综述：人工智能与遥感技术在地中海农业生态系统中作物产量预测和作物生长参数估算的整合：方法、新兴技术、研究空白和未来方向

本综述系统性地探讨了人工智能（AI）与遥感（RS）技术在地中海（MED-rim）农业生态系统中作物产量预测（CYP）和作物生长参数估算（CGPE）的整合应用。文章基于PRISMA方法分析了106项研究，指出机器学习（ML）如随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）与哨兵系列（Sentinel-1/2）、MODIS、Landsat-8等卫星平台结合，显著提升了农业监测与决策的精准度。尽管深度学习（DL）模型如卷积神经网络（CNN）和长短期记忆网络（LSTM）在时空建模中展现出潜力，但其应用仍受数据和计算资源限制。综述还揭示了当前研究在地理覆盖不均、模型可转移性差、物候考量不足以及北非和中东地区代表性欠缺等方面的挑战，并提出了未来应优先发展跨区域合作、混合AI-RS方法、物候感知模型及数据开放共享等方向。

　　

引言

农业部门正面临全球人口增长和环境挑战（如气候变化、资源稀缺）带来的日益增长的压力，这些挑战在地中海沿岸地区尤为突出。该地区夏季炎热、水资源有限，土壤有机质和养分含量通常较低。尽管存在这些脆弱性，地中海沿岸因其高生物多样性和多样的农业生态区而被视为全球农业热点。为了应对这些挑战，迫切需要更具适应性和数据驱动的农业实践。作物产量预测和作物生长参数估算已成为早期预警系统、精准农业和资源分配的关键手段。传统方法如经验统计模型和基于过程的模型存在局限性，而人工智能和遥感等新兴技术为解决这些局限性提供了有前景的替代方案。

材料与方法

本系统综述采用PRISMA框架，对Scopus和Web of Science数据库中的文献进行了检索和筛选。预定义的搜索字符串、纳入和排除标准确保了研究的科学严谨性和主题相关性。最终纳入了106项符合标准的研究。地中海地区的定义采用了Noce和Santini（2018）的地理和气候分类，包括欧洲地中海（Euro-MED）、北非地中海（NA-MED）和中东地中海（ME-MED）三个子区域。通过偏倚风险评估和数据提取矩阵，对文献进行了系统分析。

结果

文献概览与地理分布

文献分析显示，自2020年以来，该领域的研究出版物数量显著增加，这主要得益于遥感数据获取平台的进步和计算能力的提升。大多数出版物发表在Q1期刊上，如《Remote Sensing》和《Sensors》。地理分布分析揭示了研究活动的显著不平衡，欧洲地中海国家（如意大利、西班牙、法国）的研究占主导地位，而北非和中东地区的研究代表性不足。作者隶属关系与案例研究地点之间存在密切联系，意大利的研究人员表现出广泛的国际合作。

作物类型分析

在作物产量预测研究中，谷物作物占主导地位，其中小麦是最常研究的作物（15项研究），其次是大麦、玉米等。在作物生长参数估算研究中，除了谷物（如小麦），木本和多年生作物（如葡萄园、橄榄、柑橘）也得到了广泛研究。混合种植系统在作物生长参数估算研究中更为普遍。值得注意的是，尽管水果和蔬菜作物在地中海农业中很重要，但它们在产量预测研究中的代表性有限。

主要方法与技术框架

数据获取平台：

遥感平台是农业监测的核心。卫星成像（约69%的研究）是主要数据源，其中哨兵-2号（Sentinel-2）是最常用的多光谱卫星平台，其次是MODIS和Landsat-8。微波（雷达）传感器（如哨兵-1号）因其全天候监测能力而受到重视。热红外传感器用于估算地表温度和蒸散量。无人机（UAVs，约13%的研究）在田间尺度的高分辨率监测中发挥着越来越重要的作用，特别是在作物胁迫检测和精准农业应用方面。混合平台（约14%的研究）整合了卫星、无人机和地面数据，以克服单个平台的局限性。

人工智能方法：

人工智能方法主要分为机器学习、深度学习和混合方法。

• •
  机器学习：是当前最主流的方法（88项研究）。随机森林（RF）是最常用的模型（占ML研究的19.7%），因其能处理高维数据、集成学习和提供变量重要性排名而受到青睐。支持向量机/回归（SVM/SVR，占16.1%）和人工神经网络（ANN，占13.8%）也是常用模型。这些模型在从遥感数据中估算生物物理参数（如叶面积指数LAI）、环境参数（如土壤水分）以及预测产量方面表现出色。
• •
  深度学习：应用相对较少（10项研究），但显示出处理复杂时空数据的潜力。卷积神经网络（CNN）擅长从图像中提取空间特征，用于作物分类和分割。长短期记忆网络（LSTM）及其变体（如Bi-LSTM, CNN-LSTM）则擅长处理时间序列数据，用于物候分析和产量预测。然而，深度学习模型通常需要大量数据和计算资源。
• •
  混合方法：（8项研究）结合了机器学习和深度学习模型的优势，通过集成学习或堆叠策略来提高预测的鲁棒性和准确性，尤其在数据有限或作物物候阶段多变的情况下。

技术框架与性能评估：

云计算平台（如Google Earth Engine）和多种编程库（如Python的Scikit-learn, TensorFlow, Keras；R的caret, randomForest）为AI与RS的整合提供了技术支持。模型性能评估指标多样，最常用的是回归指标，如均方根误差（RMSE）和决定系数（R²），以及分类指标，如总体准确率（OA）和Kappa系数。

讨论

人工智能与遥感技术的整合通过多源数据融合、时间序列建模、维度缩减和严格的数据预处理流程等策略，有效应对了地中海农业生态系统的空间异质性和气候多变性挑战。然而，当前研究仍存在明显局限性和研究空白：

1. 1.
   空间和时间的普适性：多数研究局限于特定区域、作物或生长季节，模型的跨区域、跨年份转移能力较差。
2. 2.
   验证数据可用性：高分辨率地面真值数据，特别是物候观测和田间测量数据，在北非和中东地区严重缺乏。
3. 3.
   传感器限制：光学影像易受云层影响，热红外、雷达相干性等高阶数据源利用不足。
4. 4.
   物候敏感性：模型性能高度依赖于作物生长阶段，缺乏能够动态捕捉整个物候周期变化的模型。
5. 5.
   验证挑战：缺乏标准化的地面验证协议和基准数据集，导致不同研究结果难以比较。
6. 6.
   环境变异性：模型对土壤异质性、极端天气和多样化管理实践的适应性有待提高。

结论与未来方向

人工智能与遥感技术的集成为提升地中海地区作物生长监测和产量预测的准确性、可靠性和可扩展性提供了强大工具。机器学习模型是目前应用的核心，而深度学习模型在处理复杂时空模式方面展现出巨大潜力。未来研究应优先关注以下方向：

1. 1.
   优先开展跨区域合作：加强欧洲地中海国家与北非、中东地区研究机构的合作，弥补数据和研究能力差距。
2. 2.
   聚焦混合AI-RS方法：开发能够智能融合多平台、多传感器数据的混合模型框架。
3. 3.
   开发物候感知模型：构建能够动态适应作物不同生长阶段变化的模型，提高预测的时效性和准确性。
4. 4.
   拓宽数据获取途径：建立开放共享的验证数据集平台，促进数据民主化和研究结果的可比性。

通过解决这些挑战并把握未来方向，人工智能与遥感技术的深度融合将为实现地中海及类似农业生态系统的可持续农业和粮食安全做出重要贡献。