Compressive hyperspectral imaging by remote sensing for soil and environmental analysis

This thesis explores the application of compressive sensing (CS) techniques for hyperspectral imaging, applied for remote environmental analysis. In precision agriculture, hyperspectral imaging enables precise identification of soil properties and crop conditions, optimizing resource utilization and maximizing yields. However, traditional hyperspectral imaging poses challenges in data storage and processing, which are overcome through compression. By combining hyperspectral imaging with signal compression, this innovative approach provides detailed information about the electromagnetic spectrum while reducing the volume of collected data. The thesis is part of the project “Monitoraggio del territorio e agricoltura di precisione mediante sistemi a pilotaggio remoto”, called “Pignoletto”, funded by Regione Lombardia in the framework of the Call Hub Ricerca e Innovazione (Project ID 1177180). Among the different contributions, an experimental aspect involved the design of a prototype drone mounted device for the collection of spectroscopic information. An important innovation in the setup concerned the use of compressive sensing acquisition techniques, with Hadamard matrices as coding masks. These mask were produced on a rotating disk, demonstrating for the first time significant practical advantages in implementation and excellent results. Additionally, TVAL3 algorithms were employed and treated to optimize compressive sensing. Simulations and hardware development are presented, aiming to evaluate image reconstruction through compressive sensing and suggesting future research areas and practical applications for environmental monitoring.

Questa tesi studia l'applicazione della tecnica di compressive sensing nell'analisi del suolo e dell'ambiente, utilizzando tecniche di telerilevamento. Nell'agricoltura di precisione, l'imaging iperspettrale consente infatti l'identificazione precisa delle proprietà del suolo e delle condizioni delle colture, ottimizzando l'uso delle risorse e massimizzando i rendimenti. L'imaging iperspettrale tradizionale pone sfide nell'archiviazione e nell'elaborazione di grandi quantità di dati, per cui approcci di compressione dei dati sono molto utili. Ciò si può ottenere dalla combinazione dell'imaging iperspettrale con la compressione del segnale. La tesi rientra nel progetto “Monitoraggio del territorio e agricoltura di precisione mediante sistemi a pilotaggio remoto”, chiamato “Pignoletto”, finanziato da Regione Lombardia nell’ambito della Call Hub Ricerca e Innovazione (ID 1177180). Tale progetto mira al monitoraggio del territorio per sviluppare l'agricoltura di precisione e prevede la progettazione di un dispositivo prototipale montato su un drone per la raccolta di informazioni spettroscopiche del suolo. Un'importante innovazione nella strumentazione riguarda l'utilizzo del compressive sensing basato sulle matrici di Hadamard. Esse sono state ideate e validate per la prima volta come maschere rotanti, dimostrando notevoli vantaggi pratici nell'implementazione e ottimi risultati. Inoltre, per ottimizzare la compressione dei dati, vengono impiegati e trattati gli algoritmi TVAL3. sono presentati sia simulazioni numeriche che lo sviluppo hardware, mirando a valutare la ricostruzione di immagini tramite compressive sensing e a suggerire future aree di ricerca e applicazioni pratiche per il monitoraggio dell'ambiente.