Penginderaan jauh hiperspektral telah terbukti relevan dengan banyak persyaratan persediaan dan pemantauan tutupan lahan. Sejumlah besar penelitian dan eksperimen telah menunjukkan kegunaan dan kelayakannya untuk mengatasi berbagai masalah aplikasi, seperti klasifikasi dan pemetaan tanaman pertanian (Tucker 1979; Clevers 1986; Clevers et al., 1994; Pax- Lenney et al., 1996; Pax -Lenney & Woodcock 1997; Blackburn & Steele 1999; Mutanga et al., 2003). Bagian Penginderaan Jauh Hiperspektral: Prinsip Dasar, Prinsip dasar pencitraan hiperspektral didasarkan pada evaluasi signature reflektansi permukaan bumi pada domain reflektif dan emisif pada pita spektral sempit bersebelahan (Goetz et al., 1985; Lillesand & Keifer 2000). Ketika cahaya berinteraksi dengan suatu benda dalam bentuk spektrum, panjang gelombang tertentu lebih disukai diserap dan panjang gelombang lainnya ditransmisikan oleh benda (van der Meer et al., 2003b). Penginderaan jauh hiperspektral melibatkan studi tentang cahaya yang dipancarkan atau dipantulkan dari bahan dan variasi energinya dengan panjang gelombang. Ini termasuk studi cahaya sebagai fungsi dari panjang gelombang yang telah dipancarkan, dipantulkan atau disebarkan dari zat padat, cair, atau gas (Clark 1999). Metode utama yang digunakan didasarkan pada evaluasi signature reflektansi permukaan bumi pada domain reflektif dan emisif pada pita spektral sempit bersebelahan pada skala piksel.
Bagian Parameter Spektral, Untuk mengukur kemampuan data hyperspectral, ada empat parameter umum yang harus dipertimbangkan, 1) daerah spektral, 2) bandwidth spektral, 3) spektral sampling, dan 4) rasio signal-to-noise (S / N) (Clark, 1999). Daerah spektral sensor harus cukup mencakup fitur serapan spektral diagnostik yang ada pada bahan permukaan target. Wilayah spektral mengacu pada rentang radiasi elektromagnetik tertentu, yang ditandai dengan panjang gelombang dalam nanometer. Bagian Viewing (pandangan) dan iluminasi geometri, Orientasi relatif sumber cahaya dan aperture pengukuran, atau iluminasi / geometri tampilan, merupakan variabel penting dalam desain spektrometer (Suen & Healey 2001). Melihat geometri mencakup sudut kejadian, sudut refleksi, dan sudut antara cahaya dan sensor kejadian. Bagian Jejak dan Ciri Spectral Multi-Sudut, Citra CHRIS dapat digunakan untuk memperkirakan parameter biofisik permukaan menggunakan teknik yang berbeda seperti indeks spektral (konvensional), posisi tepi merah (perkembangan terakhir), dan inversi model BRDF (ESTEC 1999). Penelitian pada data satelit multi sudut menunjukkan perbedaan yang signifikan secara statistik antara variabel spektral dan sudut untuk kelas vegetasi yang berbeda (Zhang et al., 2002a, 2002b).
BAB IV Metode analisis data penginderaan jauh hyperspectral
Metode pemetaan endemik spektral dapat digunakan, pada skala lapangan, untuk menghubungkan informasi spesifik dalam target (Milton 1987; Salisbury 1998). Bagian koleksi Spectral library dan Koleksi Endemember, Spectral Library adalah data terkait dengan rangkaian spectral pantulan pada rentang panjang gelobang tertentu biasanya antara 400 nm-2500 nm dari hasil releksi gelombang elektromagneitk yang ditangkap oleh senso pada suatu benda. Spctral library dapat dihasilkan dari pengukuran lapangan dan citra hiperspektral, dan dikembangkan untuk digunakan sebagai referensi dalam analisis citra. Bagian Klasifikasi Paralel (Parallelepiped Classification), Klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan data hyperspectral. Metode paralelepiped telah berhasil digunakan untuk membedakan pengklasifikasian kanopi dan untuk pemetaan hasil panen (Doraiswamy et al., 2003; Casa & Jones 2004). Dalam analisis ini, nilai ambang batas yang berbeda dari parameter Piped Half Width (PHW) yang dapat digunakan untuk mengklasifikasikan citra HyMap dan CHRIS. Bagian Transformasi Frekuensi Kebisingan Minimum, Transformasi noise minimum (MNF) digunakan untuk menentukan dimensi inheren data citra, untuk memisahkan noise dalam data, dan untuk mengurangi dimensi data. Hal ini memungkinkan pemilihan hanya gambar yang koheren secara visual dan, sebagai hasilnya, jumlah data dapat dikurangi (Boardman dan Kruse, 1995).
Bagian Indeks Kemurnian Pixel, The Pixel Purity Index (PPI) adalah algoritma untuk menemukan piksel murni spektral dari sebuah gambar (Boardman et al., 1995). Ini menggunakan konsep model geometri cembung dimana parameter geometris pemandangan diperlakukan sebagai variasi acak untuk  menyerap variabilitas acak dalam struktur ruang mereka. Fungsi PPI akan digunakan untuk menemukan piksel murni yang paling spektral dalam adegan di mana nilai PPI lebih besar dari dua dianggap murni. Prosedur PPI akan menggunakan 5000 dan 10.000 iterasi. Bagian Spektral Angle Mapper, eknik SAM menggunakan sudut n-dimensi untuk menyesuaikan piksel dengan spektrum referensi. Spektrum referensi diturunkan dengan mengekstraksi pantulan di atas bidang material murni yang diketahui, atau dari spectral library yang dikumpulkan di lapangan. Salah satu kelebihan metode SAM adalah memanfaatkan data yang dikumpulkan pada skala lapangan (Zhang et al., 2003). Bagian Indeks Spektral Sebagai Indikator Pertumbuhan Tanaman, indeks ini dapat dibagi menjadi empat kategori (Bort et al., 2001), indeks area fotosintesis (NDVI, rasio Red-ege), indeks penuaan (CARI, RNVI), indeks efisiensi radiasi (PRI), dan indeks stres (RVSI). Bagian Perbandingan status tanaman melalui reflektansi spektral, perbandingan antara percobaan lapangan dan rumah kaca hanya dapat dilakukan jika pengukuran reflektansi diambil saat tanaman berada pada tahap pertumbuhan yang sama, dan dalam kondisi yang sama. Meskipun uji coba rumah kaca tidak secara langsung dibandingkan dengan temuan lapangan, hasil rumah kaca dapat digunakan untuk mengidentifikasi indikator yang menyebabkan variasi spektral seperti tanah, air dan spesies tanaman. Indeks spektral seperti NDVI, RVSI, Red-edge, RNVI, CARI, PRI, sering digunakan untuk menentukan karakteristik pertumbuhan vegetasi dan tekanan vegetasi. Analisis reflektansi spektral pada tahap pertumbuhan tertentu dapat berkorelasi dengan produktivitas melalui indeks spektral.
BAB V Pemetaan spektral dan indeks vegetasi data hyperspektral hymap
Pemetaan spectral pada vegetasi yang sering digunakan dalam pengolahan data hyperspectral memerlukan sejumlah pengaturan parameter yang digunakan untuk membedakan hasil analasisnya. Bagian HyMap akuisisi dan pra-pengolahan, Dalam percobaan ini HyMap data digunakan sebagai salah satu hyperspectrald ata yang peroleh memelui pemetaan udara udara citra diakuisisi berbeda bulan dan tahun, Februari, April dan September. Hal ini menujukkan perbedaan partumuhan tanaman yang dinilai, mewakili, masing-masing, awal musim, pertumbuhan menengah (terakhir efektif berbunga panggung), dan tahap matang tanamana kapas Data Februari digunakan karena ini adalah di puncak tumbuh tahap berbuah musim terakhir. Indeks vegetasi yang dapat memberikan perbandingan hasil sementara perubahan selama musim tanam. Bagian Identifikasi Endmember: definisi kelas, Pilihan Endmember dapat dicapai dalam dua cara: dari perpustakaan spektral (Lapangan atau laboratorium), dan dari pixel paling murni di gambar (Boardman 1993). Karena bidang spektrum tidak dikumpulkan selama HyMap data akuisisi, endmembers yang digunakan dalam penelitian ini diperolehi dari gambar. Koleksi spektral endmembers pada dari variasi spektral reflektansi adegan dengan menjelajahi kurva spektral untuk setiap pixel tunggal. Sekarang bagian Metode Pemetaan Spektral, Dua spectral metode pemetaan spectral diterapkan. Ini adalah dimensi klasifikasi dan mapper spektral sudut. Untuk dimensi rutinitas, empat ambang batas PHW (100, 200, 500 dan 1000) yang diterapkan. PHWs ini berbeda yang digunakan untuk memeriksa sensitivitas spektral diturunkan peta berbeda. Bagian Indeks vegetasi, ndeks yang diterapkan adalah RVSI, rasio merah-tepi; NDVI, RNI, CARI dan PRI. Setiap indeks vegetasi dihitung untuk setiap tanggal HyMap citra. Tujuan dari perhitungan vegetasi adalah  untuk menilai variasi dari nilai indeks dalam setiap kelas, yang ditugaskan di skala linier merah-NIR nilai.
Rangkuman bab V, Hasil analisi yang ditnjukka dalam bab ini bahwa spektral pemetaan rutin dengan parameter input yang berbeda mempengaruhi hasil klasifikasi berasal dari spectrally. 200 dan 500 PHW ambang nilai-nilai memberikan hasil yang lebih baik dibandingkan dengan 100 dan 1000 PHW nilai dalam proporsi piksel yang ditugaskan di seluruh kelas. PPI spektral rutin tidak melakukan baik untuk kapas spektral pemetaan untuk  menemukan pixel murni dalam adegan hanya 30 murni kapas piksel yang diidentifikasi. Pilihan 0,05 dan 0.025 radian SAM sudut menyediakan peta spektral yang wajar dengan semua piksel dihitung dalam bidang yang dipilih. Distribusi diturunkan spektral peta indeks vegetasi menunjukkan variasi jumlah piksel didistribusikan dalam bidang dipilih sesuai kelas. Bidang 303 dan 302 memiliki nilai-nilai yang lebih tinggi dibandingkan dengan bidang lain, menunjukkan kondisi pertumbuhan yang lebih baik.
BAB VI Pemetaan spektral tanah hyperspectral multi-sudut
Hyperspectral multi sudut tanah data telah dianalisis dalam bab ini dalam rasa multivarian konvensional dan menggunakan FDA. Perbedaan yang signifikan ditemukan antara Azimut dan zenith sudut menggunakan statistika multivariat konvensional. Pearson produk-saat korelasi antara sudut Azimut menunjukkan korelasi positif antara Azimut sudut untuk sampel tanah. Distribusi nilai korelasi untuk soil1 bervariasi antara zenith sudut dan sudut Azimut. Korelasi antara soil2 Azimut sudut tinggi. Pearson korelasi analisis menunjukkan bahwa sudut Azimut memiliki dampak pada tanah spektral reflektansi. Penggunaan fungsi dasar yang berbeda mempengaruhi cocok fungsi spektral kurva yang Diperoleh dari posisi delapan-Azimut sudut. 20-dasar fungsi adalah paling cocok untuk spektrum sampel tanah. Ada batasan penggunaan Azimut sudut dasar fungsi karena sampel data terbatas, seperti jumlah azimuths terlalu kecil untuk fiit fungsi dasar.
Hasil fPCA telah menunjukkan bahwa lebih dari 92% dari varians muncul dalam fPCA pertama untuk panjang gelombang dasar analisis, dan lebih dari 81% untuk Azimut dasar analisis. Varians terjadi sepanjang panjang gelombang dan sudut Azimut. Ada tidak ada perbedaan yang signifikan antara azimuths ketika dinilai menggunakan FANOVA untuk semua sampel tanah, kecuali zenith 60 ° dari soil3.  Implikasi dari analisis ini arah SPEKTRA tanah adalah bahwa data reflektansi spektral yang dapat dianggap sebagai fungsi. Oleh pemodelan dalam pendekatan fungsional, smoothing, prediksi dan analisis data sederhana. Ada hanya sejumlah sangat kecil dari informasi tambahan yang disediakan oleh multi sudut pengukuran dalam kisaran Azimut dan sudut zenith dinilai.
