ISSN 1694-6286
e-ISSN 1694-9250
Отправить статью
Русский
Вестник Кыргызcкого национального аграрного университета

Поиск статьи

Интеллектуальная калибровка гиперспектральных систем: концепция адаптивного цикла (АКЦ)

Н Нурлан Шапанов Д Дмитрий Михайлов Б Батыйгуль Баячорова Г Гулмира Исаева
Получено 15.08.2025
Доработано 14.11.2025
Опубликовано 12.12.2025

Аннотация

Современные беспилотные летательные аппараты (БПЛА), оснащенные гиперспектральными камерами, становятся ключевым инструментом точного земледелия и мониторинга сельскохозяйственных экосистем. Тем не менее, несмотря на рост точности сенсоров, остается нерешенной методологическая проблема статичности полевых калибровочных процедур. Традиционные подходы, основанные на одноразовых эталонных измерениях, не обеспечивают достоверность данных в условиях изменяющейся освещенности, влажности почв и атмосферных факторов. Цель статьи – представить концептуальную модель Адаптивного цикла калибровки (Adaptive Calibration Cycle, ACC) – самообучающейся системы, интегрирующей этапы съемки, калибровки и обработки данных в единый замкнутый контур с обратной связью. Методология исследования базировалась на моделировании процессов калибровки с использованием вторичных эмпирических данных, сравнительном анализе статических и адаптивных подходов, а также оценке эффективности ACC по ключевым метрикам: ошибка отражательной способности, радиометрическая стабильность и воспроизводимость данных. Алгоритмическая реализация цикла включала механизмы онлайн-обучения, фильтр Калмана и архитектуру edge computing для коррекции в реальном времени. Результаты моделирования показали, что внедрение ACC снижает среднюю ошибку отражательной способности более чем на 70 %, повышает радиометрическую стабильность на 20-25 % и сокращает время отклика до 0,25 секунды. В аграрных приложениях это обеспечивает более точное определение вегетационных индексов (NDVI, PRI), своевременное выявление стрессов растений и оптимизацию орошения и удобрений. Предлагаемая методология формирует переход от статического к адаптивному подходу в полевой спектрометрии и открывает перспективы для интеллектуальных систем дистанционного мониторинга агропромышленного комплекса, обеспечивая высокую точность, воспроизводимость и устойчивость данных

Ключевые слова

дистанционное зондирование; гиперспектральная съемка; адаптивная калибровка; спектрометрия; искусственный интеллект; динамическая методология; спектральный дрейф
ЦИТИРОВАНИЕ
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

Использованные источники

  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.