欧亚国际

来自法国的科学家利用Hiphen公司的Airphen多光谱相机发表了题为DeepIndices : Une nouvelle approche des indices de télédétection basée sur l’optimisation et l’approximation de fonctions par DeepLearning. Application aux indices de végétation sur des données non calibrées的论文。欧亚国际是Hiphen公司中国区合作伙伴，负责其系列产品在中国市场的推广、销售和售后服务。 

DeepIndices : Une nouvelle approche des indices de télédétection basée sur l’optimisation et l’approximation de fonctions par DeepLearning. Application aux indices de végétation sur des données non calibrées 

Jehan-Antoine Vayssade 1 , Jean-Noël Paoli 1 , Christelle Gée 1 , Gawain Jones 1 1 Agroécologie, AgroSup Dijon, INRA, Univ. Bourgogne-Franche-

Comté, F-21000 Dijon, France 

Résumé

L’une des avancées les plus importantes dans le domaine de l’observation de la terre est la découverte des indices spectraux, ils ont notamment prouvé leur effificacité dans la caractérisation des surfaces agricoles, mais ils sont généralement défifinis de manière empirique. Cette étude basée sur l’intelligence artifificielle et le traitement du signal, propose une méthode pour trouver un indice optimal. Et porte sur l’analyse d’images issues d’une caméra multi-spectrale, utilisée dans un contexte agricole pour l’acquisition en champ proche de végétation. À partir de six bandes spectrales, cinq modèles ont été testés et déployés dans un framework d’apprentissage profond. Les performances des indices standards et des indices profonds ont été évaluées avec le score mIoU (moyenne de l’intersection sur l’union), démontrant ici la force des DeepIndices pour séparer la végétation du sol. 

Mots-clés

Deep-learning, télédétection, indices spectral, images multi-spectrale, agriculture de précision, proxidétection 

Abstract

One of the most important advances in the fifield of earth observation is the discovery of spectral indices, they have proved their effectiveness in the characterization of agricultural plots, but they are generally defifined empirically. This study based on artifificial intelligence and signal processing, proposes a method to fifind an optimal index. It focuses on the analysis of images from a multi-spectral camera, used in an agricultural context for near-fifield acquisition of vegetation. From six wavebands

images, fifive equations have been tested. The performance of standard indices and deep indices were evalsuated with the mIoU score (mean intersection over union), demonstrating here the power of DeepIndices to separate vegetation fromthe soil. 

Keywords

Deep-learning, remote sensing, indices spectral, multispectral images, precision agriculture, proximal detection