ISSN 1694-6286
e-ISSN 1694-9250
Макала жөнөтүү
Кыргыз
Кыргыз улуттук агрардык университетинин жарчысы

Макаланы издөө

Гиперспектралдык системаларды интеллектуалдык калибрлөө: Адаптивдик калибрлөө циклинин (AКЦ) концепциясы

Н Нурлан Шапанов Д Дмитрий Михайлов Б Батыйгуль Баячорова Г Гулмира Исаева
Кабыл алынган убакыт 15.08.2025
Түзөтүлгөн 14.11.2025
Жарыяланган 12.12.2025

Аннотация

Гиперспектралдык камералар менен жабдылган заманбап учкучсуз учуучу аппараттар (УУА) дыйканчылык жана айыл чарба экосистемаларын так көзөмөлдөө үчүн негизги куралга айланууда. Бирок, сенсорлордун тактыгы жогорулаганына карабастан, талааны калибрлөө процедураларынын статикалык мүнөзүнүн методологиялык көйгөйү чечилбеген бойдон калууда. Бир жолку колдонулуучу эталондук өлчөөлөргө негизделген салттуу ыкмалар жарыктын өзгөрүшү, топурактын нымдуулугу жана атмосфералык факторлор шарттарында маалыматтардын ишенимдүүлүгүн камсыз кылбайт. Бул макаланын максаты – Адаптивдик калибрлөө циклинин (АКЦ) концептуалдык моделин көрсөтүү – бул геодезиялык изилдөө, калибрлөө жана маалыматтарды иштетүү этаптарын бирдиктүү жабык циклдик кайтарым байланыш циклине бириктирген өз алдынча үйрөнүү системасы. Изилдөө методологиясы экинчик эмпирикалык маалыматтарды колдонуу менен калибрлөө процесстерин моделдөөгө, статикалык жана адаптивдик ыкмаларды салыштырмалуу талдоого жана ошондой эле АКЦнын натыйжалуулугун негизги метрикалар: чагылдыруу катасын, радиометриялык туруктуулукту жана маалыматтардын кайталануучулугун колдонуу менен баалоого негизделген. Циклдин алгоритмдик ишке ашырылышы онлайн окутуу механизмдерин, Калман чыпкасын жана реалдуу убакытта коррекциялоо үчүн edge computing архитектурасын камтыган. Моделдөөнүн жыйынтыктары көрсөткөндөй, AКЦди ишке ашыруу орточо чагылдыруу катасын 70 %тен ашык азайтат, радиометриялык туруктуулукту 20-25 %ке жакшыртат жана жооп берүү убактысын 0,25 секундага чейин кыскартат. Айыл чарба колдонмолорунда бул өсүмдүктөрдүн индекстерин (NDVI, PRI) так аныктоого, өсүмдүктөрдүн стрессин өз убагында аныктоого жана сугаруу менен жер семирткичтерди колдонууну оптималдаштырууга мүмкүндүк берет. Сунушталган методология талаа спектрометриясында статикалык ыкмадан адаптивдүү ыкмага өтүүнү белгилейт жана айыл чарба-өндүрүш комплекстерине алыстан мониторинг жүргүзүүчү жогорку тактыкты, маалыматтардын кайталануучулугун жана туруктуулугун камсыз кылуучу, акылдуу системалардын келечегин ачат

Негизги сөздөр

алыстан зонддоо; гиперспектралдык сүрөткө тартуу; адаптациялык калибрлөө; спектрометрия; жасалма интеллект; динамикалык методология; спектрдик дрейф
Цитаталоо
Shapanov, N., Mikhailov, D., Baiachorova, B., & Isaeva, G. (2025). Intelligent calibration of hyperspectral systems: The Adaptive Calibration Cycle (ACC) concept. Bulletin of the Kyrgyz National Agrarian University, 23(4), 80-91. https://doi.org/10.63621/bknau./4.2025.80

Колдонулган булактар

  1. Bacca, J., Martinez, E., & Arguello, H. (2023). Computational spectral imaging: A contemporary overview. Journal of the Optical Society of America A, 40(4), C115-C125. doi: 10.1364/JOSAA.482406.
  2. Bhargava, A., Sachdeva, A., Sharma, K., Alsharif, M.H., Uthansakul, P., & Uthansakul, M. (2024). Hyperspectral imaging and its applications: A review. Heliyon, 10(12), article number e33208. doi: 10.1016/j.heliyon.2024.e33208.
  3. Chen, L., Wu, Y., Yang, N., & Sun, Z. (2025). Advances in hyperspectral and diffraction imaging for agricultural applications. Agriculture, 15(16), article number 1775. doi: 10.3390/agriculture15161775.
  4. Daniels, L., Eeckhout, E., Wieme, J., Dejaegher, Y., Audenaert, K., & Maes, W.H. (2023). Identifying the optimal radiometric calibration method for UAV-based multispectral imaging. Remote Sensing, 15(11), article number 2909. doi: 10.3390/rs15112909.
  5. Fathololoumi, S., Vaezi, A.R., Alavipanah, S.K., Ghorbani, A., & Biswas, A. (2020). Comparison of spectral and spatial-based approaches for mapping the local variation of soil moisture in a semi-arid mountainous area. Science of The Total Environment, 724, article number 138319. doi: 10.1016/j.scitotenv.2020.138319.
  6. Fiorentin, P., Cavazzani, S., Bertolo, A., Ortolani, S., Binotto, R., & Saviane, I. (2025). SQM ageing and atmospheric conditions: How do they affect the long-term trend of night sky brightness measurements? Sensors, 25(2), article number 516. doi: 10.3390/s25020516.
  7. García-Vera, Y.E., Polochè-Arango, A., Mendivelso-Fajardo, C.A., & Gutiérrez-Bernal, F.J. (2024). Hyperspectral image analysis and machine learning techniques for crop disease detection and identification: A review. Sustainability, 16(14), article number 6064. doi: 10.3390/su16146064.
  8. Guerri, M.F., Distante, C., Spagnolo, P., Bougourzi, F., & Taleb-Ahmed, A. (2024). Deep learning techniques for hyperspectral image analysis in agriculture: A review. ISPRS Open Journal of Photogrammetry and Remote Sensing, 12, article number 100062. doi: 10.1016/j.ophoto.2024.100062.
  9. Hohl, A., Obadic, I., Fernandez-Torres, M.A., Najjar, H., Oliveira, D.A.B., Akata, Z., Dengel, A., & Zhu, X.X. (2024). Opening the Black Box: A systematic review on explainable AI in remote sensing. IEEE Geoscience and Remote Sensing Magazine, 12(4), 261-304. doi: 10.1109/MGRS.2024.3467001.
  10. Jiang, J., Zhang, Q., & Gao, S. (2025). Enhancing multi-flight unmanned-aerial-vehicle-based detection of wheat canopy chlorophyll content using relative radiometric correction. Remote Sensing, 17(9), article number 1557. doi: 10.3390/rs17091557.
  11. Khan, A., Vibhute, A.D., Mali, S., & Patil, C.H. (2022). A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. Ecological Informatics, 69, article number 101678. doi: 10.1016/j.ecoinf.2022.101678.
  12. Liu, H., Hu, B., Hou, X., Yu, T., Zhang, Z., Liu, X., Liu, J., & Wang, X. (2024). Real-time registration of unmanned aerial vehicle hyperspectral remote sensing images using an acousto-optic tunable filter spectrometer. Drones, 8(7), article number 329. doi: 10.3390/drones8070329.
  13. Musiyenko, M., & Zhuravska, I. (2016). Algorithms for laying of the route of unmanned aerial vehicles based on Hopfield neural networks. Bulletin of Cherkasy State Technological University, 21(1), 20-27.
  14. Nansen, C., Lee, H., & Mantri, A. (2023). Calibration to maximize temporal radiometric repeatability of airborne hyperspectral imaging data. Frontiers in Plant Science, 14, article number 1051410. doi: 10.3389/fpls.2023.1051410.
  15. Phang, S.K., Chiang, T.H.A., Happonen, A., & Chang, M.M.L. (2023). From satellite to UAV-based remote sensing: A review on precision agriculture. IEEE Access, 11, 127057-127076. doi: 10.1109/ACCESS.2023.3330886.
  16. Rosas, J.T.F., de Carvalho Pinto, F.A., de Queiroz, D.M., de Melo Villar, F.M., Martins, R.N., & Silva, S.A. (2020). Low-cost system for radiometric calibration of UAV-based multispectral imagery. Journal of Spatial Science, 67(3), 395-409. doi: 10.1080/14498596.2020.1860146.
  17. Sethy, P.K., Pandey, C., Sahu, Y.K., & Behera, S.K. (2022). Hyperspectral imagery applications for precision agriculture – a systemic survey. Multimedia Tools and Applications, 81, 3005-3038. doi: 10.1007/s11042-021-11729-8.
  18. Swaminathan, V., Thomasson, J.A., Hardin, R.G., Rajan, N., & Raman, R. (2024). Radiometric calibration of UAV multispectral images under changing illumination conditions with a downwelling light sensor. The Plant Phenome Journal, 7(1), article number e70005. doi: 10.1002/ppj2.70005.
  19. Wang, B., Sun, J., Xia, L., Liu, J., Wang, Z., Li, P., Guo, Y., & Sun, X. (2021). The applications of hyperspectral imaging technology for agricultural products quality analysis: A review. Food Reviews International, 39(2), 1043-1062. doi: 10.1080/87559129.2021.1929297.
  20. Wu, J., Zhang, Y., Hu, P., & Wu, Y. (2024). A review of the application of hyperspectral imaging technology in agricultural crop economics. Coatings, 14(10), article number 1285. doi: 10.3390/coatings14101285.
  21. Wu, S., Lu, Y., Fan, W., Zhang, S., Wu, Z., & Wang, F. (2025). An efficient downwelling light sensor data correction model for UAV multi-spectral image DOM generation. Drones, 9(7), article number 491. doi: 10.3390/drones9070491.
  22. Xie, J., Shen, Y., & Cen, H. (2024). Real-time reflectance generation for UAV multispectral imagery using an onboard downwelling spectrometer in varied weather conditions. arXiv. doi: 10.48550/arXiv.2412.19527.
  23. Yao, J., Hong, D., Li, C., & Chanussot, J. (2024). SpectralMamba: Efficient Mamba for hyperspectral image classification. arXiv. doi: 10.48550/arXiv.2404.08489.
  24. Ying, F., Zhai, B., & Zhao, X. (2025). Design of a multi-method integrated intelligent UAV system for vertical greening maintenance. Applied Sciences, 15(20), article number 10887. doi: 10.3390/app152010887.
  25. Zhang, S., Rao, K., Wu, Z., Wang, S., Dai, Z., Fang, R., & Wang, K. (2025). Radiometric cross-calibration of hyperspectral microsatellites using spectral homogeneity factor. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 18(4), 1234-1256. doi: 10.1109/JSTARS.2024.3509933.
  26. Zhu, H., Huang, Y., An, Z., Zhang, H., Han, Y., Zhao, Z., Li, F., Zhang, C., & Hou, C. (2024). Assessing radiometric calibration methods for multispectral UAV imagery and the influence of illumination, flight altitude and flight time on reflectance, vegetation index and inversion of winter wheat AGB and LAI. Computers and Electronics in Agriculture, 219, article number 108821. doi: 10.1016/j.compag.2024.108821.