《Frontiers in Agronomy》：Integrating UAVs, satellite remote sensing, and machine learning in precision agriculture: pathways to sustainable food production, resource efficiency, and scalable innovation
1 引言
精准农业已从局部机械化发展为数据驱动的综合性生态系统管理。这一转变的核心驱动力是无人机(UAV)、卫星遥感与机器学习(ML)技术的融合。早期系统主要依赖地面传感器进行离散参数监测，而现代框架则充分利用了协同技术：配备高光谱和热成像传感器的无人机可实现厘米级、实时的作物监测；卫星平台（如Sentinel-2、Landsat）则支持对大范围区域的土壤湿度、物候和生物胁迫等进行宏观景观分析；先进的机器学习算法，特别是卷积神经网络(CNN)和循环神经网络(RNN)，能够将这些多源数据流转化为可操作的见解，用于优化产量和资源分配。
这种集成的技术三元组解决了农业中的基本挑战。它通过结合高分辨率无人机监测（每像素0.1–5厘米）进行频繁的时间评估，以及提供广阔空间覆盖（每像素10–30米）的卫星影像，克服了时空限制。此外，深度学习模型能合成复杂的多维数据集（包括光谱、热力和地形信息），以高精度（>95%）量化作物健康、营养缺乏和害虫风险。机器学习驱动的分析系统地将田间观测外推至区域农业管理策略，经验证可提高灌溉效率20–25%，并在不影响作物生产力的前提下减少氮肥施用31 kg ha?1。
实证研究证实了集成无人机-卫星-机器学习系统在精准农业中的变革性影响。无人机与卫星数据融合将作物产量预测精度提高至R2 = 0.83，而人工智能驱动的病害检测在症状出现前2–3周识别感染的准确率达到81–95%。这些技术驱动的资源优化使运营成本降低20–25%，同时推进了环境可持续性目标。
尽管取得了这些进展，持续的挑战阻碍了广泛采用。计算需求巨大，需要GPU密集的机器学习训练（每个模型50–200小时）来处理大规模数据集（每季10–100太字节）。算法泛化仍然存在问题，特别是在跨不同农业生态区转移时，深度学习模型（如CNN和RNN）会出现12–18%的性能下降。显著的基础设施差距也阻碍了采用，例如高昂的无人机运营成本（每平方公里500–2000美元）和传感器互操作性问题，限制了小农户的可及性。
本综述综合了在精准农业中整合无人机、卫星遥感和机器学习的最新进展和关键障碍。其主要目标有三：(1) 评估高分辨率无人机数据、卫星尺度监测和机器学习分析对农业决策过程的协同影响，为数据驱动的政策框架奠定基础；(2) 量化资源效率（如水、肥料）、产量预测精度和环境成果方面的经验收益，从而为可持续农场管理和监管指导提供可操作的见解；(3) 识别关键采用障碍——包括计算成本、数据互操作性和可扩展性问题——并提出创新路径以支持政策制定和实际实施，确保在不同农业系统中实现公平和广泛的采用。
2 材料与方法
2.1 文献检索策略
我们遵循PRISMA（系统评价和Meta分析的首选报告项目）框架进行了系统评价。主要检索的数据库包括Web of Science核心合集、Scopus、IEEE Xplore、PubMed/MEDLINE和CAB Abstracts。我们的检索查询结合了布尔运算符和特定领域的关键词，以确保全面覆盖相关文献。具体来说，我们使用了以下检索字符串：(“precision agriculture” OR “smart farm” OR “digital agricult*”) AND (“UAV” OR “drone”) AND (“satellite remote sensing” OR “Sentinel-2”) AND (“AI” OR “machine learning” OR “deep learning”)。我们应用过滤器，仅包括2018年至2025年期间出版且以英文撰写的同行评审文章。初步检索返回2347条记录。在去除重复项并应用纳入和排除标准后，最终有101项研究符合分析条件。
2.2 纳入与排除标准
我们建立了具体的纳入和排除标准来选择与我们的研究目标相关的研究。如果研究整合了以下技术中的至少两种：无人机、卫星和机器学习，则被纳入。此外，它们需要报告可量化的指标，如R2、RMSE或产量改进，并包括田间尺度验证。如果研究呈现了未经实证验证的理论模型、专注于非农业应用或使用重复数据集，则被排除。
2.3 数据提取与质量评估
从选定研究中提取的参数被编目在一个结构化矩阵中。提取的参数包括：无人机或卫星影像的细节水平（每像素0.1厘米至30米）、使用的算法架构（如CNN、SVM或随机森林）、预测准确性（通过R2、RMSE或AUC等指标衡量）、投入减少量（如每公顷水耗（升）或氮肥（公斤））以及田间或实验室验证方法（包括地面真实传感器和随机对照试验）。这些增益主要是在温带种植系统（如华北平原和美国玉米带）的控制田间实验中，通过集成无人机-卫星数据融合和基于机器学习的决策支持系统观察到的。我们使用JBI批判性评估工具对观察性和实验性研究进行质量评估，评估抽样方法、测量准确性和潜在混杂因素中的偏倚风险。
2.4 分析框架
我们的分析采用了多阶段证据合成方法：我们列出了技术配置（包括传感器类型和机器学习架构），以提供当前应用的概览。我们通过混合效应模型量化了技术整合与农业成果之间的关系。预测变量包括空间分辨率和机器学习类型，响应变量是产量R2和资源效率。我们使用NVivo 14对出现的挑战（如“数据互操作性”和“计算成本”）进行编码，确保编码者间信度的Kappa系数大于0.85。定量声明（如报告的灌溉减少20–25%）通过对照原始来源进行交叉验证。
2.5 技术验证
为确保我们研究结果的稳健性，我们独立验证了引用研究中的关键性能指标：(1) 在可获取的情况下，我们从原始光谱波段数据重新计算了NDVI/EVI相关性，以确认植被指数的准确性。(2) 对开源算法（如Sa等人的杂草检测CNN）在基准数据集（如WeedMap）上进行了测试以验证其性能。(3) 我们模拟了大规模应用（特别是针对10,000公顷的农场）的数据处理负载，使用Google Earth Engine API评估计算可行性。这些模拟配置为8个vCPU和32 GB RAM，处理Sentinel-2影像的季节性合成（每10,000公顷约500 GB），每个合成的平均执行时间为12.5 ± 2.8分钟，证明了该平台高效、大规模农业分析的能力。通过整合这些方法步骤，我们旨在对无人机、卫星遥感和机器学习在精准农业中整合的现状和潜力进行全面评估。
3 不同技术在农业中的应用
3.1 无人机在精准农业中的应用
精准农业的进步已牢固确立了无人机在现代农业实践中不可或缺的工具地位。无人机在监测作物健康、评估田间变量和实施针对性作物保护策略方面发挥着关键作用。配备多光谱、热红外和高光谱传感器，无人机能够快速获取高分辨率图像，捕捉详细的时空农业数据。复杂的深度学习算法，包括卷积神经网络(CNN)和循环神经网络(RNN)，处理这些数据以高精度识别关键指标，如植被覆盖、水分胁迫和营养缺乏。这些机器学习技术增强了对无人机衍生数据集的解释，实现了数据驱动的优化作物管理决策。
选择无人机系统需要仔细评估有效载荷能力、续航时间、飞行稳定性和数据处理能力，以最大限度地减少噪声并确保高质量的田间数据。微型固定翼和多旋翼无人机因其机动性和悬停能力而在精准农业中特别有利，便于进行详细检查。选择高光谱相机、激光雷达(LiDAR)和热红外传感器等传感器同样至关重要，因为在战略整合时，它们能提高作物状况评估的准确性。然而，合成来自多个传感器的数据（例如，将DJI Phantom 4 Multispectral的多光谱图像与FLIR Tau2的热数据或Headwall Nano-Hyperspec的高光谱数据相结合）在可扩展性和分析方面提出了重大挑战，尤其是在异质农业环境中。
无人机通过将高分辨率图像与实时分析相结合来跟踪作物健康、预测产量和减轻病虫害爆发，彻底改变了农业监测。先进的遥感技术，包括植被指数计算和土壤特性评估，利用多光谱和高光谱数据来优化水分利用效率和养分管理。机器学习算法通过生成指导精准田间干预的详细农场地图，进一步增强了这些能力，与传统方法相比显著提高了资源效率并减少了环境影响。尽管取得了这些进展，但由于数据量巨大且需要高精度算法，将无人机数据与卫星遥感整合用于大规模监测仍然面临挑战。
持续的障碍包括管理海量数据集、确保算法可靠性和保持数据处理效率。机器学习模型的不准确性可能导致有缺陷的农业决策，这凸显了持续优化数据集成管道的必要性。无人机生成数据的指数级增长进一步需要先进的处理框架，以在不影响可扩展性的情况下保持准确性。新兴解决方案，如云计算平台（例如Google Earth Engine、AWS）和边缘人工智能系统，正越来越多地被采用以高效处理这些大数据量，实现实时分析并减少田间决策支持的延迟。此外，跨不同农业气候条件的模型验证对于确保稳健性至关重要。
总之，无人机代表了精准农业的变革性飞跃，提供了无与伦比的数据收集和分析能力。虽然传感器融合和机器学习集成显著提高了农业精度，但持续的研究必须解决数据管理、算法泛化和跨传感器兼容性方面的挑战。克服这些障碍将释放无人机技术的全部潜力，推动全球可持续和高效的农业实践。
3.2 土壤养分与作物生产力
卫星遥感已成为现代农业监测的基石，利用高分辨率多光谱图像和合成孔径雷达(SAR)以前所未有的精度跟踪作物生长、评估植被健康和预测产量。先进的机器学习算法，包括支持向量机(SVM)和随机森林(RF)，从卫星数据集中提取关键的农艺参数，实现数据驱动的作物管理决策。这些模型提高了处理效率和预测准确性，揭示了复杂的环境动态，如土壤水分变异性和害虫分布模式。研究表明，机器学习驱动的数据融合框架显著改进了特征选择和解释，为优化农业实践提供了可操作的见解。
多源卫星数据（如光学、多光谱和SAR图像）的集成彻底改变了对农业系统的观测。例如，高分辨率光学图像揭示了植被指数（如EVI2: R2 = 0.77; NDVI: R2 = 0.71）与香蕉开花期产量之间的强相关性，而冠幅（R2 = 0.80）作为叶面积预测因子优于株高（R2 = 0.16）。多光谱数据通过反射率分析支持作物健康评估，指导灌溉和施肥策略。SAR技术通过全天候监测能力进一步补充了这些努力，确保即使在云层覆盖下也能进行不间断的作物 surveillance。这些工具共同实现了从害虫控制到产量优化的广阔农业景观的精准管理。
尽管取得了这些进展，但在高效处理大规模卫星数据集方面仍然存在挑战。整合异构数据源和训练先进机器学习模型的计算需求阻碍了实时应用和可扩展性。解决这些局限性需要优先考虑算法增强，以提高准确性和泛化能力，特别是在不同的农业生态环境中。
卫星和无人机数据之间的协同作用标志着可持续农业的变革性转变。配备高光谱传感器（例如，捕获跨众多窄波段的详细反射光谱）和热红外相机的无人机提供实时植被指数和作物水分状况数据，补充了卫星衍生的多光谱（例如，Sentinel-2的可见光到短波红外波段）和合成孔径雷达(SAR)的见解。关键的预处理步骤包括大气校正、几何配准以对齐来自不同平台的图像、辐射归一化以确保跨传感器的一致测量，以及空间重采样以协调不同的分辨率尺度。这种精细的数据融合增强了害虫检测、灌溉调度和养分管理。然而，技术基础设施的区域差异——例如用于数据传输的有限互联网连接、缺乏高性能计算资源以及无人机和传感器系统的高初始成本——再加上数据分析和机器学习模型解释方面的技能短缺，对大规模实施构成了重大障碍。这些挑战对于小农户尤其严峻，他们面临高昂的设备成本和有限的技术培训机会，因此凸显了对成本效益高的解决方案和有针对性的能力建设倡议的需求。
总之，卫星遥感对于推进精准农业不可或缺，提供了对作物动态和环境条件的细致洞察。虽然机器学习和数据融合推动了进步，但计算效率、模型适应性和资源可及性方面的持续挑战必须得到解决。未来的努力应侧重于算法创新和可扩展框架，以充分利用卫星技术在培育可持续、高效农业系统方面的潜力。
3.3 机器学习支持的决策分析
机器学习(ML)技术融入精准农业，催化了农业数据管理和决策过程的范式转变。本综合评估评估了该领域的开创性研究，分析了它们的方法创新、技术贡献以及需要改进的领域。通过全面检查，我们阐明了在现代农业系统中实施机器学习解决方案的变革潜力和固有挑战。
深度学习架构显示出特殊的潜力，例如Zhao等人(2020)用于SAR到光学图像转换的多CNN序列到序列(MCNN-Seq)模型。在多种作物类型上实现R2值0.9157-0.9824，该方法有效规避了云层遮挡挑战，同时保持了操作可靠性。互补的发展包括Hamer等人(2020)的papros R包，它将空间区域化与机器学习相结合，以预测特定作物病原体爆发的发生率，总体准确率为68%（预测爆发事件发生的准确率为91%）。这些进展凸显了深度学习处理多维农业数据集的能力，实现了实时决策支持系统。
集成学习方法在环境胁迫分析中显示出特殊的效力。Du等人(2024)展示了XGBoost-SHAP集成如何提供预测精度（R2=0.85-0.91）和对臭氧污染影响小麦产量的可解释见解。这种双重能力满足了行业对可操作情报和统计准确性的关键需求。
田间实施揭示了切实的运营效益。Thompson和Puntel(2020)基于无人机的氮管理系统实现了18.3 ± 6.1 kg grain/kg N的效率增益，同时减少了31 ± 6.3 kg N ha?1的氮肥用量，证明了机器学习可持续集约化的能力。González-Rodríguez等人(2024)报告人工智能驱动的病害管理系统达到>95%的检测准确率和症状出现前2–3周81-95%的爆发预测率，可能减少16%的产量损失，同时减少农药使用。
尽管取得了这些进展，仍有几个局限性值得考虑。跨农业背景的性能变异表明需要自适应模型架构。机器学习系统的数据密集型性质——需要高分辨率无人机、卫星和物联网传感器输入——对资源受限的操作构成了重大基础设施挑战。当前模型还不足以捕捉多因素胁迫相互作用，Du等人(2024)指出在表示气候-污染对作物生理的综合影响方面存在关键差距。
比较分析揭示了明显的算法权衡：传统机器学习方法（SVM、RF）为结构化数据处理提供了计算效率和可解释性，而深度学习在非结构化数据分析和时空模式识别方面表现出色。未来的研究重点应强调：1) 开发用于跨区域适应的迁移学习框架；2) 创建边缘计算解决方案——例如在无人机或田间物联网网关上部署轻量级模型——以减少对云的依赖，实现具有亚秒延迟的实时田间决策，并最小化数据传输带宽；3) 建立整合农艺专业知识与计算创新的多学科合作。这些边缘系统，虽然原始处理能力低于云平台，但对于实时害虫检测和自动灌溉控制等时间敏感应用至关重要，提供了与基于云的批处理互补的范式。
机器学习-精准农业的联系代表了农业技术的一个分水岭时刻，实现了前所未有的农场管理精度。要大规模实现这一潜力，需要解决模型泛化、数据基础设施和多因素系统建模方面的持续挑战。例如，在美国玉米带数据上训练的产量预测模型，如果直接应用于东非的小农系统而不进行适应性调整，可能会经历12–18%的性能下降。相反，成功的迁移学习应用已经得到证明，例如在大型、多样化卫星图像数据集（如BioMassters）上预训练的模型，当用有限的本地数据进行微调后，在估计新的、先前未见区域的 above-ground biomass 方面显示出稳健的性能。对自适应算法、分布式计算架构和转化研究伙伴关系的战略投资，对于普及这些技术和建设能够满足21世纪需求的气候适应性全球粮食系统至关重要。
4 不同技术的整合
4.1 无人机与卫星数据融合的应用
无人机(UAV)技术、卫星遥感和机器学习(ML)架构的整合从根本上重新定义了精准农业的能力，实现了作物监测的前所未有的粒度，同时通过增强的决策系统推动可持续生产。本批判性分析考察了现代农业框架内的关键技术实施、其可衡量的影响和持续的实施挑战。
多源数据融合的最新进展展示了显著的运营改进。Liu等人(2024)通过冠层双指数集成，实现了R2值0.75（植株氮积累量）和0.60（氮营养指数），将相对均方根误差(RRMSE)分别降低至28.71%和24.62%。这种混合方法利用了无人机的高分辨率多光谱成像（每像素0.1–5厘米）结合卫星的广域覆盖（每像素10–30米），在保持公顷级运营视角的同时，实现了厘米级的养分管理。互补的植被指数应用（NDVI、GNDVI、具有优化L参数的SAVI）通过多光谱模式识别进一步提高了作物健康监测的精度。然而，异构数据融合的技术复杂性和高昂的无人机运营成本（亚分米分辨率每平方公里约500–2000美元）给小规模农业经营带来了显著的采用障碍。虽然这种成本远高于传统的地面勘察（每平方公里约50–150美元），但基于无人机的方法提供了更频繁、一致和高分辨率的数据，从而在水分、肥料和农药方面实现更精确的投入应用和潜在的长期成本节约。
深度学习实施在自动化农业分析中显示出特殊的潜力。Taha等人(2022)使用卷积神经网络(CNN)在水培营养缺乏检测中展示了99.1%的分割准确率，而Sa等人(2018)通过多光谱无人机数据处理将杂草/作物分类的AUC分数从[0.576-0.681]提高到[0.782-0.863]。这些架构实现了对精准养分管理至关重要的实时诊断（每图像处理时间<2秒）。尽管如此，计算需求仍然很大，CNN模型训练通常需要16–32 GB GPU内存——这是现场部署的一个重大基础设施障碍。
集成的机器学习系统在农业指标上实现了可衡量的性能增益。Hegarty-Craver等人(2020)报告通过无人机-卫星数据融合，作物分类准确率提高了13-24%（总体83%，玉米特异性91%），而Maimaitijiang等人(2020)使用混合传感器输入实现了R2=0.923（RMSE = 18.8%）的生物量估计精度和R2=0.927（RMSE = 15.1%）的叶面积指数(LAI)准确率。多源遥感推荐算法(MRS_AMRA)通过实时土壤-作物-气候监测进一步增强了系统响应能力，在自适应资源分配中实现了NDCG@50（衡量排名推荐质量的指标）提高22.5%和F1-Score（结合精确度和召回率的分类准确率平衡度量）提高12.1%。这些系统仍然容易受到环境变异的影响——传感器校准漂移（极端条件下精度损失±5-15%）和天气引起的数据噪声需要持续的算法改进。
实施挑战在三个主要领域持续存在：1) 基础设施需求，包括至少25套无人机-传感器设置和每季10–100 TB的数据存储需求；2) 计算复杂性，以模型训练时间从50到200小时为特征；3) 环境适应性，需要稳健的传感器校准以在不同田间条件下保持准确性。
这种技术融合代表了通往气候适应性农业的关键路径，具有将氮肥利用效率提高18-31%的能力，同时通过95%准确率的病害预测系统减少农药应用。将无人机和卫星数据与机器学习相结合，提高了作物产量预测的准确性和资源利用效率，在灌溉玉米和小麦系统的试验中，在中等土壤变异性和受控水氮输入条件下，灌溉成本降低了20%至25%，氮肥施用量减少了高达31 kg ha?1，且不影响生产力。大规模实现这些效益需要共同努力解决当前在系统可负担性、操作复杂性和环境稳健性方面的局限性——这些挑战将定义下一代精准农业创新。
4.2 机器学习算法的创新应用
机器学习(ML)架构的演变通过自适应学习系统和强化学习范式，从根本上改变了精准农业，实现了跨灌溉、施肥和害虫管理领域的农业操作的动态优化。当代实施展示了三个关键能力：1) 自适应神经网络在连续作物监测中实现92-97%的传感器数据保真度；2) Q学习代理通过无人机介导的精准灌溉减少18-34%的用水量；3) 深度强化架构，特别是深度Q网络(DQN)，优化玉米的施肥计划，在减少31%投入的情况下实现22%的产量改进。这个操作框架建立了一个闭环系统，其中实时植被指数（NDRE、NDVI）为自主田间机械的奖励函数提供信息。
深度学习突破正在通过多光谱图像处理重新定义可持续杂草管理。Hu等人(2024)使用混合无人机-卫星数据融合实现了99.2%的杂草辨别准确率，而Li等人(2021)通过对农业管理实践(AMP)类别的主成分分析，在生长阶段聚类中展示了98.7%的方差捕获。这些架构利用5–10厘米分辨率的无人机图像与10–30米卫星数据集成，在保持亚冠层观测精度的同时，实现了宏观尺度的田间评估。然而，实施挑战依然存在，当前模型需要在专用GPU集群（NVIDIA A100/A6000）上训练100–500小时，并且在跨农业生态区转移时显示出12-18%的准确率下降。为了解决在跨区域应用中观察到的泛化差距——其中CNN、RNN和复杂集成方法等模型表现出12–18%的性能下降——已经出现了几种有前景的策略。这些策略包括：迁移学习和领域自适应技术，使用有限的本地数据对预训练模型进行微调，以更好地适应区域条件；在初始模型开发阶段纳入多样化农业生态区的多区域训练数据集；可解释人工智能(XAI)和特征重要性分析，以识别在新环境中哪些输入变量（例如，土壤属性、气候指数）对模型性能影响最大；将基于过程的作物模型与数据驱动的机器学习相结合以增强生理泛化能力的混合建模方法；以及联邦学习框架，使得能够在分布式数据集上训练模型，而无需集中敏感或区域特定数据。
集成学习架构现在实现了前所未有的预测能力，例如Li等人(2022b)利用17个气象和土壤参数的冬小麦产量模型（R2=0.78）。深度作物测绘(DCM)系统代表了作物监测的量子飞跃，结合了LSTM网络和注意力机制，在玉米/大豆测绘中达到85.8%的平均Kappa分数——比传统的USDA-NASS方法优越23-35%。这些进步由物联网传感器网络驱动，每季生成10–100 TB/公顷的数据集，通过延迟小于500毫秒的边缘计算架构处理。
仿生算法在操作优化中显示出特殊的潜力，Maraveas等人(2023)报告通过蚁群优化路径规划节省647-1,866升燃料。当代实施将遗传算法与RTK-GPS系统（2–5厘米定位精度）相结合，实现73-89%的路线效率改进。CNN架构现在以50–100公顷/小时的速度处理多光谱数据（5–12个波段），实现实时害虫检测，准确率达93-97%。
新兴架构通过新颖的计算范式突破性能边界。Sarkar等人(2024)的元变换器/GNN混合通过建模78个环境协变量实现97%的产量预测准确率，而Chen等人(2024)展示了通过DSSAT集成的强化学习在新疆棉花中减少19%的用水量。这些系统利用106–107参数模型在100–500节点GPU集群上训练，代表了下一代农业人工智能的潜力和计算强度（每个训练周期500-2,000千瓦时）。
该领域现在面临三个关键挑战：1) 弥合“泛化差距”（跨区域转移时性能损失15–
