基于遥感的机器学习与深度学习在农业和林业中的应用：产量估算、土地覆盖制图与植物胁迫——系统综述（2020–2025）

《Remote Sensing Applications: Society and Environment》：Remote Sensing-Based Machine Learning and Deep Learning for Agriculture and Forestry: Yield Estimation, Land-Cover Mapping, and Plant Stress – A Systematic Review (2020–2025)

　　

摘要

背景

遥感与机器学习（ML）和深度学习（DL）的融合在农业和森林监测领域迅速发展，产生了异质性的文献体系，需要系统性综合。

目标

本研究旨在识别2020年至2025年证据库中采样到的近期方法论模式，评估报告实践，并突出遥感—人工智能（AI）在农业和林业监测应用中的研究空白。

方法

一项涵盖2020年至2025年的系统性文献综述分析了105篇研究文章。通过四个数据库（IEEE Xplore、Scopus、Web of Science和ScienceDirect）进行比例分层抽样，并辅以搜索术语的试点测试和语义扩展。采用结构化的三阶段协议提取算法、传感器、应用和评估指标的相关信息。

主要结果

卷积神经网络在土地覆盖制图和分割任务中占主导地位，而长短期记忆网络和Transformer在产量估计和植物胁迫监测等应用的时间序列分析中得到广泛应用。当特征工程稳健时，随机森林、梯度提升决策树和支持向量机等经典机器学习方法仍具有竞争力。多模态融合，包括光学—合成孔径雷达（SAR）集成，在光学观测受云层限制时用于保留互补的结构信息，但气候分层比较仍然稀少。在林业方面，高光谱成像（HSI）与光检测与测距（LiDAR）结合三维卷积神经网络（3D-CNN）架构可提高物种区分度。将生物量或叶面积指数（LAI）与作物模拟器相结合的杂交作物—AI模型增强了生理一致性并提高了早期产量预测能力，但在时空验证、不确定性量化和标准化评估指标方面仍存在局限性。

结论

实际部署需要严格的时空验证方案、明确的不确定性估计和标准化评估协议。

影响与意义

这些发现为开发可扩展的遥感—AI监测系统提供了方法论指导，并突出了优先研究方向，包括多模态数据融合、混合过程—AI模型以及数据稀缺的农业和林业环境中的高效学习策略。

各章节片段

背景与动机

人工智能（AI）在农业和农林部门的融合正在持续且渐进地增强，涵盖了区块链、云计算、物联网（IoT）、机器学习（ML）和深度学习（DL）在整个生产周期中的实施（Meshram等，2021）。这一技术融合特别应用于无人机（无人驾驶飞行器）所搭载的多光谱和高光谱传感器。

方法

本文按照Brereton等人（2007）提出的系统性文献综述（SLR）三阶段指南撰写，并采用了Tebes等人（2020）提出的改进方案，如图2所示：

结果

以下系统性综述涵盖了2020年至2025年间发表的105篇研究论文，这些论文采用机器学习（ML）或深度学习（DL）技术分析农业系统和森林覆盖的遥感数据。

讨论：所应用方法中的趋势与空白

系统性文献综述有选择性地选取了近期证据的代表性样本，省略了对该领域整个历史演变的全面概述。在2020年至2025年的样本中，深度学习在密集图像和序列数据的分析中占主导地位。相反，经典机器学习在特征工程信息量充足且样本量有限时仍保持竞争力。多模态融合和过程耦合的作物—AI模型展现出前景。

结论

最广泛使用的方法包括用于制图和分割的卷积神经网络（CNN），在处理多日期或高光谱序列时采用三维扩展；用于时间序列的长短期记忆（LSTM）和Transformer网络；以及作为稳健基线的随机森林（RF）、梯度提升（GBDT）和支持向量机（SVM）系列。在某些场景下，用于不确定性处理的贝叶斯网络和混合CNN-RNN……

CRediT作者贡献声明

Héctor Javier Gómez Díaz：写作—审阅与编辑、验证、软件、数据管理。David Alejandro Gracia Rojas：写作—原稿撰写、验证、方法论、形式化分析。Richard de Jesús Gil Herrera：写作—审阅与编辑、监督、方法论、概念化。

未引用的参考文献

Alciaturi等，2025；Cao等，2021；Feng等，2020；联合国粮农组织；Liu等，2023；Liu等，2025；Wang等，2022；Wang等，2020；Zhang等，2020。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。作者没有相关的财务或非财务利益需要披露。

数据可用性

本系统性文献综述未生成新的主要数据集。文中综合的证据来源于手稿中引用的已发表研究。

手稿准备过程中生成式AI和AI辅助技术的声明

在准备和修订本文过程中，作者使用ChatGPT和DeepL改进了手稿的语言、可读性和组织。作者对所有AI辅助内容进行了批判性审阅、验证和编辑，并对已发表文章的内容承担全部责任。

资金支持

本研究未获得任何资金、拨款或其他支持。

利益冲突声明

? 作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

David Alejandro Gracia Rojas | Héctor Javier Gómez Díaz | Richard de Jesús Gil Herrera

哥伦比亚 波哥大首都区 国家开放大学