Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   23 ,  No.   1 ,   Ju ly   20 21 ,  pp.   3 87 ~ 3 9 5   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 23 .i 1 . pp 3 87 - 3 9 5       387       Journ al h om e page :  http: // ij eecs.i aesc or e.c om   Semanti c featur e e xtracti on meth od for h yperspe ctr al crop  classific ation       M.   C. Gir ish  Babu 1 ,  P ad m a M.   C . 2   1 As sistant   Profess or  Depa rtment   of  Com pute r  Sci enc e   &   Engi n ee r ing,   PES   Co ll eg e  of Engin ee ring ,   Karn at ak a, I ndi a   2 Profess or,   Depa rtment  of   Com pute r  Sc ie nc e & E ngine er ing, PES  Coll ege of   Enginee ring ,   Karn ata ka,   Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved  Ja n 1 9 , 2 021   Re vised  Jun   7 ,   2021   Accepte d  J un  1 4 , 202 1       H y per spe ct ra l  i m agi ng  (HS I)  i s  compos ed  of  seve ral  hundre d   of  nar row   bands  (NB)  wi th  high  spec tral  cor relati on  an d  is  widely   used  in  cro p   cl assifi ca t ion;   th us,  induc es  t ime  and  spac e  co m ple xity ,   r esult i ng  in  hig h   computat ion al   over hea d   and   Hughes  pheno m eno n  in  proc essing  the se   images.   Dim ensiona l  red uc ti on  t ec hniqu e  such  as  band  sele ct ion   and  fea ture  ext ra ct ion  p lay   a n  important   par t   in  enha nc ing  pe rform anc e  of  h yper spec tr a l   image  c la ss ifi c a ti on.   How ev er,   exi sting  m et hod   are   no t  ef ficien t  when  pu t   forth  in  no is y   a nd  m ixe d  pixel  envi ronm ent   wit h  d y n amic  i ll um ina ti on   an d   cl imatic  cond it io n.   Here   th e  proposed  Sem at ic   Fe at ure   Repr ese nt a ti on  base d   HS I  (SF R - HS I)  cro p  class ifi c at i on  m et hod  first   emplo y   Im age   Fus ion  (IF)  m et hod  for  findi ng  m ea ningful   fea tur es  from   r aw  HS I   spec tra lly .   Se cond,   t o   ext ra ct   inhe r ent  feature s  th at  k ee ps  spat ia l l y   m ea ningful   r epr ese ntation  of   diffe ren t  cro ps  b y   el imina ti ng   shading  el ements.   The n,   th e  m ea ningfu l   fea tur e  se t  ar e  used  for  tr ai n in g  using  Suppor t  ve ct or  m a chine  (SV M).  Expe riment   out c om e  shows  prop osed  HS I  cro p  cl assific a ti on  m odel   ac h ie ves   m uch  bet t er acc ura cies a nd   Kap pa  co eff i ci en t  p e rform anc e .   Ke yw or d s :   Crop classi fica ti on   Deep l ear ning   Dim ension  r e duct ion   Feat ur e  ex tr act ion   Feat ur e  selec ti on   Hype rsp ect ral im age   Ma chine  le a rn i ng   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   M.   C.  Girish B abu   Assistant  Profe sso r , Depa rtm e nt of C om pu te r  Science a nd E ng i neer i ng   PES  C ollege  of E ng i neer i ng   Ma nd ya ,  K a rnat aka, India   Em a il : girishb a buphd@ gm ail.co m       1.   INTROD U CTION   Hype rsp ect ral  i m aging ,  li ke  oth e r  sp ect ral  i m aging ,  c ollec ts  and   pr oces ses  inf or m at ion   acr os s  the  el ect ro m agn et ic   sp ect r um ,  usual ly   in  visible ,  nea r  in fr a red,   an d  s hort - wave  inf rar e d  wavel eng th s.  Re ce ntly ,  with  t he  dev el op m ent  of  hype rsp ect ral  se nsors ,  it   has  bec om e  po s sible  to   go  beyo nd  tra diti on al   R GB  i m ages   and   ca pture  hundre ds   of  sp ect ral  ba nds   sa m pled  with  na rrow   wa velen gth   inter vals.T her e fore, ta king   adv a nt age  of  c on ti gu ous  na rrow   ba nd s ,  thes e  HS I  sens ors  enab le d  the  a na ly sis  of   the  c hem ic al  pr ope r ti es  of   scene  m at erials  rem otely  fo r   the  purpose  of   detect ion ,  i den ti ficat io n  a nd   c hem ic al  c om po sit ion   stu dy  of  obj ect s  i n  a   pa rtic ular  a rea.   Hen ce ,  HSI  ca ptured   u si ng  ai rborne  sens or  and  eart h  obse rv at io n  s at el li t es  ha ve  been  inc reasin gly  ve ry  hel pful  f or  urba n  pl ann in g,  en vir on m ent  m on ito ri ng,  a nd   ag r ic ultur e  e nvir onm ent.  Howe ver,  this  researc h  work   pr e dom inantly   fo c us es  on  ag ricult ur e  dom ai n .  This  is  because   by  y ear  20 50  th e   popula ti on   is  exp ect e d  to  touc h  9.6  bill ion   [ 1].  Along  with ,  the  world wide   fo od  dem and  is  exp an ding,  and   i n  this way, the a ccessi bili ty  o f  exact, co nveni ent, and  ti m e ly d at a ab ou t a gri cultural on a  ne ighbor hood a nd  als o  on   w or l dw i de  [2 ] ,  is  fu ndam ental   [3 ]   f or  guara nteei ng  th at   an  incr easi ng  po pu la ti on  c an  be   ser ve d.   So   as  t o  address  t he  iss ues  of   unpredi ct abili ty   of   the   foo d  m ark et   or   m eet ing   co un t ry  foo d  sec ur it y,  Hy per s pe ct ral  i m aging  tec hn i qu e  g i ve  a  wide  scope  of pr ospect s to  m easur e these   di ff ic ul ti es [ 2 ] ,  [ 4].   Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   20 21 :  3 8 7   -   3 9 5   388   Crop  ide ntific at ion   is  one  of  the   m ai n  el em ent  of  ag ric ultur e   cr op  m on it ori ng  by  ut il iz ing   HSI  ob ta ine d  from   sat el li te   i m ager y.  Cr op   m app in g  th rou gh   HS I   cl assifi cat ion   ai d  in  m a king  va rio us   de ci sio n  m aking   in  a gr i culture  e nv i ronm ent   su ch  as   yi el d  fo recast ing ,  c rop  area  assessm ent,  and   va rio us   othe r  crop  m anag em ent  app li cat io ns   [ 5 ] ,  [ 6 ].  Acc ur at e   crop  m app in g  is  ver y  im po r ta nt  an d  im pac t  crop  ide ntific at ion  app li cat io ns .   N on et heless,  li m it at ion   that  exi st  in  cr op   i dent ific at ion   us i ng  HSI   m us t  be  addresse d  [ 7].  First,   the  possible  hi gh   dim ension   siz e  of   in pu t  HS I  data  is  sti ll   an  op e n  issu e.  Seco nd,  H S I   data  resem ble  high  si m il arities  of   te xtu res ,  s hap e s  and   sp ect ral  sign at ur es  am on g  dif fer e nt  cr op.  Last ly ,  the  pr ese nce  of   no ise   in  HS I   sig nifica ntly  i m pact the accur aci es  of e xi sti ng   HS I  cr op  classi ficat ion   m od el .    The  s pectral  r esolutio ns   have  been   sig nifi cantl y  enh a nc ed  with  gro wt h  of  H SI   m eth od ologies.   analy zi ng   HSI   is  diff ic ult.  F ur t her ,  co ns ide rin g  the   behav iour   of  HS I  t he re  exist  hi ghe r  co rr el at io n  a m on g  neig hbori ng  pix el   an d  s pectra l  band  set s   [ 8 ] - [ 10] .  T he n,   be cause  of  hi gh  dim ension al   na ture  of  hy per s pe ct ral  i m age  there  is  high  pro bab il it y  of   i ncr ea se  i n  s pace,  ti m e  and  com pu ta ti onal   T hu s ,  ov e r head  le adin g  t o  well - known  H ughe s  phe nom eno n  [11].  Hen ce ,   reducin g  dim ensio n  of   re dunda nt  featu re   in  H SI   is  pr i m aril y  necessa ry  f or   processi ng   hy per s pectral  im age.   Feat ur e   s el ect ion / Ba nd  Sele ct ion   [ 12 ] - [ 14 ]   is  on e  of  the   eff ic ie nt  dim ensio n  re duct io n  te ch nique  th at   rem ov e  redunda nt  featu re s.  The  basic  noti on   of  ba nd  sel ect ion  m et ho dolo gies   is  to  cho os e  m os t  eff ic ie nt  ba nd   s ubset   that  i s  com po sed  of  inf or m at ion   within  ori gin al   ba nds .   On   the  oth e r  side,  the  feat ur e  extracti on  m e t hodolo gies  [15 ]   red uces  dim ensio n  in  acco r dan ce  with  co m plex   featur e  t ran s f orm ation .  T hu s ,   featur e  sel ect ion   m et ho ds   a r e  easi er  to  unde rstan d  an d  ca n  be  us e d  in  pr act ic al  pur po se .  The  f eat ur e  sel ect io n  m et ho d  can  c hoos e  bands  only   within  hy pe rsp ect ral  i m a ges.   On   the  othe r  side ,  the  feat ur e   e xtracti on  m et ho d  can   util iz e  th e   HSI  ba nd  set s   f or  ge ne rati ng  bette r   disc rim inati ng  feat ur e   set s.   In  La placi an  discrim inant  a na ly sis  of  h ype rs pectral  im ager y  [15], p re sent ed  joint featur e   sel ect ion  an d  f eat ure   extracti on  m eth od ologies  f or  hype rsp ect ral  i m age  cl assifi cat ion .  Sim il a r  to  [ 15]   this  pap e r  f oc us e s  on   dev el op i ng   t he   di m ension al it y  red uctio n  te chn i qu e  by  ex tract ing   sem antic al ly  us efu l  f eat ur e  set   fro m   raw   hype rsp ect ral im age.    Nu m erous  ty pe s  of  hype rsp e ct ral  i m age  di m ension al   re duct ion  m et ho dolo gies  that  i nc lud es   both   su pe r vised   a nd  un s uper vised  te chn iq ue,   has  been   pr ese nted   in  recent  tim e .  This  w ork  f oc us es  on  supe r vised   m et ho dolo gies   su ch  as  li near   discrim inant  a naly sis  [1 6],  a nd   al so   unsupe rv ise d  m e tho ds   su ch  as  ind e pe nd e nt  com po ne nt  an al ysi s  (I CA)  [ 17 ]   an d  pr inci pal  com po ne nt   analy sis  (P CA)  [18].  From   analy sis  it   is  seen  that   pr i ncipal  c ompone nt  a naly sis  m e tho dolo gi es  extract  m uch  bette r  fe at ur e  w hen  c om par ed  with   ot he r   m et ho dolo gies.   The  PC A  fe at ur e  e xtracti on  t echn i qu e   can  guara ntee  that  m or e  relevan t  featur e   of  H SI   can  be   k ept  with  m inim al   siz e   of   use fu l  pri nci pal  com po ne nts.  On   the  oth e r   s ide ,   inde pe nde nt  com po ne nt  analy sis   base d  m et ho dolo gies  ca n  guara ntee  that   the  tra ns f or m ed  com po ne nts  are   in depend e nt  as  m uch   a s   con cei vab le .  N on et heless,  IC A  ba sed  m et hodo l og ie s  i nduc e  hi gh  c om pu ta ti on al   over he ad  due  t o  it s  com plex  com pu ta ti on .   Fu rt her,  the   I CA  m et ho dolo gies  do es   not  consi der  s patia l  con te xt  in for m at ion   f or   ext racti ng  featur e   as  t hey   treat   a nd  pro cess  eac h  pix e l  ind e pe nd e ntly .  Ma jority   of   existi ng  HSI  dim ension   reducti on   t echn iq ue  ca nn ot  directl y  util iz e  sp at ia l  inf orm ation   of  hy per s pectral  im ages  a nd  feat ure  ext racti on  m et ho d   us es  only   sp ec tral   inf or m at ion   of   e ver y  i ndividu al   pix el   wh ic h  is  sta te d  to  be  e ff ic ie nt  f or   e nha ncing  the   cl assifi cat ion   a ccur aci es  [ 19 ] ,   [ 20] .  T he  ea rt h  e nv ir onm ent  is  com po se d  of   dif fer e nt  ty pes  of   co rps  s uch  as  so il ,  w heat,  c orn  et c.  hy pe rsp ect ral  i m age  cl assifi cat ion   m et ho d  ai m s  at   identify in g  these  m eaningf ul   represe ntati on   of cr ops .  T hus,  it  is n ecessa ry  to ex t ract m ea ningf ul s patia l feat ur e  set s .     Ther e f or e,   f or  extracti ng  m eanin gful  s patia l  inf or m at ion   f r om   hyper s pect ral  im age  that  com po sed   of  m ixed  pi xel,  it  is  i m po rtant  t o  captu re  in here nt  pr op e rtie s  of   physi cal   char a ct erist ic s  of  d if fer e nt  ob j ect s.  Th us  by  extracti ng  sp at ia l  inform ation   f ro m   adj ac ent  obj ect   can  ai d  in  increasi ng   the  acc ur ac y  of   dif fer e ntiat ing  diff e re nt  crops   pr ese nt  in  ea r th  en vir on m ent.  The  in her e nt   hype rsp ect ral  i m age  are  inh e ren t  feat ur e  set   an d  sh a ding  c om po ne nt.  Ext racti ng  these   com po ne nt  play s  ve ry  im po rtant  r ole  in   cl assifi c at ion   ta s k  a nd  at   th e   sam e  tim e  it   i s  chall en ging  to  extract  t hes e  com po ne nt  f ro m   sing le   hy per s pectral  im age.  T his  is  be cause  inh e ren t  featu r e  set s  reli es  on  obj ect   featu re s  of  the   eart h  a nd  va ries  with  resp ect   t o  il lu m inati on   a nd  c lim a te  conditi on.   T hu s,  f or  extr act ing  m or e  m ea ningf ul  s patia l  featu re  of   di ff e ren t  c rop,  this  w ork  pres ent  an  eff ic ie nt in her e nt f eat ur e e xtra ct ion  m et ho d   nam el y  SFR - HSI   that keeps  sp a ti al l y  m eaning f ul r ep rese ntati on   of  diff e re nt  cr op s .  Furthe r,   for  reducin g  the   hy per s pectral  ba nd   dim ension   that  is  eff ic ie nt  agai ns t  nois e  an d  m ixed  pi xel  en vir on m ent,  thi s  w ork  pr ese nt   an  dim ension  reducti on  te c hniq ue  us in g  fusion  te c hniq u e   [2 1 ] .  Last ly ,  di m ension al ly   reduce d  featu re  set s   are  trai ned   usi ng   m ulti - cl as s  su pp or t  vect or   m achine  (SVM).   Using  SV M  ai d  in  trai ning  m od el   with  le s s  trai nin g  sam ple  and   ca n  achieve  go od   preci sion   with  m ini m al  com pu ta ti on  c om plexity  w he n  c om par ed wi th d ee p  le a rn i ng  base d  m et ho d [2 2 ] - [ 2 6 ] .    The  m anu scri pt  is  arti culat ed  as  desc rib ed  bel ow .  T he   propose d  hy per s pectral  im age  crops   cl assifi cat ion   m od el   is  pr esented  in  sect io n  II .  T he  sect io n  III  disc us ses  about  the  res ul t  at ta ined  by  propose d  SFR - H SI   cro p  cl a ssific at ion   m od el   ov er  va rio us   existi ng  HS I  c r op   cl ass ific at ion   m od el .  In   la st  sect ion   t he   sign ific a nce  of  pro posed   SFR - HSI   crop  cl as sific at ion   m odel   is  co nclu de d  with  f ut ur e  directi on  of   re search   work.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Sema ntic f eatu re ext ra ct io n m et hod  fo r  hyp e rsp ect r al crop  cl as sif ic ation  ( M. C. Giri sh B abu )   389   2.   SEMANTI C FE ATU RE  R EPRESE NT A TION  FO R  H YPER SPECT RA L  C RO P  CLASSIFI C A TION   This  work  pre sent  an   ef fici ent  cr op  cl assif ic at ion   m et ho d  na m ely  SFR - HSI  us in g  hype rsp ect ral  i m age.  The  b l oc k diag ram  o f pro po se d  c r op   cl assifi cat ion  t echn i qu e  is s how n  i n  Fi gure  1.   T he p rop os e d  S FR - HS I   hyperspec tral   cr op  cl ass ific at ion   is   de scribe d  i n  Algorithm   1 .   The   first   phase   of   hy per s pectral   cr op   cl assifi cat ion   i s  the  featu re  re du ct io n.  F or  id entify ing  us e f ul   featur e   set s  f ro m   raw   hype r sp ect ral  im age ,  this  work   use s  dim ensio nalit y red uction t ech nique  for  e nh a nci ng classi ficat io n  acc ur acy .           Figure  1.  Bl oc k diag ram  o f  pro posed  SF R - HS I  cr op classi ficat ion  tec hn i qu e       Let   us   c onside r  the re  are     bands  in   a  ra w  hy per s pectral  im age,  t his  w ork   reduces  t he    ba nd s   to    bands .  Th e  ba nd    is  segm ente d  int o    su b - gr oup  set s.  T hen,  m ean  of   t hese  su b - group  set s  is  com pu te d.   F or   ob ta ini ng  dim e ns io nalit y  redu ced  hype rs pectral  im age  featu re  m os t  of  the   existi ng  m et ho d  us e d  PC A.  Using  PCA  can  guar antee  of   pr e se rv i ng   hype rspect ral  i m age  featur es  in  a  s m al le r  qu antit y   of   us e fu l  pri ncipal   com po ne nts.  H ow e ve r,   us in g  PCA  ca nnot  as su re   that  the  s pe ct rall y  us ef ul  featur e   is   retai ned.   F o r   a d d r e s s i n g ,   t h e   d i m e n s i o n a l i t y   r e d u c e d   h y p e r s p e c t r a l   i m ag e   f e a t u r e   i s   o b t a i n e d   b y   u s i n g   f u s i o n   t e c h n i q u e   [ 2 1 ]   m e t h o d   a s   (1)     = ∑  = ( − 1 ) + 1 , = ⌊ ⌋ ,   (1)     wh e re    an d    de picts  the  band  ind ic es,    de picts  the  ℎ   dim ension   of   act ual  sp e ct ral  band  (  ),    dep ic t s   the  ℎ   dim ension  of   the  reduce d   ,    dep ic ts  each  sub - gro up  band  siz e,  ⌊ ∙ ⌋   rounds  ∙   to  the  cl os est   val ue  towa rd   ne gativ e  infi nity ,  an d    de picts  the  redunda nt  in form at ion   a nd  nois y  pix el   of   eac h  ba nd  set s.  T he   (1)   is use d  in  eli m i nating re dunda nt in form at ion  an d n oisy  pix el s f r om  each  s ubgr oup.     Algorithm   1.   Pr op os e d  SFR - HSI  Hy per s pe ct ral  crop  cl assifi c at ion   us i ng  dim ension   r edu ct io n  a nd   m achine   le arn in g  te c hn i qu e .   Inp ut. Hyper spe ct ral i m age col le ct ed  from  satel li te   ∈ ∗ ∗   with  ∗   pi xels  by    bands.   Ou t pu t.  A cl as sifie d ou tc om e  ( i.e. , labell ed   Hype rsp ect ral im age   ).   Step  1.   Start.   Step  2.   Dim ension   re du ct io n o f    ba nd s  to    usi ng E q.   (1).   Step  3.   For  ∈ { 1 , }   do   Step  4.  By  it er at ing  E q. ( 5), t he    is dec om posed  i nto     an d   .   Step  5.   En d for .   Step  6.  Vector i se    to  = { 1 , 2 , … , } ∈ ∗   wh e re  = ∗   f or  ass ur i ng  eac h   pix el   can   be  represe nted  as a  − dim ension al  d at a poi nt.   Step  7.   For  obta ining l abels  ∈   s upport  vecto r m achine lear nin g al gorithm  is u ti li zed.    Step  8.  Rec ons truct    to  be  a  hy per s pectral i m age   ∈ ∗ .   Step  9.   Sto p   Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   20 21 :  3 8 7   -   3 9 5   390   Fu rt her,  it   is  i m po rtant  to   e xt ract  inhe re nt  pro per ti es  (i.e. ,  t he  m ini m u m   i nfor m at ion   re quire d  to   ho l d  the  releva nt  in form ation   in  a ny  giv e n  im ag e  with  m ixed  pix el   is  firm ly  known  as  the  i nh e re nt  pro pert ie s)  of  hype rsp ect ral  im age.  The  in her e nt  featu re   set s  rely   on   obj ect   (i.e. ,  surf ace )  featu res   of   the  earth .  These  featur e s  are  i nhere nt  with   re sp ect   to  il lum i nation  an d  cl i m at e  con diti on.  T his  work  pr ese nts  a n  ef fici ent  m et ho d  f or   e xt racti ng   in he rent   featur e  set s  and   el im inate   t he  sh a ding  co m po nen t  in  hy per s pectral  im age  to   ob ta in   sem antic al ly   (i.e.,  m e anin gful)   s patia l  inf orm ation .   Let   ∈ ∗   de pict  th e  inte ns it y  pa r a m et er  of  a   hype rsp ect ral  i m age,  ∈ ∗   de picts  it s  in her e nt  featur e   set   el e m ent  an d  ∈ ∗   de picts  it s  in herent   featur e   set s   s had i ng  el em e nt.  T he   hy perspectra l  im age  f or  a  pixe l    is  re pr ese nt ed  as   a   pi xel - wis e   m ul ti plica ti ve  of in her e nt f eat ur e  set el em ent s u si ng  ( 2)     = ,   (2)     wh e re    de picts  the p i xel in dic es.    Fr om   (2 ),   it   is  seen  that  a  hy per s pectral  im age  is  com po sed  two  in her e nt   featur e  set   ele m ents ,  bu t   sti ll ,   it   is  diff i cult  to  s olv e   t he  iss ue  with  t wo  un known   pa ram et ers   (i.e.,    an d  )   with  one  know n  value   (i.e.,   ) .  I n  ge ne ral,  the  ref le ct ance  is  c on sta nt  withi n  each   reg i on  an d  al ong  e dges  has   a  sh a rp   cha nge .  Fu rt her,  it   is  seen  as  cha nges  in  intensit y  par am et er  wi ll   rese m ble  a  ref le ct ance  c ha ng e  a nd   pix e l  with  identic al  intens it y param et er w il l resem ble iden ti cal  r e flect ance  ou tc om es . T hu s ,  is o btained  usi ng  (3)     = ∑  , ∈ ( )   (3)     wh e re    and    dep ic ts  pix el   i nde xe s,     dep ic t s  a  featu re  set s  com po ne nt  of   a ff i nity   m atr ix  ( AM) .  T he   m at rix  de picti ng  a  pair wise   sim il arit ie s  (PW S )  am ong    an d   ,  an d  ( )   de picts  co rr e spo nd i ng  (i.e .,  neig hbour )  pixe l   .  The   nei ghbori ng  pi xel  are   ge ner al ly   a  G aussian   wi ndow  (  )  w hich  ca n  be  ob ta in e d  us in g  (4)      = exp ( − ‖ − ‖ 2 2 2 2 )   (4)     and   t he  siz e  of  it   is  est ablished  us in g   .  Fur ther,   def i ning  aff init y  grap h  (AG)   play   very   essenti al   part   in   sem antic a ll y  e xtracti ng  in he r ent  cha racteri s ti cs.  Using  ( 2)  an d  (4),   we  c an  est a b li sh   th e  li near   pro pert ie s  of   these to   ( 5)     { = ∑  , ∈ ( )   ̃ = 1 ,   (5)     wh e re   ̃ = 1 .  Af te r  ob ta ini ng   t he   approxim at ed  ou tc om e  of   and   ,  we  ca n  est ablish  eve r y  pix el  ref le ct ance   val ue  (i.e.,  physi cal   pro per ti es)   of  e ver y  obj e ct ,   w her e   s hadi ng   pro pe rtie s  is  not  relat ed   wit h  resp ect   to sem antic   featu re  se ts  prop e rtie s.  Using  in her e nt   featur e sets  w e  can  prese rv e the  intrinsic prop e rtie s  of  m ixed  pi xel an d  el im inate  t he  use le ss sp at ia l i nf or m at ion pr ese nted  i n  s had i ng  elem ent. Thus,   we wil l get a  sp at ia ll y  m eani ngf ul info rm ati on of eac h o bj e ct s/ cro p .    Last ly ,  fo r  cl a ssific at ion   of  op ti m iz ed  hyper sp ect ral  featur e  set s  this  work   c onside r ed  pix el   wise   SV M  cl assifi cat ion   m et ho d.   Suppor t  Vecto r  Ma chine ,  al so   know n  as  S VM,  is  popula r  for  s ol ving  pro blem s   about  cl assifi cat ion ,  detect io n  an d  regressi on.  In   s upport  vecto r  m achin e,  the  m od el   con st ru ct s  a  hy perplane   or set o f  hype r planes   in  highe r dim ension  s pa ce. F ro m , [ 2 7 ]  the str uctur e   of SV M  is obta it ned  as   ( 6)     a rgm a x , , 1 2 ‖ ‖ 2 + ∑ = 1   .   ( ( ) + ) ≥ 1 − ; ≥ 0 ; = 1 , 2 , … ,   (6)     wh e re   ( )   is  tra nsfo rm ed  feat ure  s pace  a nd   th e  va riable     is  the  re gu la rizat ion  par am et er  to  c ontr ol  t he  trade off  betwe en  m arg in   an d  the  t olera nce   of  m isc la ssifi cat ion .   Usi ng  SV M  m od el   [ 2 7 ] ,   can   br in g  good   trade off  bet we en  m arg in  a nd  the  tolera nce  of   m isc la ssificati on .  In   a ddit ion ,  i n  the  dat aset   is  non - li ne arly   separ a ble,  a pp l yi ng   ke rn el   tri ck  can  tra ns f orm   the m   to  hig he r  li near   dim ension,  su c h  as  Gau ssia n  Kernel.   Since  the  SVM   pr oble m   is  a  convex   opti m iz at ion   pr obl e m ,  the  m od el   can  al ways  ob ta in  a  global  op ti m u m   from   the  m od el .  W it h  the  op t i m al   decisi on   bounda ry,  the  m od e  can  us e  it   to  cl assify   hyper s pectral  da ta set   into  dif fer e nt  la bels.  The  pro po s ed  hy per s pe ct ral  i m age  c la ssific at ion   m od el   at ta in s   be tt er  accuracy  wh e n  com par ed wit h exist in g hyper sp ect ral im age classi ficat ion   m od el  w hich  is  experim ental l y show n belo w .     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Sema ntic f eatu re ext ra ct io n m et hod  fo r  hyp e rsp ect r al crop  cl as sif ic ation  ( M. C. Giri sh B abu )   391   3.   RESU LT S   A ND  DI SCUS S ION S   This  sect ion   di scusses  ab out  the  resu lt   achieve d  us in g  pro po se d  im pr ov e d  dim ension   reducti on   base d  hype rs pe ct ral  crop  cl assifi cat ion   m eth od  a doptin g  m achine  le arni ng   te ch nique.   Fu rt her,  the  resu lt   ob ta ine d  is  c om par ed  with   e xisti ng  hy per s pectral  c rop  cl assifi cat ion   a doptin g  m achine  an d  dee p  le arn i ng  te chn iq ues .  F or  ca rr yi ng  out  exp e rim ent  the  data  is   co ll ect ed  us in g  A VIR IS   se nsor   [ 28 ] .  This  w ork  s el ect ed  the  I nd ia n  Pi nes  dataset   for  eval uating  c rop  cl assifi cat ion   m od el   be cause  it   co ntains  of  tw o - t hird   of   agr ic ultur e  sce ne  an d  rest  is  com po sed  of  f or est   a nd  ot her  veg et at io n  c rops.   T he  dataset   is  com po sed  of   16   cl asses wh ic h  is descri bed  in Ta ble 1   [ 29 ] . T he  I nd ia n  Pine s d at aset  that com po sed of  22 0  sp ect ral re fle ct ance  bands   with   wa velen gth  ra nge   of   0 . 4 – 2 . 5 * 10 − 6 m et ers  w her e   twe nty  w at er  a bs orpti on  hy per s pectral   ba nds   rangin g  f r om   10 4 – 108,   150 – 163,  an d  220  a r e  rem ov ed  a nd  us e d  f or   e xper i m ent  analy sis  si m il ar  to  [2 1 ] ,   and  [ 29 ] .  T he  I nd ia n  pi ne  im ag e  captu red  usi ng   AVIRI S  s ens or   a nd  it s  gro und  tr uth  value  is  s ho wn   i n    Fig ure   2  (a ),   and  Fi g ure   2  ( b),  r especti vel y.  The   dataset   is  com po se d  of  10 249  sam ples.  Ex per im ent  ar e   cond ucted  to  evaluate  the  pe rfor m ance  of  pr op os e d  hype rsp ect ral  crop   cl assifi cat ion   m od el   ov er  va rio us   existi ng  hy per s pectral  cr op  cl assifi cat ion   rangin g  from   featur e   extracti on   m et ho d,  feat ure  sel ect ion ,   m a chin e   le arn in g  an d  de ep  le arn i ng   m et hod .  T he  pe r form ance  is  evaluated  in  te rm s  of   ov e rall   accuracy  ( OA),  a ver a ge  accuracy  (AA ),   a nd   Ka pp a   coeffic ie nt  ( K) .   The   over al l  accuracies   perform ance  dep ic ts  the   correct ly   cl assifi ed  featur e   ove r  total   te st  featu re.   Av e ra ge  acc uraci es  re pr ese nt s,  the  ave r ag e  of  eac h  i ndividu a l   cl asses.  Kapp a  coef fici ent  involves  both   com m issi on   and   om issi on   loses  and   pro vid es  a n  ef fici ent  inf or m at ion   of  the  cl assifi cat ion   m od el   rob us tness  perf orm ances.  For  al l  the  per f or m ance  m et ric,  hig her   the   value de picts s up e rio r  cl ass ifi cat ion   ou tc om e s.       Table  1.  T otal  sam ples o f  eac h  cl asses  of  Indian  Pines  HSI  data   Nu m b e r   Clas ses   Total Sa m p l es   1)   Alf alf a   46   2)   Co rn n o till   1428   3)   Co rn  m in till   830   4)   Co rn   237   5)   Grass p astu re   483   6)   Grass tr ees   730   7)   Grass p astu re  m o v ed   28   8)   Hay   win d rowed   478   9)   Oats   20   10)   So y b ean n o till   972   11)   So y b ean  m in till   2455   12)   So y b ean clean   593   13)   wh eat   205   14)   wo o d s   1265   15)   Bu ild in g s Grass Trees  Dr iv es   386   16)   Sto n e Steel  Tow er s   93       Figure  2. I nd ia n  Pi nes data  se t ;   (a)   Indian  Pi nes  HIS,     (b) Gr ound tr ut h  in f or m at ion   of Ind ia n pine  HS I  and    (c)  C orres pond ing  la bel in for m at ion  of  diff e ren t c rop o f  the In dian Pi ne s H S I     3.1.      Fe ature  ext r act i on   The  Fig ur e  2  ( a)  shows  the  a ct ual  sat el lite  i m age  captur e d  of   Indian  pin e   data.  Figure  2  (b )  s hows  the  ref e re nce  im age  i.e.,  the  gro und  tr uth   va lue  of  I nd ia n  pin e  im age.  From   Figu re  2  (c )  it   can  be  see n  the re   are  diff e re nt  ki nd  of  c r op  w hi ch  is  re pr ese nt ed   by  diff e re nt  col or .   First,   both  act ual  a nd  gro und  tr ut h  i m age   value  are  ob ta i ned   (i .e.,   loa de d).  Total   there  are  16  cl asses.   Then,  us in g  gro und  tr uth   val ue  inf or m at ion   of   a  par ti cula r  cr op  the  featu re  se t  are  extracte d  in  rand om   m a nn e r  f r om   resp ect ive  sou rce  i m age  ( Fig ur e  2  (a ) )   wh ic h  a re  la te r  us ed   f or  trai ning  pur po se .  In  sam e  way  the  featu re  set   are  e xtracted   f or  al l  16  cl ass es  in   rand om   m ann e r  by  va ryi ng   spa ce  and   range  par am et ers.   Th en,   re st  of   im a ge  will   be  use d  for  te sti ng   pur po s e.   Pr io r  to  pe r for m i ng   featu re  e xtracti on,  fi rst  the  ba nd   siz e  of  hype rs pectral   data  is  reduce d  us i ng   Im age  fu si on   te chn iq ue  [21]  by  el i m inati n g  re dundant  f eat ur es  us in g  neig hbori ng  pi xel  correla ti on.  The n,   f or  fe at ure   extracti on  co rresp onding  cr op  (i.e .,  obj ect )   inh e ren t  fe a tu res  are  e xtract ed  usi ng  abs or ption   a nd  re fle ct ance  pro per ti es  by  va ryi ng   sp ace   a nd  ra ng e   pa ra m et er.  That  is  each  obj ect   with  dif fe ren t  pixe l  intensit y  will   have   diff e re nt  ref le ct ance  wa vele ng t h  (t his  is  because   so m e  obj ect   li ke  water  will   ab so r b  s om e  po r ti on   of  Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   20 21 :  3 8 7   -   3 9 5   392   wav el e ng t h  a nd  s om e  obj ect   does n’ t  a bsor b).  F ro m   Fig ure  2   it   ca n  be   seen   the   ed ge s  of  eac h  c r op  is  com po sed  of   di ff ere nt  sh a ding  el e m ent  (n oi se)  an d  are  sep arated  by  blac k  colo r.   T hese  sh a ding  com ponen ts   are  extracte d  usi ng   inte ns it y  par am et er  (i.e .,  ref le ct ance  pro per ti es  of  ob j ect ).   I n  ou r  w ork  sh a ding  el e m ent  will   hav e  m uch   le sser  sea rc h  s pace  val ue   wh e n  c om par ed  with  i ntens it y  value.   The n,   the se  feat ures   ar e   com par ed wit h o bj ect  i nhere nt  p r operti es, i f i t  var ie s,   t hey a re eli m inate d  or else   feat ure a re r et ai ne d.     3.2.      Clas si ficat i on   A   T he,   featu re s et   extracte d  of  al l   16   cl asses/ crops  are  trai ne d  us in g  S VM  cl assifi cat ion   m et ho d.   F or   evaluati ng  pe r form ance  this  w ork  c onsid ered  10 - f old   cro ss   validat ion.  T he  cl ass ific at ion   ou tc om e  is   evaluate d  in   te rm s o f ov e rall  accur acy ,  K a pa  Coeffic ie nt,  a nd av e ra ge  acc ur acy .     3. 3 .      E xp eri m ent  p ar ame ter  o p timi z at ion   fo r   h yp erspec tra l cr op cl as s ific at io n   The  factors  s uc h  as  il lum inatio n,  sh a ding,   a nd  noise ,  t he  s pectral  feat ur e s  of  di ff e ren t  l and  co vers  in   natu r al   sce nes  are  us ually   s ubj ect   to   so m e  de gr ee   of  disto r ti on .  I n  gen e ra l,  the  ref le ct an ce  is  co ns ta nt  within   each  re gi on   a nd  al on g  e dg es   has  a  s ha rp  ch ang e .  F ur t her,  it   is  seen  as  c hanges  i n  inte ns it y  par am et e r  will   resem ble  a  ref l ect ance  cha nge   an d  pi xel  wi th   identic al   inten sit y  par am et er  will   resem ble  i den ti cal   re flect anc e   ou tc om es.  Thus,  us i ng   a ff i nity   pairw ise   sim il arit y  m at rix  a m on g  neig hb orh ood  pi xels  we  can  sem ant ic al ly  extract  i nh e rent   char act e risti cs.  T he n  we  ca n  est ablish   eve r y  pix el   ref le ct a nce  val ue   (i.e .,  physi cal   pro pe rtie s)   of   e ver y  obj ect ,  w her e  s ha ding  pr op e rtie s  is  no t rela te d  wit h  res pect  to  s e m antic   featur e sets  pro per ti es.   Using   inh e ren t  featu r e  set s  we  ca n  pr ese r ve  the  i nt rinsic  pro pe rtie s  of  m ixed  pix el   an d  el im inate   the  us el ess  sp at ia l  inf or m at ion   presented  i n  s ha ding  el em ent.  Th us ,  we  will   get  a  s patia ll y  m eaning f ul  inf or m at ion   of   each  obj ect s/ cr op . An  im po rtant   thi ng  to   be   note d i s  the p ai r wise si m il arity  is  co m pu te d  us i ng  t wo  dista nce  m et ric s   su c h  as  ra ng e  distance  am ong  intensit y    an d  intensit y    an d  ot her   m et ric  is  sp ace  distan ce  a m on g  a  pi xel    and  it s  a djace nt  pix el   .  T hus,   we   hav e   var i ed  t he   pa ram e te r  a nd  e xp e ri m ent  is  c ondu ct ed  t o  e valuat e  it s  influ e nce  on   c la ssific at ion   ac cur acy .  First,   we  ha ve  e valu at ed  the  in flue nce  of  s pace  par am et er  by  fixi ng   range  pa ram eter .  I n  si m il ar  m ann er  the  in f luence  of  ra nge  par am et er  is   analy zed  by  ke epin g  sp ace  pa ram et er   fixe d.   F ur t her,  it   is  no ti ced  ke epin g  hi gh e r  va lue  of  ra nge  pa ram et er  aff ect   the  cl assi ficat ion   acc uracy .  T his  is  because   us in g  i m age  fu si on  base d  rec ursiv e  filt er  with   hi gh e r  range  val e  will   ne glect   us ef ul  e dg e   fe at ur es.   Th us ,  s om e  cl a sses  are  not  id entifi ed  pro perl y.  On   sim il ar  t erm s  keep in g  bo t h  s pace  a nd  range  t o  sm al l   valu e   will   no t  yi e ld  good  outc om e s.  This  is  beca us e  durin g  feat ur e  e xtracti on  proce dure  ver y   a  sm a ll er   nu m ber   of  local   sp at ia l  inform ation   w ou ld  ha ve  bee n  c on si der e d.   Fin al ly ,  fr om   e m p iric al   analy sis  i n  w ork  the  s pa ce  and  range  par am et er  are   set  to  20 0 an d 0.1  resp ec ti vely .       3. 4 .      Co m par at i ve an aly sis  of SF R - HSI o ver s patial - s p ectral  feature - ba sed  and  ma chine l eanin g - ba sed   HSI  cr op cl assi ficat i on  m odel   This  sect io n  pr esents  perf or m ance  e valuati on  acc ordin g  to   pa ram et er  defi ned  in  [ 30 ] ,  [ 28 ] .   I n  [30 ]  pr ese nted  a  m ulti scal e  j oin t  colla borati ve  r epr ese ntati on  with  local ly   adap ti ve  dicti onary  (MLJCR C).  For   trai ning  m od el   from   each  cl ass,  10 %   of  the   sam ples  are  sel ect ed  in  ra nd om   m ann er  an d  rem ai nin g  sa m ples  are  us e d  for  te sti ng   pur po s e.  The  cl assif ic at ion   accura cy   at tained   by   p roposed  hy per s pectral  im age   cl assifi cat ion   pe rfor m ance  over  existi ng ,  MLJC RC   cl assifi cat ion   m od el   [30 ]   is  gr ap hic al ly   sh ow n  in  Figure  3.   It  ca n  be  se en  t hat  S VM  m od el   [30 ]   at ta in  a n  OA,  A A,   a nd  Ka pp a   coeffic ie nt  perform ance  of  82. 79%,  77.83% ,  an d  80. 33%,  r e sp ect ively .  LJCR C  m od el   [ 30 ]   a n  OA,  A A,   a nd   Kappa  c oeffic ie nt  perf or m ance  of   95.18% ,  91. 22%,  an d  94. 5%,  resp ect ively .  MLJC RC   m od el   [ 30 ]   at ta in  an  O A,   A A,   a nd  Ka pp a  c oeff ic ie nt  perform ance  of  96.8 % ,  91. 63%,   an d  96. 34 %,  r especti vel y.  The   propos ed  m od el   at ta ins   a n  O A,  A A,   a nd   Kappa  c oe ff ic i ent  pe rfo rm ance  of  97.98% ,  97.7%,  a nd  97.69%,   res pecti vely .  F ro m   overall   res ult  at ta ined  it   can  be  see n  th e  propose d   SFR - HSI  m od el   at ta in  m uch   bette r  cl assifi cat ion   pe rfor m ance  wh e n  c om par ed  wi t h  oth e r  sta te - of - a rt sp at ia l  a nd  m achine lear nin g ba sed  classi ficat ion  al gorithm .     3. 5 .      Co m par at i ve an aly sis  ov er  deep  lear ning base d hy perspectr al cr op  cl as sific at i on  m od el   This  sect io n  pr ese nts  perform ance  evalua ti on   acc ordin g  to  pa ram et er   def i ned  in  [ 24 ] .  In  [ 24 ]   pr ese nted   a  S horten  Sp at ia l - sp ect ral  RN N  wit h  Pa rall el - GRU   (S t - SS - pGR U1)  f or   hype rs pectral   crop  cl assifi cat ion .  Fo r  trai ning  m od el   17 65   sam ples  are  sel ect ed  in  ra ndom   m ann er  a nd   re m ai nin g  sam pl es  are  us e d  f or  te sti ng  purpose .  T he   cal ci ficat ion   a ccur acy   at ta ine d  by  pro posed   hype rsp ect ral  im age  cl assifi cat ion   perform ance  ov er  e xisti ng,  MLJC RC   cl as sific at ion   m od el   [2 4]  is  grap hical ly   sh own  in  Fig ur e  4.   It   can  be   seen  t hat  St - SS - GR U  m od el   [ 24 ]   at ta in   an   O A  perf or m a nce  of  87. 16% .  St - SS - pGRU   m od el   [ 24 ]   a n  O A   perform ance  of   9 0.3 5% .  GR U  m od el   [2 4]   at ta in  an  OA  of   77. 01%.  T he  pro posed  m od el   attai ns   an  O A   perform ance  of  98.47%.   F rom   ov erall   res ul t  at ta ined  it   c an  be  see n  the   pro posed   m od el   at ta in  m uch   bette r   cl assifi cat ion   pe rfor m ance wh en  c om par ed w it h  oth e r dee p  l earn i ng classi fi cat ion  al gorith m .   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Sema ntic f eatu re ext ra ct io n m et hod  fo r  hyp e rsp ect r al crop  cl as sif ic ation  ( M. C. Giri sh B abu )   393       Figure  3. The  c la ssific at ion   outc om e att a ined by  pro po se d SFR - HS I  classi ficat ion m od el  over   existi ng  HS I  classi ficat ion m et ho d       Figure  4. The  c la ssific at ion   outc om e att a ined by  pro po se d SFR - HS I  classi ficat ion m od el  over   existi ng d e e p  l earn i ng HSI cl assifi cat ion  m et hod       4.   CONCL US I O N   In   t his  w ork,   we  ha ve  c onduced  dee p  r oo te d  analy sis  of   var i ou s  hype r sp ect ral  cr op  c la ssific at ion   m od el .  Fr om   extensi ve  analy sis,  it   is  no te d  that  crop  ide ntific at ion   a nd   cl assifi cat ion   us i ng   sat el li te   i mages  is   chall eng i ng.  V ario us   m et ho dolo gies  f or  fea ture  e xtracti on ,  featu re  sel ect ion ,   an d  cl assi ficat ion   m od el   us in g  m achine  le ar nin g  an d  dee p  le arn i ng  m od el   by  ex plo it in g  s patia l  and  s pec tral   inf or m at ion   has  been  pre sented   for  crop  cl assif ic at ion .  Each  m od el   has  it s  o wn   a dv a ntage s   and   disa dv a nt age.  E xisti ng   dim ension al   reducti on   te chn iq ue  featur es  ca nnot  as su re  t hat  the  s pectrall y  us ef ul   featur es  a re  r et ai ned .  F or  im pr ov in g  cl ass ific at ion  accuracy  c onsi der i ng  noisy   a nd  m ixed  pi xe l  env i ronm ent,  existi ng  m et ho d  ad opte d  de ep  le ar ning  a ppr oac h  rather t ha n  m a chine  le a rn i ng   m od el . Thus,  t hese m od el  in duces  high c ompu ta ti on  ov e r he ad  a nd r e qu i r es large   nu m ber   of   la be le d  trai ni ng   s a m ple.  The refor e  it   is  im po rtant  to  br i ng  good  tra deoff  a m on g  cl assifi cat ion  accurac y  an d  com pu ta ti on al   com plexity .  Fo r  a ddressi ng  these  issues ,  this  work   presente d  an  ef fici ent   dim ension al   re du ct io n  te ch ni qu e  t hat  retai n  m eaningfu l  s patia l  inform ation .  Alon g  wit h,   ca n  ad dress   no isy   and  m ixed  pixe l  prob le m   affe ct ing   cr op  cl assifi cat ion   by   le arn in g  (i.e.,  captu rin g)   i nhere nt  pr op e rtie s  of   ph ysi cal   cha ra ct erist ic s  of   dif fer e nt  obj ect s  unde r  dif fer e nt   il lu m inati on   and   cl im atic  con diti on.  T he  pr opos e d   hype rsp ect ral  c rop  cl assi ficat ion  m od el   is  e f fici ent  as  it   re quires  ve ry  le ss  trai ning  data  w hen   c om par ed  with  deep   le a rn i ng   base d  cr op   cl a ssific at ion   m eth od.  E xperim e nt  are  co nduct ed  on  sta nda rd  dataset .  The  e xisti ng   MLJC RC   ob ta in  an   O A,   A A ,  an d  Kappa  c oeffici ent  pe rfor m ance  of  96.8 % ,  91. 63%,  and  96. 34%  w hich  i s   m uch   higher  t han   othe r  e xis ti ng   cr op  cl ass ific at ion   m od e l.  The  pro po se d  m od el   at ta in  m uch   s up e rio r  O A,  AA, and K ap pa  co eff ic ie nt perf or m ance o f 97.9 8% , 9 7.7 %, an d 97.69%  w hich bett er th an  MLJC RC . Fur t her,   exp e rim ent  are  co nducted   f or   c om par in g  pro po se d  m odel   existi ng   de ep  le ar ning  ba sed  m o dels.  T he  S S - pG R U  m od el   a tt ai n  an  OA   pe rfor m ance  of  90. 35  w hich   is  m uch   higher  t ha n  oth er   existi ng  cr op  cl assifi cat ion   m od el .  The  pr opos e d  m od el   at ta in  m uch   superi or   O A  perf or m ance  of  98 .47%  w hich  be tt er  than   SS - pGRU.  Th us ,  pro po se d  m od el   is  m uch   e ff ic ie nt   wh e n  c om par ed  with  e xisti ng  hy per s pectra l  i m age  cl assifi cat ion.   Fu tu re  w ork  would  c on si de r  inducin g  art ific ia l  no ise   i nto   hy per s pect ral  i m age  and  see  ho w  the   m od el  perform .  Fu rth er,  re fine  t he  dim ension al   re duct ion   m et hod  for  obta inin g  m or e  eff ic ie nt  feat ur e  e xtracti on   a nd   al so   dev el op a n  im pr oved  classi ficat ion  al gorithm  that le arn s m ixed pixel  m or e eff ic ie ntly .       REFERE NCE S   [1]   P .   Gerl and   et   al . ,   “ W orld  popula ti on  stabi l izati on   unli kely   th is  centur y ,”   Sc ie n ce ,   v ol.   346,   no.   62 06,   pp.   234 - 237 ,  2014,   doi :  10 . 11 26/sci en ce . 12 57 469 .    [2]   A .   K.  W hit cra ft ,   I .   B . - R eshe f  a nd  C .   O.  Jus ti ce ,   “ A  fra m ework   for  def ini ng  sp at i al l y   exp licit   e art h  observa ti on   req uire m ent s  for   a  globa l  agr i cu lt ura l  m onit or in g  ini ti a ti v e  (GEOG LAM) ,”   Rem ote   Sens ,   vol.   7,   pp.   1461 - 1481 ,  2015 ,  doi :   10.3390/rs 7020 1461 .   [3]   J .   Fuhrer   and   P .   J .   Gregor y ,   “ Cli m at e  Chang e  Im pac t  and  Adapta ti on  in  Agri c ult ura l  S y s te m s:  Soil  Ec os y ste m   Mana gement in S ustai nabl e   Agri cul tur e , ”   W al l in gford,   CT ,   US A :  CABI ,   201 4 .   [4]   A .   Maha l anobi s ,   B .   V .   V .   Kum ar   and   S .   R .   Sim s ,   “ Di stanc e - cl assifi er  cor relati on  f il t ers  for   m ult ic l ass  ta rg e t   rec ogni ti on ,”   Ap pli ed   Optic s ,   vol .   35 ,   no .   17 ,   pp .   3127 - 3133,   201 3 ,   doi :  10 . 1364/ AO . 35. 003127 .   70 75 80 85 90 95 1 0 0 SVM LJCR C M LJCR C SFR- HSI Clas sif caitio n  Per f o rm an ce  (%) Clas sif icatio n  m o d el Hy pers pect ral   crop cl ass i fi cat i on  perf orm ance OA  ( %) AA  ( %) Kap p a ( %) 0 20 40 60 80 100 120 Clas sific at ion  perfo ramnce Clas sific at ion  mod el H y perspetral  crop  clas sifica tion  o v eral l  a ccuracy  perf o ra m a nce GRU  [24 ] St -SS -GR U [24 ] SS-pGR U [24 ] SFR-HS I Evaluation Warning : The document was created with Spire.PDF for Python.
            IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   20 21 :  3 8 7   -   3 9 5   394   [5]   F.  Low,   U.  Miche l,   S.  Dec h  and   C.   Conrad,   “ Impa ct   of  feature   select ion  on  the   a cc ura c y   and  spat ia l  unc ert a inty   o f  per - field  cro p  c l assific a ti on  usin g  support  ve ct or   m ac hine s, ”  IS P RS  J .   Phot ogra mm et ry  Re mot e  Sens. ,   vo l.  85,   p p.   102 - 119,   2013 ,   doi:   1 0 . 1016/j . is prsjprs.2013. 08. 007 .   [6]   S.  Murm u   and  S .   Biswas,  “ Applic ation  of  fuz z y   l ogic   and  neur a l  net work  in  cro p  cl assifi ca t ion:   A  rev ie w, ”  Aquat i c  Proce dia ,   vo l. 4, pp. 1203 - 1210,   2015 ,   doi :  10 . 10 16/j . aqpr o. 2015 . 02. 153 .   [7]   K.  Ta tsum i,   Y .   Yam ashiki ,   M.  A.  C.   Torr es  and   C.   L .   R.   Taipe ,   “ Crop  cl assificat ion  of  upla nd   fields  using  Rando m  fore st  of  t ime - serie s  La ndsat   7   ET M+  d ata, ”   Comput.   Elec tron.  Agri cul ture ,   vol.   115 ,   pp.   17 1 - 179,   2015 ,   do i:   10. 1016/j.c om pa g. 2015. 05 . 001 .   [8]   M.  G ong,   M.  Zha ng  and  Y.  Yuan,   “ Uns uper vised  Band  Sele c ti on  Based  on  Evol uti on ar y   Multi ob jecti v e  Optimiza ti o n  for   H y p erspe ct r al  I m age s, ”   in   IE EE  Tr ansacti ons  on  Geosci en ce  and   Re mot e  S ensing ,   vol .   54 ,   no .   1 ,   pp.   544 - 557 ,   Jan .   2016 ,   doi :  10 . 1 109/T GRS . 2015. 2461653 .   [9]   W .   Sun  and  Q.  Du,  “ Graph - Reg ula ri ze d  Fast   an d  Robust  Principal  Com ponent   Anal y sis  for   H y per spec tr al   B an d   Sele c ti on, ”   in   IE EE   Tr ansacti ons   on  Geosci ence  and  Re mot e  Sen sing ,   vol .   56 ,   no .   6,   pp.   3185 - 31 95,   June  2018 ,   doi:   10 . 1109/T G RS . 2018. 279444 3 .   [10]   H.  Zhai,   H.   Zhang,  L .   Zh ang  an d  P.  Li,  “ La pl aci an - Regularized  Low - Rank  Subs pac e  C luste r ing  for  H y per sp ec tr a l  Im age   Band  Sele ction, ”   in   IE EE  Tr an sacti ons  on  Geosci enc e  an d  Re mote  Sensin g ,   vol.   57,   no.   3 ,   pp.   1723 - 1740,   Marc h  2019 ,   doi :  10. 1 109 /T GRS . 2018. 2868796 .   [11]   F.  Melga ni  and   L.   Bruz zone,  “ Cla ss ifi ca t ion  of  h y p erspe ct r a l  remote  sensin g  images  with   support  vec tor  m ac hine s, ”   in   IE EE   Tr ansacti ons   on  Geosci enc e   and  Re mot e  Sen sing ,   vol .   42,   no .   8,   pp.   1778 - 17 90,   Aug.  2004 ,   doi:   10 . 1109/T G RS . 2004 . 831865 .   [12]   M.  Zha ng,   M.  Gong  and  Y.  Chan,   “ Hy p erspe c tr al   band  select io n  base d  on  m ult i - objecti v e  optim iz at ion  with  hi gh  informati on  an d  low  red undancy , ”  Applie d  Soft   Computing ,   vol .   7 0,   pp.   604 - 6 21,   2018 ,   do i:   10. 1016/j.a soc . 2 018. 06. 009 .   [13]   P.  Hu,  X.  Li u,   Y.  Ca i  and  Z .   C ai ,   “ Band  Sel ec t ion  of  H y per spe ct ra l  Im age s  Us ing  Multi objecti v e  Optimiza t ion - Based  Sparse  Se lf - Repre sen ta t io n, ”   in   IE EE   Geo scie nc e  and  R e mote  Sensing  Le tt ers ,   vol .   16,   no .   3,   pp .   452 - 456 ,   Marc h  2019 ,   doi :  10. 1109 /L GRS . 2018. 2872540 .   [14]   Q.  W ang,   F.  Zha ng  and  X.  Li,  “ Optimal  Cluste ring  Fram ework  for  Hy p erspe ct ra l  Band  Selecti on , ”   in   IEEE  Tr ansacti ons  on  Geosci en ce  and  Re mot e  S ensing ,   vo l.  5 6,   no .   10 ,   pp .   5910 - 5922 ,   Oct.   2018 ,   do i :  10. 1109/T GRS . 2018. 2828161 .   [15]   X.  Jiang,   X.   Song,  Y.  Zh ang,   J.   Jiang,   J .   Gao,   an d  Z.   C ai ,   “ L apl a ci an  r egulari z ed  spati al - awa r e  co ll abor at iv e  gra p h   for  discri m ina n t ana l y sis of   h y pe rspec tral  imag er y , ”  Re mot e  S ensi ng ,   vol .   11 ,   no .   1 ,   p p .   29 ,   2019 .   [16]   W .   Li ao ,   A.  Pi zur ica,   P.  Sch eu nder s,  W .   Phili ps  and  Y.  Pi,  “ Sem isupervi se d  Loc a l  Discrimin ant   Anal y sis  for  Feat ure   Ext r ac t i on  in  H y p erspe c tra l  Im ag es, ”   in   IEE E  Tr ansactions   on  Geosci e nce   and  Re mot e   Sensing ,   vo l.   5 1,   no.   1 ,   pp .   184 - 1 98,   Jan .   2013 ,   d oi:   10 . 1109/T G RS . 2012. 220010 6 .   [17]   A.  Vill a ,   J.  A.  Bene dikt ss on,   J.   Chanussot  and  C.   Jutte n ,   “ H y p erspe ct r al   Im age  Cla ss ifi c at ion  w it h  Inde pend e nt   Com ponent   Discriminant   Anal y s i s, ”   in   IE EE   Tr ansacti ons  on  Geosci ence  and  Re mote  Sensing ,   vol .   49,   no.   12,   pp.   4865 - 4876,   De c. 2011, doi :   10. 11 09/T GRS . 2011. 2153861 .    [18]   S.  Prasad  and   L .   M.  Bruc e,  “ Li m it ations  of  Prin cipal  Com ponent s   Anal y s is  for  H yper spec tr al   Ta rg et   R ec ogni ti on, ”   in   IE EE   Geos c ie nc e  and  Rem ote   Sensing   Lett ers ,   vol.  5,   no .   4 ,   pp.   625 - 629,   Oct.   2008 ,   d oi:  10. 1109/L GRS . 2008. 2001282 .   [19]   L.   W ang,   J.  Zhang,  P.  Li u ,   K. - K .   R.   Choo  and  F .   Huang,   “ Spectral – spat ia l  m ulti - fea tur e - base d  d ee p  l ea rning  for   h y per sp ec tr al   r emote  sensing  image  cl assifi ca t ion, ”  So ft   Computing ,   vol .   21,   pp.   213 - 221,   2016 ,   d oi:  10. 1007/s00500 - 016 - 2246 - 3 .   [20]   J.  Jiang,   C.   Chen,   Y.  Yu,  X.  J ia ng  and  J.  Ma,   “ Spati al - Aw are  Coll abor ative  Repre sent at ion  f or  Hy p erspe c tral  Remote  Sensing   Im age   Cla ss ific at ion , ”   in   IE EE   Geosci ence  and  Re mote  S ensing  Lett ers ,   vol .   14,   no.   3,   pp .   404 - 408,   Mar ch  201 7,   doi :  10 . 1109/ LGRS.2016. 264 5708 .   [21]   X.  Kang,   S.  Li   and  J.  A.  Ben edi ktsson,  “ Feature  Ext ra ct ion  of  Hy p erspe c tral  Im age s  w it h  I m age   Fus ion  an d   Rec ursive  Fi lt er i ng, ”   in   IE EE   Tr ansacti ons  on  Geosci en ce   and  R emote   Sensing ,   v ol.   52,   no.   6 ,   pp.   3742 - 3752,   June   2014,   doi :  10 . 11 09/T GRS . 2013. 2275613 .   [22]   A.  Santa ra   et   al . ,   “ BA SS  Net:   Band - Adapti ve  Spe ct ra l - Spatial  Fea ture   Learni ng  Neura l  Network  f or  Hy p erspe c tral   Im age   Cla ss ifi cation, ”   in   IE EE   Tr ansacti ons  on  Geosci ence  and  Re mote  Sensin g ,   vol.   55,   no.   9 ,   pp.   5293 - 5301,   Sept.   2017 ,   do i:  10. 1109/T GRS . 2017. 2705073 .   [23]   X.  Cao,   F.  Zhou ,   L.   Xu,  D.  Meng ,   Z.   Xu  and  J.  Pa isley ,   "H y per spe ct ra l  Im age   Cla s sific a ti on  W it h  Markov  Random   Fiel ds  and  a  Co nvolut ional  Neu ral   Ne twork, "  in   IEE E   Tr ansacti ons  on  Image  Pro ce ss ing ,   vo l.   27 ,   no.   5 ,   pp.   2354 - 2367,   Ma y   2018 ,   doi :  10 . 1109/T I P.2018. 2799324 .   [24]   H.  Luo,   “ Shorten  Spat ia l - sp ec tr al   RNN   with  Para l le l - G RU  for  H y pe rspec tral  Im ag e  Cla ss ifica t io n, ”  arXiv :1810. 1256 3v1 ,   2018 .   [25]   Y.  Cai,  X.  Li u  and  Z .   Ca i,   "BS - Nets:  An  End - to - End  Fram ework  for  Band  Se l ec t ion  of  H y per spec tral  Im age,"   in   IE EE   Tr ansa ct ions  on  Geosci en ce   and  Rem ote   Sensing ,   vol.   58,   no.   3,   p p.   1969 - 1984,   Marc h  2020,   doi:  10. 1109/T GRS . 2019. 2951433 .   [26]   Y.  Liang,   X .   Zh ao,   A.   J.  X.   Guo  and  F.  Zhu,  "H y per sp ec tr al   Im a ge  Cla ss ifica ti on   W it h  Dee p  M etric  L ea rn ing  an d   Condit ional  Ran dom   Fiel d, "  in   I EE E  Geosci enc e   and  Re mote  Sensing  Lett ers ,   v ol.   17,   no.   6,   pp.   1042 - 1046,   Jun e   2020,   doi :  10 . 11 09/L GRS . 2019. 2939356 .   [27]   F.  Li,  K .   Ergun ,   O.  Kili n c   and   Y .   Qiao ,   “ Vege t at i on  Cla ss ifica t ion   Us ing  H y p erspe ct ra l  Im age s , ”   in   ECE 228   and  SIO209 Mac hine l earning   for ph y sical   app li ca ti on s ,   2018.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Sema ntic f eatu re ext ra ct io n m et hod  fo r  hyp e rsp ect r al crop  cl as sif ic ation  ( M. C. Giri sh B abu )   395   [28]   L.   W ang,   Y.  Fe ng,   Y.  Gao,   Z .   W ang  and  M.  He,   “ Com pre ss ed  Sensing  Rec onst ruc ti on  of  H y pe rspec tral  Im age s  Based  on  Spectral   Unm ixi ng, ”   in   IE EE   Journal   of  Sel ecte d  Topics  in  Appl i ed  Earth  Obs erv ati ons  and  Re mote   Sensing ,   vo l. 11, no. 4, pp. 1266 - 1284,   April   2 01 8,   doi :  10 . 1109/J STARS . 2017. 2787483 .   [29]   M.   C.   G .   Babu   and   M.   C.   Padma ,   “ A  Eff ic ie n t  Soluti on  for  Clas sific at ion  of  Cr ops  using  Hy per   Spect ral   Sat el l ite  Im age s,”   Int ernati onal  Journal  of  Innov ative  Te chnol ogy  and  E xpl oring  Engi n e ering  ( IJI TEE) ,  vol.   9 ,   no .   2 ,  pp .   5204 - 5211,   201 9 ,   doi :  10 . 35940 /i jitee.B7311. 12 9219 .   [30]   J.  Yang  and  J.  Qian,   “ H y p erspe ct ra l  Im age   Cl assific a ti on  vi a  Multi sca le   Join t  C oll abor at iv e  Rep rese ntation  W ith   Loc a lly   Adapti v e  Dict ion ar y , ”   in   IEEE  Geosci e nce   and  Re mote   Sensing  Lett ers ,   vol.   15,   no.   1,   pp.   112 - 116,   Jan.   2018,   doi :  10 . 11 09/L GRS . 2017. 2776113 .       BIOGR AP HI ES OF  A UTH ORS        Girish  Babu  M  C  recei ved   th e  B.   E   Degre e  in   Com pute r  Scie n ce   &  Eng ineeri n g  in  2004 ,   M .   Tech   in  2009   fro m   Visvesvara y a  Te chno logi c al   U nive rsit y .   He  is  r ese arc h   schol ar  i n  the   field  of   Im age   proc essing  at Visvesvaraya  T ec hnolog ical   Univer sit y   Ind ia.               Dr.  Padm a  M  C   rec e ive d  th e  B. E  Degre e  in  Co m pute r  Scie nc e  &  Engi ne eri ng  i n  1990,   Ms c   ( Tech )   from   Uni ver sit y   of   M y sor e,   Ind ia  in  2004   and  th e  Phd  Deg ree   in  Im age  Proce ss ing  from   Visvesvara y a   Te chno logi c al  Univer sit y   in  2010.   She  h a s  publi shed  m ore   th an  45  int ern at ion al /n ational   Journals.   Her  m ai n  rese ar ch  are a  inc lud es  Natur al   L anguage  Proce ss in g,   Data   m ini ng ,   Im age   pro ce ss ing a nd  Pattern  r ec og nit ion.             Evaluation Warning : The document was created with Spire.PDF for Python.