Postęp technologiczny w zakresie przetwarzania obrazu spowodował wzrost wymagań w wielu dziedzinach aplikacji. Znaczące ulepszenia nastąpiły w rozwoju nowych algorytmów i platform przetwarzania obrazu. Niedawny rozwój technologii czujników zrewolucjonizował dziedzinę zastosowań, która pośrednio wymaga opracowania bardziej wyrafinowanych technik przetwarzania obrazu. Ponadto dostępność czujników satelitarnych i konstelacja satelitów obserwujących Ziemię na całym świecie dała ogromne możliwości modelowania powierzchni Ziemi w celu efektywnego zarządzania zasobami naturalnymi i działań monitorujących. Technologia RS stała się niezbędnym i uniwersalnym narzędziem w konfiguracji rządowej, w tym w przemyśle. Dziedzina ta przyciągnęła w ciągu ostatnich dwóch dekad wiele uwagi badawczej w zakresie innowacji technik przetwarzania obrazu. Rosnąca dostępność obrazów bezzałogowych statków powietrznych (UAV) szeregów czasowych znacznie zwiększyła częstotliwość monitorowania i zarządzania aktywnością zasobów. UAV są bardzo skutecznie wykorzystywane do monitorowania terenu w czasie rzeczywistym, częstych przeglądów; mogą szybko rejestrować obrazy w podwyższonej jakości [55]. W ciągu ostatniej dekady rynek dronów kwitł z wykładniczym wzrostem we wszystkich zakresach zastosowań, szczególnie w branży budowlanej. Najważniejszym aspektem w radzeniu sobie z analizą wielomodelową, śledzeniem obiektów w bałaganie itp. stają się nowe techniki przetwarzania danych lub modernizacja konwencjonalnych technik teledetekcyjnych [56]. Wiele obszarów zastosowań kładzie nacisk na automatyzację i minimalną interakcję między ludźmi; Techniki oparte na sztucznej inteligencji/ML stają się coraz bardziej istotne w obecnym scenariuszu. Sztuczna inteligencja i ML są kluczowymi komponentami i głównymi czynnikami napędzającymi hiperautomatyzację wraz z innymi technologiami, takimi jak narzędzia do automatyzacji procesów robotycznych. Wykorzystanie AI/ML jest stopniowo coraz bardziej powiązane z Internetem rzeczy (IoT) dla różnych zastosowań. AI, ML i DL są już wykorzystywane do tworzenia urządzeń i usług IoT w inteligentniejszy i bezpieczniejszy sposób. W ostatnim czasie podejścia oparte na DL stają się coraz bardziej odpowiednie do analizowania obrazów VHR, ponieważ wydajność zasobów obliczeniowych uległa znacznemu zwiększeniu dzięki dodaniu jednostki przetwarzania graficznego (GPU). Wprowadzono inny wariant modeli DL do obsługi danych o charakterze big data w obszarach RS. Możliwości obrazowania wysokowymiarowego przyniosły nowe możliwości i wyzwania w rozwoju klasyfikacji RS, szczególnie w przypadku bardzo podobnych spektralnie klas pokrycia terenu RYSUNEK 4.2 Klasyfikacja obszaru uniwersytetu w Pawii (ze zbiorem danych szkoleniowych TS czujnika ROSIS-3) za pomocą zoptymalizowanego RF metoda klasyfikacji klasyfikatorów. charakteryzują się zbędnymi i nieistotnymi cechami. Studium przypadku przedstawione w rozdziale kładzie nacisk na klasyfikację obrazów hiperspektralnych VHR przy użyciu podejścia zespołowego opartego na ML. Obejmuje szereg etapów przetwarzania obrazu, w których redukcja wymiarów w przestrzeni spektralnej i cech odegrała kluczową rolę w poprawie dokładności klasyfikacji. Raportuje zoptymalizowany klasyfikator RF na podstawie losowego wyboru próbek treningowych i zestawu funkcji. Proces ten zwiększył różnorodność klasyfikatorów bazowych, co skutkuje znaczną poprawą ogólnej klasyfikacji zbioru danych hiperspektralnych ROSIS-3 w porównaniu z innymi badanymi tutaj zaawansowanymi klasyfikatorami.