(EN) The present invention is directed to a method for automated hyperspectral vegetation index (VI) determination, including: accessing measured spectra and respective measured ground truth values of a selected vegetation trait; accessing a library of VI models, each model including a relationship defining an index value for the vegetation trait by mathematically combining spectral measurement values at a plurality of wavebands; selecting a VI model from the library; generating a hyperparameter for each of the spectral measurement values of the selected model, the hyperparameter including a selected waveband for each of the plurality of model wavebands; evaluating the selected model with the selected wavebands with an objective function score; a model parameter tuning step using an optimizer to select the waveband for each of the at least two wavebands based on sequential model-based optimization (SMBO); and repeating the model selection, generation, evaluation and tuning steps for a plurality of iterations.
(FR) La présente invention concerne un procédé pour une détermination automatisée d'indice de végétation (VI) hyperspectrale, qui consiste à accéder à des spectres mesurés et à des valeurs de vérité de sol mesurées respectives d'un trait de végétation sélectionné ; à accéder à une bibliothèque de modèles de VI, chaque modèle comprenant une relation définissant une valeur d'indice pour le caractère végétal par combinaison mathématique de valeurs de mesure spectrales au niveau d'une pluralité de gammes d'ondes ; à sélectionner un modèle de VI à partir de la bibliothèque ; à générer un hyperparamètre pour chacune des valeurs de mesure spectrale du modèle sélectionné, l'hyperparamètre comprenant une bande d'onde sélectionnée pour chacune de la pluralité de bandes d'ondes de modèle ; à évaluer le modèle sélectionné avec les gammes d'ondes sélectionnées avec un score de fonction objective ; une étape de réglage de paramètre de modèle à l'aide d'un optimiseur pour sélectionner la bande d'onde pour chacune des deux bandes d'ondes ou plus sur la base d'une optimisation basée sur un modèle séquentiel (SMBO) ; et à répéter les étapes de sélection, de génération, d'évaluation et de réglage de modèle pour une pluralité d'itérations.
