur une période de 30 ans (1990 à 2020). Les résultats de la recherche ont été vérifiés plus avant pour garantir que chaque publication relève du champ d'application de l'imagerie hyperspectrale pour les applications agricoles. Il a été constaté que le nombre de publications utilisant l’imagerie hyperspectrale pour des applications agricoles a augmenté ces dernières années (Figure 1). Un nombre nettement plus élevé d’études ont été publiées au cours de la dernière décennie (par exemple, 245 articles publiés entre 2011 et 2020) que pendant la décennie précédente (par exemple, 97 articles publiés entre 2001 et 2010).

Avec des images hyperspectrales prétraitées, une méthode analytique robuste et efficace est nécessaire pour analyser l'énorme quantité d'informations contenues dans les images (par exemple, les caractéristiques spectrales, spatiales et texturales) et extraire les propriétés cibles (par exemple, les caractéristiques des cultures et du sol). Des études antérieures ont utilisé une série de méthodes analytiques, notamment la régression empirique (par exemple, la régression linéaire, la régression des moindres carrés partiels (PLSR) et la régression multivariable (MLR)), la modélisation du transfert radiatif (RTM, par exemple, PROSPECT et PROSAIL), l'apprentissage automatique (par exemple, la forêt aléatoire (RF)) et l'apprentissage profond (par exemple, le réseau neuronal convolutif (CNN)) [34,35,36,37]. Ces méthodes ont été développées sur la base de différentes théories et présentent une complexité opérationnelle, une efficacité de calcul et une précision des performances différentes. Par conséquent, il est essentiel d'examiner les points forts et les limites de ces méthodes et d'aider à choisir celle(s) appropriée(s) à des fins de recherche spécifiques. En utilisant des informations hyperspectrales, les chercheurs ont étudié un large éventail de caractéristiques agricoles. Parmi les plus populaires, citons la teneur en eau des cultures, l'indice LAI, la teneur en chlorophylle et en azote, les ravageurs et les maladies, la hauteur des plantes, les informations phénologiques, l'humidité du sol et la teneur en matière organique du sol [11,38]. Il sera également utile d'examiner les performances de l'imagerie hyperspectrale dans ces études et d'explorer plus en détail le potentiel de cette technologie pour la surveillance d'autres caractéristiques agricoles. Enfin, les défis liés à l'utilisation de l'imagerie hyperspectrale pour l'agriculture de précision, ainsi que les futures orientations de recherche, sont abordés. Quelques articles de synthèse précédents ont abordé certains de ces sujets dans une certaine mesure [11,38,39]. Plus de détails et contributions de cette revue seront discutés dans chaque section spécifique. Dans l'ensemble, cette revue vise à examiner les principales procédures de collecte et d'utilisation d'images hyperspectrales pour différentes applications agricoles, à mieux comprendre les points forts et les limites de la technologie hyperspectrale et à promouvoir l'adoption plus rapide de cette technologie précieuse dans l'agriculture de précision.

2. Plateformes et capteurs d'imagerie hyperspectrale

Français Les capteurs hyperspectraux peuvent être montés sur différentes plateformes, telles que des satellites, des avions, des drones et des plateformes à courte portée, pour acquérir des images avec différentes résolutions spatiales et temporelles. Les plateformes utilisées dans la littérature ont été identifiées et résumées au fil des années de publication, dans le but de trouver, le cas échéant, les plateformes qui avaient été utilisées plus fréquemment au cours d'une période donnée, et les résultats sont présentés dans la Figure 2. Les avions ont été les plateformes les plus largement utilisées pour l'imagerie hyperspectrale en agriculture (Figure 2). Environ 30 articles utilisant des avions ont été publiés tous les cinq ans à partir de 2001 (par exemple, 27 publications en 2001-2005 et 38 en 2006-2010). En comparaison, l'imagerie hyperspectrale par satellite a été utilisée moins fréquemment ; environ 20 articles ou moins ont été publiés au cours de toutes les périodes de cinq ans. Français Les drones sont des plateformes populaires pour la télédétection et ont été largement utilisés au cours de la dernière décennie pour l'imagerie hyperspectrale en agriculture (par exemple, plus de 20 publications en 2011-2015 et 2016-2020). Les plateformes à courte portée ont été les plus largement utilisées au cours des cinq dernières années (c'est-à-dire 2016-2020), avec 49 publications (Figure 2). La revue de cette section est structurée en fonction de différentes plateformes, notamment les satellites, les avions, les drones et les plateformes à courte portée. Contrairement aux articles précédents examinant les plateformes hyperspectrales [20,38,39], la revue de cette section se concentre davantage sur les avancées récentes des plateformes d'imagerie (par exemple, les drones, les hélicoptères et la courte portée) et leurs applications à l'agriculture de précision (par exemple, la classification des mauvaises herbes, l'évaluation à petite échelle de la santé des cultures, des ravageurs et des maladies).

2.1. Imagerie hyperspectrale par satellite
Comparé à un grand nombre de capteurs multispectraux par satellite (par exemple, Landsat, SPOT, WorldView, QuickBird, Sentinel-2), il existe beaucoup moins de capteurs hyperspectraux. EO-1 Hyperion, PROBA-CHRIS et TianGong-1 [40] sont quelques exemples de capteurs hyperspectraux par satellite disponibles [20]. EO-1 Hyperion est le capteur hyperspectral par satellite le plus utilisé pour l'agriculture (par exemple, plus de 40 publications). Il collecte des données dans les gammes visible, proche infrarouge et infrarouge à ondes courtes avec une résolution spectrale de 10 nm et une résolution spatiale de 30 m. Français D'autres spécifications du capteur EO-1 Hyperion sont données dans le tableau 2. Le capteur a été en service de 2000 à 2017, ce qui correspond à la période ayant le plus de publications utilisant l'imagerie hyperspectrale par satellite (par exemple, 2006 à 2020 dans la figure 2). L'utilisation des données Hyperion a été rapportée dans une variété d'études agricoles pour la surveillance de différentes propriétés des cultures et du sol, y compris la détection des maladies des cultures [41,42], l'estimation des propriétés des cultures (par exemple, la chlorophylle, l'IAL, la biomasse) [43,44,45], l'évaluation des résidus de culture [46,47], la classification des types de cultures [48] et l'étude des caractéristiques du sol [49,50]. Parmi les études présentées, citons Wu et al. [45], qui ont estimé la teneur en chlorophylle de la végétation et l'IAL dans un champ agricole mixte en utilisant les données d'Hyperion et ont évalué les bandes spectrales sensibles à ces propriétés de la végétation. Camacho Velasco et al. [48] ont utilisé l'imagerie hyperspectrale Hyperion et différents algorithmes de classification (par exemple, un cartographe d'angle spectral et un estimateur de cohérence adaptatif) pour identifier cinq types de cultures (par exemple, le palmier à huile, le caoutchouc, l'herbe de pâturage, les agrumes et la canne à sucre) en Colombie. Gomez et al. [49] ont prédit le carbone organique du sol (SOC) en utilisant à la fois des données de spectroradiomètre et une image hyperspectrale Hyperion, et ils ont constaté que l'utilisation des données Hyperion entraînait une précision inférieure par rapport aux résultats dérivés des données de spectroradiomètre.

3. Méthodes de traitement et d'analyse des images hyperspectrales
Les images hyperspectrales acquises par différentes plateformes et capteurs sont généralement fournies dans un format brut (par exemple, des nombres numériques) qui doit être prétraité (par exemple, des corrections atmosphériques, radiométriques et spectrales) pour récupérer des informations spectrales précises. Ensuite, différentes approches peuvent être utilisées pour analyser les informations hyperspectrales et étudier diverses caractéristiques agricoles (par exemple, les propriétés des cultures et du sol). Quelques méthodes couramment utilisées comprennent la régression linéaire, la régression avancée (par exemple, PLSR), l'apprentissage automatique et l'apprentissage profond (par exemple, RF, CNN) et la modélisation du transfert radiatif (par exemple, PROSPECT et PROSAIL). Les chercheurs ont utilisé une ou plusieurs de ces méthodes pour étudier différentes caractéristiques agricoles. Dans cette section, l'examen est organisé en fonction des différentes méthodes utilisées dans les études.
3.1. Prétraitement des images hyperspectrales
Le traitement typique de l'imagerie hyperspectrale comprend la correction géométrique, l'orthorectification, la correction radiométrique et la correction atmosphérique. Pour les images hyperspectrales par satellite et par avion, la correction géométrique et orthorectification est généralement effectuée par les fournisseurs de données, et les corrections radiométriques et atmosphériques peuvent être effectuées en suivant les étapes de traitement d'image standard disponibles dans les logiciels de télédétection. Pour les images basées sur des drones, en revanche, les utilisateurs doivent effectuer ces étapes de traitement et décider des méthodes de traitement appropriées et des paramètres associés. Par exemple, un modèle numérique d'élévation (DEM) et des points de contrôle au sol (GCP) sont généralement nécessaires pour effectuer l'orthorectification et la correction géométrique [12]. Si le capteur monté sur le drone est basé sur un balai, des informations d'orientation précises du capteur enregistrées par une IMU seront nécessaires pour ces corrections, et l'IMU doit être intégrée dans le drone et bien calibrée [12,27]. Les progiciels couramment utilisés dans les études précédentes pour effectuer ces corrections sur des images hyperspectrales basées sur des drones comprennent ENVI (Exelis Visual Information Solutions, Boulder, CO, USA) et PARGE (ReSe Applications Schläpfer, Wil, Suisse) [12,26,117]. Français La correction radiométrique est effectuée pour convertir les nombres numériques de l'image en luminance à l'aide de coefficients d'étalonnage fournis par le fabricant du capteur [11]. Ces coefficients peuvent devoir être mis à jour au fil du temps en raison de la dégradation des matériaux spectraux utilisés pour construire les capteurs hyperspectraux. En ce qui concerne la correction atmosphérique, bien que les drones volent à basse altitude, les signaux acquis sont toujours subjectifs à l'influence de diverses absorptions et diffusions atmosphériques, telles que l'absorption d'oxygène à 760 nm ; l'absorption d'eau près de 820, 940, 1140, 1380 et 1880 nm ; et l'absorption de dioxyde de carbone à 2010 et 2060 nm [12,13,26,150]. Par conséquent, la correction atmosphérique est essentielle pour obtenir des informations spectrales de bonne qualité. Cependant, Adão et al. [11] suggèrent que ce processus pourrait être ignoré si les drones sont exploités près du sol. Par conséquent, l'application de la correction atmosphérique dépendra des missions de vol spécifiques et des objectifs de recherche (par exemple, des altitudes de vol, si des bandes spectrales influencées par l'atmosphère sont nécessaires). Les logiciels ou méthodes couramment utilisés dans les études précédentes pour effectuer une correction atmosphérique sur des images hyperspectrales basées sur des drones comprennent le modèle MODTRAN (Spectral Sciences Inc.), ENVI FLAASH (L3Harris Geospatial), PCI Geomatica (PCI Geomatics Corporate), le modèle SMARTS (Solar Consulting Services) et la correction de ligne empirique [12,19,27,32,33,116].

Français Les images hyperspectrales comportent généralement des centaines de bandes, et bon nombre d'entre elles sont fortement corrélées. Par conséquent, la réduction dimensionnelle est également une procédure essentielle à prendre en compte dans le prétraitement de l'imagerie hyperspectrale. De nombreuses études antérieures utilisant l'imagerie hyperspectrale ont discuté des défis de la redondance des données et ont utilisé différentes méthodes de réduction dimensionnelle. Par exemple, Miglani et al. [151] ont effectué une analyse en composantes principales (ACP) sur des images hyperspectrales et ont indiqué que 99 % des informations pouvaient être expliquées dans les 10 premières composantes principales. Amato et al. [152] ont discuté de quelques méthodes antérieures de réduction dimensionnelle, telles que l'ACP, la fraction de bruit minimale (MNF) et la décomposition en valeurs singulières (SVD), et ont proposé un algorithme de réduction dimensionnelle basé sur l'analyse discriminante pour la classification supervisée. Teke et al. [38] ont passé en revue plusieurs méthodes de réduction dimensionnelle et les ont résumées en fonction des techniques de transformation. Thenkabail et al. [153] ont discuté des problèmes de haute dimensionnalité et ont énuméré un certain nombre de bandes spectrales qui sont plus importantes pour étudier les caractéristiques des cultures. Sahoo et al. [4] ont examiné différentes méthodes de réduction de dimension, telles que l'ACP, la conception de caractéristiques uniformes (UMD), les transformées en ondelettes et les réseaux de neurones artificiels (RNA), et ont discuté de leurs caractéristiques de fonctionnement. Wang et al. [154] ont proposé une méthode de réduction de dimensionnalité basée sur un auto-encodeur qui est une approche basée sur l'apprentissage profond. Parmi ces différentes méthodes, la transformée en ondelettes est l'une des plus utilisées pour la réduction de dimension. Cette technique décompose un signal en une série de versions mises à l'échelle de la fonction d'ondelette mère et permet la variation de l'ondelette en fonction des informations de fréquence pour extraire des caractéristiques localisées (par exemple, la variation spectrale locale) [155,156]. Elle a également été utilisée avec succès pour la fusion d'images, l'extraction de caractéristiques et la classification d'images [156,157,158].
En plus de la réduction de dimensionnalité, l'analyse de sensibilité de bande et la sélection de bande ont également été largement utilisées dans la télédétection hyperspectrale pour réduire la taille des données en sélectionnant uniquement les bandes sensibles à l'objet d'intérêt. Français Différents algorithmes ont été proposés dans des études précédentes pour la sélection de bandes, comme une méthode rapide basée sur le gradient de volume qui est une méthode non supervisée et supprime successivement la bande la plus redondante en fonction du gradient de volume [159], une méthode basée sur la sélection de sous-ensembles de colonnes qui maximise le volume du sous-ensemble sélectionné de colonnes (c'est-à-dire de bandes) et est robuste aux bandes bruyantes [160], et une méthode de sélection de bandes saillantes basée sur le classement des collecteurs qui place les vecteurs de bandes dans l'espace des collecteurs et sélectionne un classement basé sur les bandes qui peut résoudre le problème de la mesure inappropriée de la différence de bande [161]. Avec l'analyse de sensibilité, des études précédentes ont identifié des bandes spectrales qui sont sensibles à différentes propriétés des cultures, par exemple, ~515, ~550, ~570, ~670, 700-740, ~800 et ~855 nm pour étudier la teneur en chlorophylle ; ~405, ~515, ~570, ~705 et ~720 nm pour évaluer le statut azoté ; ~970, ~1180, ~1245, ~1450 et ~1950 nm pour évaluer la teneur en eau ; ~682, ~855, ~910, ~970, ~1075, ~1245, ~1518, ~1725 et ~2260 nm pour estimer la biomasse ; et ~550, ~682, ~855, ~1075, ~1180, ~1450 et ~1725 nm pour la classification des cultures [36,44,153,162]. Dans l'ensemble, le prétraitement est une étape essentielle pour améliorer la qualité des images hyperspectrales et préparer une analyse ultérieure des données. Après le prétraitement, les méthodes analytiques décrites ci-dessous peuvent être utilisées pour analyser les informations hyperspectrales et étudier diverses caractéristiques agricoles sur le terrain.

4. Applications hyperspectrales en agriculture
L'imagerie hyperspectrale a été utilisée en agriculture à des fins très diverses, notamment pour estimer les propriétés biochimiques des cultures (par exemple, la chlorophylle, les caroténoïdes et la teneur en eau) et les propriétés biophysiques (par exemple, LAI, biomasse) pour comprendre l'état physiologique de la végétation et prédire le rendement, évaluer l'état nutritionnel des cultures (par exemple, la carence en azote), surveiller les maladies des cultures et étudier les propriétés du sol (par exemple, l'humidité du sol, la matière organique du sol et le carbone du sol). Des études antérieures ont également résumé certaines des applications mentionnées ci-dessus de la télédétection hyperspectrale dans l'agriculture de précision [4,84]. Dans cette section, nous nous concentrerons donc davantage sur les études hyperspectrales récentes et résumerons ces études en fonction d'applications spécifiques.
4.1. Estimation des propriétés biochimiques et biophysiques des cultures
Une application hyperspectrale importante en agriculture est la surveillance des conditions des cultures grâce à la récupération des propriétés biochimiques et biophysiques des cultures [8,99]. Français Par exemple, la teneur en chlorophylle des feuilles est une propriété biochimique essentielle qui influence la capacité photosynthétique de la végétation et contrôle la productivité des cultures [99]. Dans des études précédentes, Oppelt et Mauser [105] ont collecté des données AVIS pour récupérer les teneurs en chlorophylle et en azote dans un champ de blé d'hiver. De même, Moharana et Dutta [43] ont utilisé des données Hyperion pour estimer les teneurs de ces deux composants biochimiques dans une rizière. Le LAI, en revanche, est un paramètre biophysique fondamental de la végétation et est étroitement lié à la biomasse et au rendement des cultures [98]. Des études antérieures ont utilisé la télédétection hyperspectrale pour estimer le LAI de différentes cultures, et certaines des études d'exemple sont présentées dans le tableau 8.
En plus des propriétés biochimiques et biophysiques de la végétation mentionnées ci-dessus, la teneur en eau des cultures est un paramètre essentiel pour révéler le stress hydrique. Richter et al. [98] ont tenté d'estimer la teneur en eau du maïs, de la betterave sucrière et du blé d'hiver à l'aide de données HyMap aéroportées. Moharana et Dutta [204] ont étudié le stress hydrique dans une rizière et ses variations à l'aide d'images Hyperion et ont indiqué que la teneur en eau estimée par télédétection correspondait bien aux données observées sur le terrain. Izzo et al. [128] ont évalué l'état hydrique d'un vignoble commercial à l'aide de données hyperspectrales basées sur des drones et ont déterminé les longueurs d'onde sensibles à la teneur en eau de la canopée. Sahoo et al. [4] ont discuté des applications des données de télédétection hyperspectrale pour évaluer les caractéristiques de l'eau dans les cultures et ont énuméré plusieurs indices de végétation pour calculer la teneur en eau.
Il ressort de l'analyse de la littérature que de nombreuses études antérieures se sont concentrées sur l'estimation de la teneur en chlorophylle des cultures, du LAI et de la teneur en eau à l'aide d'images hyperspectrales, tandis que d'autres propriétés importantes des cultures, telles que les caroténoïdes, qui sont sensibles au stress des plantes sont moins explorées. De plus, la production agricole est influencée par toutes ces propriétés de la végétation (par exemple, la chlorophylle, l'eau et le LAI). Outre l’étude des variations spatiales et temporelles de chaque propriété, il est également essentiel d’évaluer les relations entre ces propriétés et de mieux comprendre comment elles affectent la croissance et la production des cultures.

Français L'estimation de la biomasse des cultures et la prévision du rendement sont également des applications importantes de la télédétection, car elles contribueront à la compréhension de la productivité des cultures et à la mise en œuvre de mesures de gestion appropriées [126]. Yue et al. [124] ont utilisé des images hyperspectrales basées sur des drones pour estimer la biomasse aérienne du blé d'hiver. Yang [205] et Mariotto et al. [15] ont utilisé des données multispectrales et hyperspectrales pour estimer le rendement des cultures et ont constaté que le modèle basé sur l'imagerie hyperspectrale était plus performant. De plus, les résidus de culture laissés dans le champ sont des matériaux essentiels qui protègent le sol de l'érosion hydrique et éolienne et influencent les processus biochimiques du sol. Des études antérieures, telles que Bannari et al. [106], Galloza et Crawford [47], Bannari et al. [46], ont utilisé différentes images hyperspectrales pour l'estimation des résidus de culture sur les terres agricoles.
Au-delà de l'estimation de la biomasse et des résidus des cultures, un autre sujet de recherche est l'étude de la bioénergie (par exemple, le biogaz), qui peut être générée à partir de la biomasse des cultures. Thomas et al. [100] ont tenté d'estimer la quantité de biogaz pouvant être générée par unité de biomasse à l'aide de données HyMap aéroportées et ont obtenu des résultats satisfaisants. Dans l'ensemble, l'imagerie hyperspectrale a grandement contribué à l'estimation de la biomasse des cultures, du rendement et d'autres caractéristiques connexes (par exemple, la bioénergie, les résidus de culture). Étant donné que la biomasse et le rendement des cultures sont fortement affectés par les pratiques agricoles (par exemple, l'arrosage et le traitement nutritionnel), l'intégration de ces données de pratique, ainsi que de l'imagerie hyperspectrale, dans le modèle peut potentiellement générer de meilleurs résultats. Des recherches supplémentaires dans ce domaine sont nécessaires.

4.2. Évaluation de l'état nutritionnel des cultures L'agriculture de précision consiste à évaluer l'état nutritionnel des cultures et à fournir des recommandations sur la gestion des ressources spécifiques au site en fonction des besoins des cultures [206]. Une telle approche est essentielle pour améliorer l'efficacité de l'utilisation des ressources et réduire les impacts environnementaux [4,103]. Des études antérieures ont utilisé des images hyperspectrales pour estimer la teneur en azote de différents types de cultures, comme le montre le tableau 9. Dans l'ensemble, en raison de la grande quantité d'informations spectrales dans l'imagerie hyperspectrale, l'état nutritionnel des cultures peut être évalué avec une grande précision, et un plan de traitement d'engrais correspondant peut être proposé pour obtenir une production agricole optimale. Cependant, il est également essentiel de garder à l'esprit qu'il existe un large éventail de facteurs, tels que l'humidité du sol, le type de sol et les conditions topographiques, qui peuvent avoir un impact sur la croissance et la production des cultures. Un plan de traitement plus complet qui prend en compte à la fois l'état nutritionnel des cultures et d'autres facteurs d'influence peut apporter une plus grande contribution à la production agricole. Classification des images pour identifier les types de cultures, les stades de croissance, les mauvaises herbes/espèces envahissantes et le stress/la maladie En plus de quantifier les propriétés des cultures, les images hyperspectrales ont également été utilisées à des fins de classification, telles que la différenciation des types de cultures, l'identification des stades de croissance des cultures, la classification des mauvaises herbes ou des espèces envahissantes et la détection des maladies [218]. Des exemples d'études antérieures sont présentés dans le tableau 10. Différentes couvertures de terres agricoles ou différents types de cultures ont des caractéristiques spectrales différentes ; par conséquent, les images hyperspectrales peuvent grandement contribuer à la classification de ces caractéristiques agricoles. L'infestation de mauvaises herbes est un problème grave dans les champs agricoles et pourrait affecter considérablement la croissance et le rendement des cultures. L'identification et la cartographie des mauvaises herbes dans les champs agricoles à l'aide de la télédétection contribueront grandement au traitement à taux variable dans les champs [219]. Les chercheurs ont utilisé différentes données et méthodes de télédétection pour la cartographie des mauvaises herbes, comme le montre le tableau 11. Dans l'ensemble, l'identification des mauvaises herbes nécessite généralement une résolution spatiale élevée car de nombreuses mauvaises herbes sont de petite taille et mélangées aux cultures. L'imagerie hyperspectrale à courte portée et basée sur les drones est capable d'acquérir des images à haute résolution spatiale et présente donc un potentiel élevé pour contribuer à la détection des mauvaises herbes.

La surveillance des maladies des cultures est très importante pour les producteurs qui tentent de réduire les pertes économiques et de rendement [38]. L'imagerie hyperspectrale collecte des signaux à des résolutions spectrales fines (par exemple, des intervalles inférieurs à 10 nm) et peut donc éventuellement détecter les premiers symptômes de maladies des cultures et soutenir des interventions opportunes [225]. Des études antérieures ont utilisé des images hyperspectrales pour détecter des maladies dans différents types de groupes (tableau 12). Dans l'ensemble, les signaux hyperspectraux sont sensibles aux variations de l'état de croissance des cultures (par exemple, causées par une maladie ou un stress) et peuvent donc indiquer l'apparition d'une maladie ou d'un stress des cultures. Cependant, étant donné que l'état des cultures peut être affecté par d'autres facteurs (par exemple, une carence en nutriments), l'imagerie et l'analyse répétées ainsi qu'une modélisation robuste seraient essentielles pour une détection précise et rapide des maladies ou du stress des cultures.

4.4. Récupération de l'humidité du sol, de la fertilité et d'autres propriétés physiques ou chimiques
Les propriétés agricoles du sol, notamment l'humidité du sol, la matière organique du sol, la salinité du sol et la rugosité, sont des facteurs importants qui influencent la croissance des cultures et la production finale [7]. La télédétection hyperspectrale peut grandement contribuer à l'étude de ces facteurs. Par exemple, l'estimation de l'humidité du sol est l'un des sujets de recherche les plus populaires. Finn et al. [108] ont estimé l'humidité du sol à trois profondeurs différentes à l'aide d'images hyperspectrales aéroportées et d'une régression linéaire et ont discuté des contributions et des limites de la télédétection hyperspectrale pour les études d'humidité du sol. Casa et al. [229] ont étudié les teneurs en eau, en argile et en sable du sol à l'aide d'une fusion d'images CHRIS-PROBA et de données géophysiques du sol. Shoshany et al. [7] ont résumé quatre principales approches pour estimer la teneur en humidité du sol : (1) Techniques radar ; (2) Calculs du bilan radiatif et de la température de surface ; (3) Réflectance dans les gammes visible, NIR et SWIR ; et (4) Méthodes intégratives utilisant plusieurs gammes spectrales. Bien que l'humidité du sol puisse être estimée à l'aide de données de télédétection optique, elle est souvent affectée par la couverture végétale du sol. L'intégration de données de télédétection multi-types, par exemple, les données SAR et thermiques, peut éventuellement générer des estimations plus précises.
Le COS est un élément essentiel de la fertilité du sol, qui contrôle fortement la croissance et le rendement des cultures. Les données hyperspectrales fournissent des détails spectraux fins qui sont essentiels pour l'estimation de la teneur en COS. Des études antérieures ont utilisé des images hyperspectrales collectées par différentes plateformes pour étudier le COS (tableau 13). Dans l'ensemble, l'imagerie hyperspectrale a un potentiel élevé pour l'estimation de la matière organique et du carbone du sol. Cependant, comme pour l'évaluation de l'humidité du sol, l'étude de la matière organique et du carbone du sol peut être fortement influencée par la couverture végétale. Par conséquent, la collecte d'images hyperspectrales en dehors des saisons de croissance pourrait être une solution.

Les données de télédétection hyperspectrale ont également été utilisées pour estimer d'autres caractéristiques du sol, comme le montre le tableau 14. Ces études montrent que les images hyperspectrales peuvent être utilisées pour étudier une large gamme de caractéristiques du sol. Différentes caractéristiques du sol influencent les signaux spectraux dans différentes bandes et avec différentes amplitudes, tandis que certaines de ces influences peuvent se chevaucher spectralement. Par conséquent, lors de l'étude d'une caractéristique spécifique du sol, il est essentiel de collecter un nombre approprié d'échantillons de sol avec d'autres caractéristiques du sol généralement contrôlées.

En résumé, l’imagerie hyperspectrale a été appliquée avec succès à une large gamme d’applications agricoles, comme indiqué ci-dessus et résumé dans le tableau 15. Des orientations de recherche futures sont également suggérées.