《Computers and Electronics in Agriculture》：Quantum machine learning for agricultural remote sensing: Capabilities, applications, and opportunities
编辑推荐：
•
评估量子机器学习在农业遥感任务中的应用。
•
混合量子-经典模型主导当前的地球观测工作。
•
经典预处理和小型电路推动了大多数报告的QML性能提升。
•
尚未证明存在普遍的量子优势。
•
确定变点检测和QUBO曲线拟合为近期的NISQ（N
- •
评估量子机器学习在农业遥感任务中的应用。
- •
混合量子-经典模型主导当前的地球观测工作。
- •
经典预处理和小型电路推动了大多数报告的QML性能提升。
- •
尚未证明存在普遍的量子优势。
- •
确定变点检测和QUBO曲线拟合为近期的NISQ（Noisy Intermediate Short-Quality）应用机会。
引言
农业遥感的应用依赖于来自卫星、无人机和机器人平台的地理空间信息、土壤地图、天气和气候模型、地形信息以及传感器网络，以表征作物和景观状况（Atzberger, 2013; Zhang and Kovacs, 2012）。这些数据源使得一系列预测任务成为可能，包括作物类型识别、产量估算、土壤湿度及灌溉模式绘制，以及害虫或病害压力检测（White et al., 2020; Dong et al., 2019a; Weiss et al., 2020）。由于这些应用整合了具有不同空间和时间分辨率的异构数据集，它们对现有的建模框架提出了巨大的计算需求（Wang et al., 2024）。
量子计算的最新进展激发了人们对量子架构在处理农业预测任务所需复杂高维工作负载方面潜力的兴趣。量子系统使用量子比特（qubits）进行操作，这些量子比特是量子信息的基本单位，可以存在于0和1的经典状态的叠加态中，并能够相互纠缠。因此， certain 类型的问题可以通过比经典机器更高的并行性来探索（Nielsen and Chuang, 2010）。预计量子算法的并行性将降低在传统硬件上表现不佳的任务的运行时间或能量成本（Liliopoulos et al., 2025）。尽管当前的量子设备在规模和保真度上仍有限，但其长期潜力激发了人们对农业遥感领域量子机器学习（QML）方法的初步研究。
理解QML的一个有用方法是通过其与机器学习中核方法的正式对应关系，其中数据被嵌入到一个更高维度（可能是无限维度）的特征空间中，在该空间中线性方法足以完成在原始表示中为非线性的计算（Schuld and Killoran, 2019）。在量子支持向量机（QSVMs）中，经典数据被映射到量子状态，然后使用量子电路来定义一个（量子）核函数，该核函数可以高效地计算量子状态的内积，这在经典计算机上可能是难以处理的。因此，QSVMs使用量子处理器进行核函数估计，但在训练期间使用经典计算机进行优化。第2.2节将进一步发展这种核函数的观点，包括量子核函数可能优于经典核函数的理论条件。早期针对农业的研究通常将量子模型应用于简化或小样本版本的遥感问题，将量子方法视为对经典方法的补充而非替代（Pook et al., 2025）。
Aburaed等人（2026）的一项最新系统综述调查了量子机器学习在更广泛的地球观测（EO）工作流中的应用，包括分类、分割、融合、配准和恢复，并得出结论：尚未证明存在普遍的量子优势，报告的性能提升很大程度上取决于经典基线的强度。在这里，我们特别关注农业遥感，因为其约束条件与通用EO不同，这些约束直接影响了QML的可行性。首先，主要的农业任务是由物候驱动的，物候变化受到自然因素和人为因素的共同影响。作物制图、产量估算和压力检测依赖于整个生长季节内采样的多时相Sentinel-1/2数据轨迹，而大多数广泛的EO QML文献则关注静态基准（如EuroSAT土地利用和土地覆盖数据集）的单场景分类。其次，农业中的标签稀缺且成本高昂。它们来源于实地调查、行政地块声明或收获记录；与特定季节和地区相关；并且很少跨这些因素转移。这种长期的标签稀缺性对QML至关重要，因为正是在非常小的训练集上，量子核方法显示出最可信的经验优势（Shaik et al., 2025）。第三，农业数据具有强烈的空间自相关性，因此诚实评估需要空间分离的训练和测试区域（空间分组），而这并不是许多通用EO基准所要求的（Roberts et al., 2017）。第四，农业监测需要在生长季节及时获得结果，并且需要将图像数据与土壤、天气和管理数据结合起来，这是通用EO工作流程很少面临的。这些差异决定了哪些QML方法值得追求。在农业中，能够容忍小标记集、短多变量时间序列和具有二次无约束二元优化（QUBO）结构的子问题的方法比在通用EO中更为重要。
因此，本综述有两个目标。首先是总结农业遥感中QML应用的现状，突出哪些任务最适合量子加速（第2节）。第二个是确定在未来五到十年内，鉴于量子硬件和算法设计的预期进步，哪些任务可能取得进展（第3节）。我们提供了一个关于农业QML任务的高层次且易于理解的概述，强调概念直觉和代表性示例，而不是技术细节。
章节摘要
农业遥感中当前QML的现状
多模态数据集，如合成孔径雷达（SAR）后向散射和多光谱反射率时间序列，经常被用作机器学习模型的输入，用于核心遥感任务。例如，作物类型制图、产量估算、土壤湿度和灌溉状态绘制，以及地块级边界划定。QML架构通常从预处理步骤开始，执行图像数据的降维和编码（图1）。
当前的机会
前一节回顾了已发表的研究；本节将重点从总结已发表的证据转向提出发展方向。下面提出的两个机会——变点检测和基于QUBO的曲线拟合——据我们所知，尚未通过量子方法在农业数据上得到验证。我们将其作为具体的、可测试的研究设计提出，这些设计的所有组成部分（数据集、编码、基线和硬件）都目前已经存在，而不仅仅是报告的结果。
农业中QML的未来展望
随着量子计算技术的迅速发展，其对农业遥感的潜在贡献可能会随着硬件能力和量子算法的不断成熟而扩大。在本节中，我们概述了短期内（大约未来五年）和更长期内（直到下一个十年）可能实现的目标（见图3）。我们关注哪些遥感任务可以通过基于量子的方法得到解决或有意义的改进。
结论
量子计算，包括QML，在农业遥感方面仍处于早期阶段，但它展现了巨大的潜力。截至2026年，最适合量子方法的任务相对是小规模的分类和模式识别问题，例如作物类型识别或卫星图像中的简单异常检测，其中数据可以简化为适合几个量子比特的特征集。现有研究表明，混合量子-经典模型可以...
CRediT作者贡献声明
Amanjot Bhullar：撰写——审阅与编辑、初稿撰写、可视化、概念构思。Nathaniel K. Newlands：撰写——审阅与编辑、监督、项目管理、资金获取、概念构思。R. Ayesha Ali：撰写——审阅与编辑、监督、概念构思。Etienne Lord：撰写——审阅与编辑、资金获取、概念构思。Catherine Champagne：撰写——审阅与编辑、概念构思。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系，这些关系可能会影响本文所述的工作。
致谢
AB、NKN、EL和CC得到了加拿大国家研究委员会（NRC）协调管理的量子研究与发展计划（QRDI）的资助，该计划旨在促进加拿大的联邦量子研究与发展，并与加拿大的国家量子战略（NQS）相衔接，同时也得到了加拿大农业与农业食品部的支持（项目编号J-003229）。AB和AA还得到了NSERC（发现基金编号2021-02856）的资助。这些资金来源未参与研究设计；
Amanjot Bhullar | Nathaniel K. Newlands | R. Ayesha Ali | Etienne Lord | Catherine Champagne
