Интеграция дистанционного зондирования и машинного обучения для точного земледелия: обзор достижений

1. Введение

В условиях быстрого глобального изменения климата сельскохозяйственная практика сталкивается с беспрецедентной неопределенностью и проблемами, такими как глобальное потепление, повышение уровня моря, засуха и наводнения, а также другие экстремальные гидроклиматические явления, которые часто случаются [1, 2, 3, 4].

В то же время ожидается, что к 2030 году численность населения планеты достигнет 8,7 миллиарда человек, а к 2050 году — 9,7 миллиарда, что, несомненно, окажет огромное давление на мировое производство продуктов питания [5]. Однако отрадно, что в последние годы, благодаря увеличению инвестиций в науку, технологии и сельскохозяйственные исследования, развитие сельского хозяйства достигло конкретных результатов [6, 7].

Этот прогресс не только меняет традиционный способ сельскохозяйственного производства, но и направлен на оптимизацию сельскохозяйственных ресурсов (семян, водных ресурсов, химикатов) за счет применения передовых технологий (таких как дистанционное зондирование, алгоритмы машинного обучения, сельскохозяйственные роботы и т. д.), эффективного управления изменчивостью урожая, поддержания или даже увеличения урожайности и умелого предотвращения потенциальных потерь, тем самым повышая эффективность и рентабельность сельскохозяйственных систем [8].

Например, в 2023 году Йомо и др. использовали алгоритм максимального правдоподобия на основе изображений дистанционного зондирования Landsat-8 для классификации землепользования и земельного покрова, и, используя метод моделирования многослойного перцептрона-цепи Маркова, показали, что общая точность (коэффициент Каппа) достигает 92 % [9].

Это исследование показывает, что точность мониторинга и распознавания в сельском хозяйстве может быть значительно улучшена за счет интеграции передовых технологий дистанционного зондирования и алгоритмов машинного обучения. Кроме того, в другом исследовании для изучения характеристик прогрессивной чувствительности к полеганию различных сортов риса используется интегрированный обучающий классификатор случайного леса, основанный на технологии многоспектрального (444–842 нм) слияния данных беспилотного летательного аппарата, с общей точностью 96,1% [10].

Эти примеры доказывают эффективное применение передовых технологий и алгоритмов в ПА. Хотя ПА предлагает множество преимуществ, нельзя игнорировать такие ограничения, как точность информации, большие требования к данным, сложность эксплуатации и высокие первоначальные затраты [11]. Поэтому для большинства стран мира необходимо активно продвигать скоординированное развитие ПА, дистанционного зондирования (ДЗ) и машинного обучения (МО); обеспечивать безопасность сельскохозяйственного производства; и строго соблюдать «красную линию» безопасности пищевых продуктов.

В последние годы исследователи занимаются многомерным, глубоким изучением и прилагают значительные усилия к развитию ПА, что в основном отражается в исследованиях и применении новых технологий, охватывающих многие ключевые звенья, такие как подготовка персонала, поддержка политики и т. д. [12, 13]. Цель состоит в преодолении недостатков традиционного сельского хозяйства, таких как трудоемкость и тяжелая рабочая сила, нерациональное использование ресурсов, нестабильный урожай и загрязнение окружающей среды [14, 15].

В этом контексте точный мониторинг роста и состояния сельскохозяйственных культур в различных масштабах, в разных местах и ​​условиях в режиме реального времени, а также использование данных с различным временным разрешением для решения разнообразных задач является сложной и критически важной задачей. Фактически, быстрая реакция на экстремальные события в соответствии с меняющимися климатическими условиями является сложной и критически важной задачей [16, 17].

К счастью, технология дистанционного зондирования быстро развивается в сельском хозяйстве, лесном хозяйстве, гидрологии, охране окружающей среды и других областях благодаря своим уникальным преимуществам (таким как синхронизация, своевременность, пространственно-временная непрерывность и возможность наблюдения в больших масштабах) [18, 19, 20, 21, 22].

ДЗ — это технология, позволяющая получать информацию о поверхности Земли без физического контакта. Она использует датчики для захвата и записи сигналов электромагнитного излучения, отраженных, испущенных или рассеянных от поверхности Земли на большом расстоянии, а затем для непрерывной идентификации, измерения и оценки характеристик целевых объектов, расположенных на поверхности Земли, над ней или даже под ней, путем анализа этих сигналов [23].

Это не только значительно повышает эффективность сбора сельскохозяйственной информации, но и обеспечивает мощную поддержку в борьбе с экстремальными погодными условиями в сельском хозяйстве, позволяя земледельцам своевременно принимать меры по снижению последствий стихийных бедствий и обеспечению безопасности и стабильности сельскохозяйственного производства [24, 25].

Кроме того, с развитием алгоритмов инверсии ДЗ (линейная регрессия, физическая модель PROSAIL, нейронные сети) появились также наборы данных инверсии на основе изображений ДЗ, включая наборы данных продуктов инверсии на основе изображений MODIS, Landsat-8 и Sentinel-2, например, инверсия качества воды и элементов водной среды, инверсия параметров растительности, инверсия температуры поверхности земли и инверсия параметров почвы. Эти данные предоставляют надежные и исключительно богатые источники информации для сельскохозяйственных исследований, связанных с ДЗ [26, 27, 28].

Хорошо известно, что большинство сельскохозяйственных данных дистанционного зондирования включают информацию, предоставляемую видимым светом и ближним инфракрасным излучением, отраженным (или прошедшим) растениями, измеренным по длине волны, например, спектральное отражение [29].

В зависимости от изменений растительности, спектральные данные, обычно используемые в ПА, включают видимый (400 нм), ближний инфракрасный (700 нм) и коротковолновый инфракрасный (1300 нм) свет [30, 31]. Кроме того, многоспектральное дистанционное зондирование и гиперспектральное дистанционное зондирование также доказали свою эффективность в качестве средств фенотипического анализа растений, получения индексов урожая имониторинга стресса [32].

Например, широко используются данные дистанционного зондирования европейского спутника Sentinel-2, ENVISAT MERIS, французского спутника SPOT, спутника NOAA AVHRR, индийского Hyperion, китайской серии GF и HJ [33, 34, 35]. Стоит отметить, что появление беспилотных летательных аппаратов (БПЛА) знаменует собой новую эру дистанционного зондирования. БПЛА — это тип беспилотных летательных аппаратов малого размера, которые часто используются для доставки оборудования дистанционного зондирования для сбора аэрофотоснимков.

Они могут предоставлять более обширные и полные данные спектрального, пространственного и временного разрешения, данные о высоте растительности и многоракурсные наблюдения, а также демонстрируют высокую эффективность, удобство, низкую стоимость и высокую адаптивность [36]. Существует множество успешных примеров их использования в классификации сельскохозяйственных культур, обнаружении сорняков и мониторинге растительности, что доказывает целесообразность использования БПЛА в природоохранной деятельности [37].

Например, в 2024 году Маркес и др. преодолели ограничения ограниченного спектрального охвата на основе БПЛА, особенно в условиях низкой освещенности, тумана или дыма, для достижения эффективного, распределенного и точного мониторинга в режиме реального времени [38]. Бах и др. использовали изображения с БПЛА для обнаружения сорняков в поле в 2017 году с точностью более 90% [39]. Ян и др. в 2017 году использовали информацию с изображений БПЛА для выявления полегания риса на основе алгоритма дерева решений (ДД) с общей точностью 96,17% [40].

В качестве основного средства обработки информации о дистанционном зондировании в сельском хозяйстве, модель машинного обучения (ML) получила широкое распространение и глубокое изучение в последние годы. ML — это метод анализа данных, позволяющий компьютерным системам автоматически изучать закономерности и правила на основе данных без явного программирования [41].

Исследователи, как правило, используют ML в качестве интегрированной структуры для сбора признаков и классификации, прогнозирования или поддержки принятия решений [42]. С улучшением вычислительной мощности больших данных многие классические алгоритмы были оптимизированы и улучшены, и продолжают появляться новые модели и методы [43].

К распространенным методам ML относятся DT, метод опорных векторов (SVM) и логическая регрессия (LR). Суть этих методов заключается в выявлении оптимизированных методов получения статистической информации для автоматического и эффективного решения практических задач, таких как классификация и регрессия [44].

Кроме того, метод сверточной нейронной сети (CNN), основанный на ML, предлагает уникальные преимущества в области обработки изображений. Он может автоматически извлекать глубинные признаки из изображений и достигать точных задач классификации или распознавания [45]. Благодаря своим уникальным возможностям представления данных, эти технологии могут автоматически обучаться и извлекать ценную информацию, эффективно избегая сложности и субъективности, присущих традиционным методам, что значительно повышает эффективность и обобщаемость обработки данных дистанционного зондирования с разных платформ [46]. Именно эти преимущества машинного обучения привлекли больше внимания исследователей и экспертов в области сельского хозяйства, которые определили его как движущий фактор развития ПА [47, 48, 49, 50, 51].

Ввиду серьезных проблем, создаваемых глобальным ростом населения, нехваткой ресурсов и изменением климата для традиционных моделей сельского хозяйства, целью данного исследования является изучение методов содействия развитию точного земледелия путем интеграции технологий дистанционного зондирования и алгоритмов машинного обучения.

Для достижения этой цели, используя ключевые слова, такие как «дистанционное зондирование (ДЗ)», «машинное обучение (МО)» и «точное земледелие (ТЗ)», мы использовали базы данных Web of Science, Scopus, Google Scholar и PubMed для поиска соответствующей литературы за период с 2014 по 2024 год. Мы отобрали более 12 000 соответствующих исследовательских статей и провели количественный анализ этих статей (как показано на  рисунке 1 ).

Результаты анализа показывают, что количество соответствующих публикаций в целом демонстрировало тенденцию к росту в течение десятилетия с 2014 по 2024 год (как показано на  рисунке 1а ). Для обеспечения всесторонности и глубины исследования, на основе предварительного поиска мы также объединили ключевые слова, такие как «сельскохозяйственный мониторинг», «выявление болезней и вредителей», «землепользование и управление», «прогнозирование урожайности» и «устойчивое развитие сельского хозяйства», для дальнейшего отбора.

После тщательного отбора было выявлено более 330 рецензируемых статей, опубликованных в период с 2014 по 2024 год, относящихся к сельскохозяйственным наукам, наукам об окружающей среде и смежным междисциплинарным областям, из которых видно, что количество научных работ также увеличивается с каждым годом (как показано на  рисунке 1b).

Кроме того, с точки зрения международного сотрудничества и регионального распределения, исследователи из Китая, США, Бразилии и других стран внесли значительный вклад в применение дистанционного зондирования и машинного обучения в точном земледелии. Однако в то же время мы отмечаем очевидный дисбаланс в пространственном распределении этих исследований и большие различия в научном вкладе между различными регионами (как показано на  рисунке 2).

Таким образом, на основе углубленного анализа и обобщения существующих результатов исследований мы систематически систематизируем состояние применения технологий дистанционного зондирования и машинного обучения в точном земледелии и обсуждаем текущие проблемы и возможные направления будущего развития в этой области. Следовательно, данное исследование имеет важное теоретическое и практическое значение.

Рисунок 1.  Динамика изменения количества рецензируемых статей, опубликованных за последние 10 лет, на основе поиска по ключевым словам с течением времени. ( а ) Используя базы данных Web of Science, Scopus, Google Scholar и PubMed, мы провели поиск по 12 000 статьям, опубликованным за последние 10 лет; ( б ) динамика изменения количества рецензируемых статей, опубликованных в области сельскохозяйственных наук, наук об окружающей среде и смежных областях за последние 10 лет, на основе ключевых слов.

Рисунок 2.  Географическое распределение исследований в области точного земледелия, основанных на сочетании технологий дистанционного зондирования и машинного обучения; изменение цвета отражает разницу в количестве исследований.

2. Технология дистанционного зондирования и методы машинного обучения

2.1. Данные дистанционного зондирования в точном земледелии

Несомненно, применение технологии дистанционного зондирования в сельском хозяйстве значительно способствовало сельскохозяйственной реформе. Эта технология позволяет нам регулярно и дистанционно собирать глобальные данные о поверхности Земли, обеспечивая беспрецедентное удобство для сельскохозяйственного производства и управления [52, 53, 54].

С помощью различных датчиков мы можем напрямую или косвенно получать информацию практически обо всех ключевых элементах сельскохозяйственной практики, включая данные о росте урожая, мониторинг влажности почвы, наличие вредителей и раннее предупреждение о них, а также прогнозирование урожайности. В то же время, широкий географический охват и разнообразное разрешение технологии дистанционного зондирования также обеспечивают ценную информационную поддержку для сельскохозяйственного производства и управления [55].

Как показано на  рисунке 3, спутники дистанционного зондирования с различным разрешением играют важную роль в различных методах ведения сельского хозяйства и, опираясь на различные характеристики и преимущества, всесторонне удовлетворяют специфические потребности в ведении сельского хозяйства с разных сторон [56, 57].

Благодаря постоянному обновлению и модернизации датчиков дистанционного зондирования, руководители и специалисты в области сельского хозяйства будут и дальше извлекать выгоду из углубленного применения технологии дистанционного зондирования; Например, использование данных дистанционного зондирования демонстрирует высокую практичность и эффективность при оценке и мониторинге сельскохозяйственной практики [58, 59].

Рисунок 3.  Комплексная схема применения различных спутников дистанционного зондирования в точном земледелии.

В целом, при получении данных дистанционного зондирования ценность изображений ДЗ с соответствующим разрешением, диапазоном, надежным качеством и экономической эффективностью может быть максимизирована, если они выбраны в соответствии с конкретными сельскохозяйственными проблемами [60, 61].

Например, использование ежедневных данных NDVI с разрешением 10 м с изображений Sentinel-2 позволяет быстро, эффективно и точно отслеживать дату цветения яблонь, что впоследствии обеспечивает техническую основу для точной классификации и прогнозирования тенденций роста плодовых деревьев [62]. В другом исследовании использование изображений Landsat-8 с пространственным разрешением от 10 до 30 м предоставило перспективное решение для обнаружения болезней в смешанных лесах на юге Китая [63].

В других исследованиях, касающихся обнаружения болезней растений и вредителей, поражающих растительность, точность обнаружения, по-видимому, не является удовлетворительной на основе данных видимого света (780 нм) [64]. В исследовании Чжу и др. 2023 года, хотя использование технологии БПЛА может подтвердить важность полос красного света и смежных полос, оно не достигло желаемых результатов в исследовании болезней растений и вредителей, поражающих растительность [65].

Однако отрадно, что многоспектральные данные дистанционного зондирования с богатым набором полос и широким диапазоном длин волн могут улавливать тонкие изменения в зараженных растениях, пораженных болезнями и насекомыми-вредителями, демонстрируя тем самым отличные возможности для раннего обнаружения вредителей [66]. В своем исследовании 2024 года Рен и др. использовали характеристики БПЛА для быстрого и точного получения информации о состоянии роста урожая на небольших и средних участках [67].

Благодаря эффективной ассимиляции данных дистанционного зондирования с моделью WOFOST с использованием алгоритма фильтра Калмана, точность моделирования урожайности при различных схемах обработки значительно повышается, и сельскохозяйственным производителям предоставляется более точная и надежная информация о прогнозировании урожайности.

В практическом применении дистанционного зондирования, в зависимости от различных требований и сценариев использования, обычно применяются следующие источники данных дистанционного зондирования: гиперспектральное, мультиспектральное и тепловое инфракрасное дистанционное зондирование; дистанционное зондирование с помощью лидара; дистанционное зондирование с помощью синтезированной апертуры; технологии БПЛА и т. д.

Как показано на  рисунке 4, подробно рассматривается применение различных источников данных дистанционного зондирования в дистанционном зондировании, включая распределение по времени и долю источников данных дистанционного зондирования в этом процессе. Эта информация, несомненно, является ценным источником информации для руководителей и специалистов в области сельского хозяйства, помогая им не только лучше понять характеристики и применимость различных технологий дистанционного зондирования, но и оказывая существенную поддержку в принятии научно обоснованных решений в реальных условиях.

Рисунок 4.  Данные дистанционного зондирования, широко используемые в точном земледелии. ( а ) Характеристики распределения различных типов данных дистанционного зондирования во времени, отмеченные разными цветами; ( б ) статистический анализ доли всех типов источников данных дистанционного зондирования на основе литературы, найденной в данной статье.

2.2. Обзор применения алгоритмов машинного обучения в точном земледелии

Концепция машинного обучения (МО) обычно восходит к классической исследовательской статье Алана Тьюринга, опубликованной в 1950 году, а именно к возможности того, что машины могут демонстрировать поведение, подобное человеческому интеллекту [68, 69].

Эта концепция продолжала развиваться в последующие десятилетия и постепенно стала важной отраслью компьютерных наук. Основной принцип МО заключается в автоматическом обучении и суммировании правил во входных данных, обеспечивая точное прогнозирование или классификацию неизвестных данных путем извлечения ключевых признаков и построения функций отображения [70].

Кроме того, как основной компонент искусственного интеллекта, МО дает компьютерным системам возможность эффективно выполнять множество задач и продолжает способствовать инновациям и развитию интеллектуальных технологий [71].

В целом, МО в основном состоит из трех элементов, а именно: модели, целевых функций и алгоритма оптимизации. Модель объясняет корреляцию между входными и выходными данными, а также значение и диапазон параметров, целевая функция измеряет разницу между прогнозом модели и фактическими результатами, а алгоритм оптимизации минимизирует или максимизирует целевую функцию путем итеративной корректировки параметров.

В результате получаются наилучшие параметры модели [72, 73]. В зависимости от типа обучения машинное обучение можно разделить на четыре основные категории: контролируемое обучение, неконтролируемое обучение, полуконтролируемое обучение и обучение с подкреплением [74, 75]. В  таблице 1 перечислены и подробно описаны области применения четырех основных категорий алгоритмов в PA.

Таблица 1.  Распространенные алгоритмы машинного обучения и ссылки в области точного земледелия.

Название модели	Применение точного земледелия	Ссылка
Обучение под наблюдением	Наивный Байес	Классификация различных болезней сельскохозяйственных культур, типов почв и т. д.; прогнозирование урожайности пшеницы, кукурузы и других культур.	[ 76 , 77 ]
	Логистическая регрессия	Оценка уровня риска появления вредителей; прогнозирование урожайности пшеницы, кукурузы и других культур.	[ 78 , 79 ]
	Линейная регрессия	Оптимизация количества вносимых удобрений для повышения точности прогнозирования урожайности пшеницы, кукурузы и других культур.	[ 80 , 81 ]
	Регрессия Lasso	Выявление степени поражения сельскохозяйственных культур болезнями и насекомыми-вредителями.	[ 82 , 83 ]
	Алгоритм AdaBoosT	Классификация и идентификация различных видов сельскохозяйственных культур, а также выявление болезней и вредителей сельскохозяйственных культур.	[ 84 , 85 ]
	Линейный дискриминантный анализ	Классификация типов почв, идентификация сортов сельскохозяйственных культур и определение влияния различных уровней плодородия почвы на рост растений.	[ 86 , 87 ]
	Рекуррентная нейронная сеть	Анализ данных временных рядов роста сельскохозяйственных культур и прогнозирование изменений временных рядов в заболеваемости сельскохозяйственных культур и численности насекомых-вредителей.	[ 88 , 89 ]
	Дерево решений	Выбор стратегий борьбы с вредителями; идентификация видов вредителей сельскохозяйственных культур.	[ 90 , 91 ]
	Алгоритм ближайшего соседа	Идентификация различных сортов сельскохозяйственных культур; оценка степени плодородия почвы.	[ 92 , 93 ]
	Алгоритм XGBoost	Прогнозирование урожайности пшеницы, кукурузы и других культур на основе климатических, почвенных условий и других переменных.	[ 84 , 85 ]
	Сеть долговременной кратковременной памяти	Прогнозирование долгосрочной тенденции урожайности сельскохозяйственных культур на основе климатических переменных, таких как осадки и температура, а также прогнозирование вспышек болезней сельскохозяйственных культур и нашествия вредителей на основе временных рядов.	[ 94 , 95 ]
	Регрессия опорных векторов	Мониторинг и моделирование роста сельскохозяйственных культур с использованием данных дистанционного зондирования для прогнозирования индекса листовой поверхности, урожайности и т.д.	[ 80 , 96 ]
	Искусственная нейронная сеть	Выявление болезней и вредителей сельскохозяйственных культур; мониторинг и моделирование роста культур; прогнозирование индекса листовой поверхности, урожайности и т.д.	[ 97 , 98 ]
	Сверточный нейронный алгоритм	Выявление болезней листьев сельскохозяйственных культур и определение степени поражения листьев болезнями; прогнозирование индекса листовой поверхности, урожайности и т.д.	[ 87 , 99 ]
	Случайный лес	Выявление болезней и вредителей сельскохозяйственных культур; мониторинг и моделирование роста культур; прогнозирование индекса листовой поверхности, урожайности и т.д.	[ 100 , 101 ]
	Метод опорных векторов	Выявление болезней и вредителей сельскохозяйственных культур; мониторинг и моделирование роста культур; прогнозирование индекса листовой поверхности, урожайности и т.д.	[ 102 , 103 ]
	Алгоритм CatBoosT	Идентификация болезней листьев сельскохозяйственных культур и определение степени поражения листьев болезнями.	[ 96 , 104 ]
	Гребневая регрессия	Прогнозирование содержания питательных веществ в почве и основных питательных веществ на основе данных анализа образцов почвы.	[ 105 , 106 ]
	Случайный градиентный спуск	Оптимизация параметров модели для повышения точности моделей прогнозирования и принятия решений в сельском хозяйстве; применение к моделированию и прогнозированию сложных сельскохозяйственных систем.	[ 107 , 108 ]
Частично контролируемое обучение	Генеративное полуконтролируемое обучение	Оценка качества почвы; прогнозирование плодородия, кислотности, щелочности почвы и т. д.; прогнозирование и борьба с болезнями и вредителями.	[ 109 , 110 ]
	Автокодировщики	Идентификация и классификация болезней и насекомых-вредителей; оценка уровня риска появления вредителей.	[ 111 ]
Без присмотра	Совместное обучение	Идентификация, классификация и оценка риска заболеваний и вредителей; классификация типов почв.	[ 112 ]
Обучение	Вероятностная графическая модель	Выявление болезней и вредителей сельскохозяйственных культур; мониторинг и моделирование роста культур; прогнозирование индекса листовой поверхности, урожайности и т.д.	[ 113 ]
	Анализ независимых компонентов	Идентификация, классификация и оценка риска заболеваний и вредителей; классификация типов почв.	[ 114 ]
	Алгоритм обнаружения аномалий	Выявление увядания сельскохозяйственных культур, аномалий влажности почвы и уровня pH.	[ 115 ]
	Самоорганизующиеся карты	Классификация сельскохозяйственных культур и быстрое определение типов почв.	[ 116 ]
	Кластеризация методом K-средних	Точное определение сельскохозяйственных культур.	[ 117 ]
	Анализ главных компонентов	Точная классификация сельскохозяйственных культур на основе их характеристик роста (таких как цвет, текстура, размер и т. д.).	[ 87 ]
Усиление	Глубокая Q-сеть	Получение ключевой информации о росте, такой как индекс растительности, для эффективного мониторинга роста и развития сельскохозяйственных культур.	[ 118 ]
	Методы градиента политики	Оптимизация стратегий орошения и внесения удобрений для сельскохозяйственных культур.	[ 89 ]
	Q-обучение	Оптимизация принятия решений в сельском хозяйстве и взаимодействия с окружающей средой.	[ 119 ]

Недавние исследования показали, что с улучшением вычислительной производительности и расширением массивов данных машинное обучение продемонстрировало широкие возможности применения во многих областях, особенно в области сельского хозяйства [120, 121].

В частности, продолжает появляться ряд новых алгоритмов и технологий, таких как глубокое обучение (DL), интеллектуальная оптимизация, нейронные сети, компьютерное зрение и улучшение данных. Эти улучшения не только дали мощный импульс развитию области машинного обучения, но и предоставили широкие возможности на всех этапах сельского хозяйства. Они позволяют специалистам в области сельского хозяйства более эффективно реагировать на вызовы и достигать конкретных целей [122].

Как показано на  рисунке 5, распределение частоты алгоритмов получено путем поиска ключевых слов «ML» и «PA». Из диаграммы видно, что машинное обучение широко используется в области сельского хозяйства, при этом алгоритм SVM демонстрирует наибольшую частоту, составляя более 20%, за ним следует алгоритм случайного леса (RF), на долю которого приходится около 18%.

Рисунок 5.  Распределение наиболее часто используемых алгоритмов машинного обучения получено на основе ключевых слов «машинное обучение» и «точное земледелие».

Кроме того, в конкретном применении PA самые различные алгоритмы хорошо продемонстрировали свои преимущества, достигнув ряда обнадеживающих результатов. Например, Сладоевич и др. предложили новую модель обнаружения и классификации заболеваний листьев растений на основе глубокой CNN. Модель может точно идентифицировать 13 различных заболеваний растений и эффективно отличать листья растений от окружающей среды, что предоставляет мощный инструмент для мониторинга здоровья растений [123].

Ли и др. добились значительного прогресса в области обнаружения заболеваний овощных культур. Они предложили облегченный алгоритм улучшения сети на основе YOLOv5s. Алгоритм эффективно устраняет внешние помехи и значительно повышает способность к многомасштабному извлечению признаков, тем самым улучшая область применения и производительность обнаружения заболеваний [124].

Ашвинкума и др. разработали CNN на основе оптимальной мобильной сети, которая используется для автоматического обнаружения и классификации заболеваний листьев растений. Результаты экспериментов показывают, что модель CNN работает хорошо: максимальная точность составляет 0,985, показатель полноты — 0,9892, точность — 0,987, а коэффициент Каппа — 0,985 [125].

Ю и др. использовали технологию обнаружения целей DL для извлечения информации о признаках изображения через сложную сетевую структуру для достижения неразрушающего распознавания болезней сельскохозяйственных культур. По сравнению с традиционным методом, эта техника обеспечивает более высокую точность распознавания, более высокую скорость обнаружения и хорошую стабильность в видимом диапазоне света [126].

Анг и др. творчески использовали спутниковые снимки временных рядов Landsat-8 в сочетании с машинным обучением и нормализованным разностным индексом растительности (NDVI) для успешной разработки эффективного нового метода прогнозирования урожайности [127].

Айдин и др. протестировали методы градиентного подъема, такие как XGBoost, LightGBM и CatBoost, для классификации образцов почвы и достигли высокой точности классификации до 90%. По сравнению с результатами предыдущих исследований, точность прогнозирования значительно улучшилась [128].

3. Комплексное применение технологий дистанционного зондирования и методов машинного обучения.

3.2. Выявление стрессовых факторов при заболеваниях и заражении насекомыми-вредителями.

Болезни и насекомые-вредители сельскохозяйственных культур являются не только одним из основных факторов, влияющих на урожайность и качество растений, но и одной из главных причин повреждения урожая. Как подчеркивает Продовольственная и сельскохозяйственная организация ООН, ущерб, причиняемый болезнями и насекомыми-вредителями агроэкосистемам, нельзя недооценивать.

К сожалению, на ранних стадиях сельскохозяйственного производства проблема болезней и насекомых-вредителей часто игнорируется и не получает достаточного внимания, что приводит к огромным экономическим потерям [148].

Поэтому внедрение эффективного и точного обнаружения болезней и насекомых-вредителей растений играет не только жизненно важную роль в обеспечении здоровья агроэкосистемы, повышении урожайности и эффективного качества сельскохозяйственных культур и снижении экономических потерь, но и ключевую роль в развитии ПА (охраны растений). В последние годы это привлекает внимание многих ученых [149].

Предпосылкой для достижения этой цели является точное обнаружение и классификация болезней и насекомых-вредителей, различение различных типов и оценка их количества, чтобы внедрить точные стратегии профилактики и борьбы с вредителями. Традиционный мониторинг вредителей в основном зависит от ручной идентификации вредителей экспертами или техниками по насекомым; Этот метод не только субъективен и трудоемок, но и непрактичен в крупномасштабных приложениях [150].

Однако с распространением датчиков и устройств со встроенными интернет-соединениями комбинация дистанционного зондирования и машинного обучения открыла новый метод обнаружения болезней и насекомых-вредителей в современном сельском хозяйстве [151].

Маханта и др. получили богатые спектральные характеристики растительности на основе различных сенсорных устройств и использовали модели машинного обучения для идентификации спектральных паттернов, связанных с конкретными заболеваниями. В итоге была реализована оценка состояния здоровья насекомых, вторгающихся в лес, и значительно улучшена эффективность обнаружения [152].

Большинство болезней и насекомых-вредителей обладают такими доволно яркими характеристиками, как полноценная скрытность, латентность, инфекционность и неопределенность, что, несомненно, увеличивает сложность и стоимость борьбы с ними и создает серьезные проблемы для сельскохозяйственного производства [153, 154].

Однако следует отметить, что данные дистанционного зондирования со спутниковых датчиков показывают, что растения, пораженные болезнью, можно отличить за относительно короткий период времени, идентифицируя их спектральные характеристики, которые отличаются от характеристик здоровых растений [155]. 

На рисунке 6  показан процесс мониторинга вредителей на основе различных данных дистанционного зондирования, таких как карты IDS, данные MODIS и Landsat-8, а также изображения с дронов. Что еще более важно, благодаря дальнейшему использованию машинного обучения для анализа мы можем не только определить степень повреждения, но и точно идентифицировать тип заболевания [156, 157].

При раннем обнаружении болезней и насекомых-вредителей многие исследователи склонны использовать традиционные методы, а именно, создавать эмпирические статистические модели взаимосвязи между болезнями и насекомыми-вредителями и связанными с ними факторами (такими как окружающая среда, климат, почва и индекс растительности) [158, 159], чтобы обеспечить эффективный мониторинг болезней и насекомых-вредителей.

К таким методам относятся множественная линейная регрессия, регрессия методом частичных наименьших квадратов, регрессия опорных векторов и регрессия случайного леса. Например, Эбрахими и др. используют регрессию опорных векторов для обнаружения паразитов на изображениях растительного покрова, что значительно повышает точность обнаружения [160].

Рисунок 6.  Процесс обнаружения заражения насекомыми и оценки состояния лесов был реализован на основе картографирования с использованием IDS, MODIS и Landsat-8, а также технологии гиперспектрального отклика.

Кроме того, благодаря комплексному использованию передовых методов обработки изображений, таких как сегментация изображений [161], извлечение признаков [162], обнаружение целей [163, 164, 165, 166] и классификация, исследователи могут более точно и эффективно решать сложные задачи обнаружения болезней растений [167].

Технология сегментации изображений используется для различения нормальных и аномальных листьев на изображениях дистанционного зондирования, а извлечение признаков используется для извлечения значимой информации, такой как цвет, текстура, форма и т. д., из сегментированных областей [168, 169], обеспечивая более детальный и точный метод анализа для обнаружения болезней [170, 171].

Например, исследования Чжана и др. показали, что модель TinySegformer может обеспечить надежное и практичное решение для крупномасштабного обнаружения сельскохозяйственных вредителей благодаря своей высокой эффективности и точности, а также малому весу [172]. Интерактивный метод сегментации на основе GrabCut, предложенный Лу и др., который применяется в полевых условиях дистанционного зондирования, позволяет быстро извлекать изображения саранчи из различных сегментов [173].

Барбедо и др. предложили алгоритм автоматического обнаружения парши пшеницы на основе гиперспектральной технологии. Алгоритм демонстрирует точность классификации более 91% и показывает отличную устойчивость к воздействию различных сложных факторов, таких как форма, направление и тень [ 74].

Мумтаз и др. объединили оптическое дистанционное зондирование, обработку изображений и методы глубокого обучения для точного обнаружения и классификации ржавчины пшеницы [175]. Бао и др. предложили метод дистанционного зондирования с использованием БПЛА на основе DDMA-YOLO, который может не только снизить трудозатраты и время обнаружения вредителей, но и эффективно повысить эффективность обнаружения [176].

Многие исследования показали, что метод слияния изображений может значительно повысить точность обнаружения заболеваний вегетации путем объединения информации об изображениях с разных датчиков или многоступенчатой ​​обработки [177, 178, 179, 180, 181].

Например, некоторые ученые применяют технологию глубокого обучения для слияния RGB-изображений и сегментированных изображений, разрабатывая многоголовочную архитектуру DenseNet. После строгой проверки общедоступного набора данных и применения технологии перекрестной проверки со скидкой 50% метод демонстрирует отличные результаты, и все показатели оценки достигли очень высокого уровня, например, средняя точность, полнота, точность и F1-мера достигли 98,17%, 98,17%, 98,16% и 98,12% соответственно [182].

На основе многоисточникового слияния изображений с БПЛА и видимого света Ма и др. успешно создали различные модели машинного обучения, которые значительно повысили точность обнаружения вертициллезного увядания хлопка [183].

Стоит отметить, что некоторые исследователи использовали улучшенную структуру алгоритма глубокого обучения для обнаружения болезней растений, достигнув замечательных результатов [184, 185, 186, 187].

Донг и др. креативно предложили эффективную масштабно-ориентированную сетевую архитектуру (ESA-Net) на основе недорогих изображений дистанционного зондирования [188].

После тщательной проверки ESA-Net показала отличные результаты в обнаружении болезней растений и достигла высоких конкурентоспособных показателей. Амаратхунга и др. предложили новую архитектуру на основе визуального преобразователя, которая интегрирует механизм внимания, управляемый знаниями предметной области, и эффективно повышает точность обнаружения и распознавания микровредителей на видовом уровне [189].

Йе и др. разработали комплексную автоматическую систему обнаружения болезней на основе многомасштабной модели MA-UNet и однофазного изображения, полученного с помощью аэрофотосъемки БПЛА и маркеров дистанционного зондирования спутника Landsat-8, что значительно повысило эффективность и точность мониторинга болезней [190].

3.3. Управление почвой и землей и их анализ.

Земля, являясь краеугольным камнем выживания и развития человека, не только выполняет ключевую функцию сельскохозяйственного производства, обеспечивая нас продовольствием для поддержания нашего существования, но и является незаменимой предпосылкой для обеспечения благополучия человека [60, 191].

Поэтому управление и анализ почвенных и земельных ресурсов особенно актуальны и важны. В области мониторинга и управления почвами традиционно мы полагаемся на методы полевых исследований для получения данных о пространственном распределении групп почв [191].

Однако эти методы имеют множество недостатков, таких как длительный период мониторинга, высокая стоимость, сложные процедуры проведения работ, множество субъективных факторов оценки и относительно ограниченная точность [192]. Поэтому использование традиционных методов мониторинга почв не только отнимает много времени и сил, но и может быть неадекватным для удовлетворения потребностей современного управления почвами в отношении точности и эффективности [16].

Благодаря своим более точным, более полным и профессиональным характеристикам, дистанционное зондирование произвело революционные изменения в деятельности по мониторингу и управлению почвами. Она предоставляет многовременные изображения, позволяющие в полной мере зафиксировать динамические изменения характеристик земли и почвы [193, 194, 195].

Кроме того, дистанционное зондирование предлагает широкий спектр источников данных с большими объемами информации и высокой точностью, предоставляя беспрецедентные возможности для точной оценки состояния почвы [196]. Использование передовых технологий машинного обучения позволяет добиться эффективной и точной обработки и анализа данных дистанционного зондирования, реализуя автоматизацию обработки данных и извлечения признаков. Это очень важно для повышения эффективности и точности управления почвами и землями [197, 198, 199].

Исследование показало, что применение различных типов данных дистанционного зондирования обеспечивает удобство и возможности для управления почвами [200]. В то же время, среди различных применений данных дистанционного зондирования для почв наиболее широко используется многоспектральное дистанционное зондирование [201].

Дуань и др. использовали среднее значение параметров текстуры отражательной способности и энтропии, извлеченных из изображений Landsat-8, в сочетании с MLC, SVM, ANN и RF ML для идентификации групп почв по глубине, достигнув хороших результатов. В 2024 году Чжоу и др. предложили общий метод машинного обучения, основанный на пространственно-временных ограничениях, с использованием данных Sentinel-1 и Sentinel-2 [202].

В ходе проверки была полностью подтверждена его точность и практичность [203]. В 2023 году Мусаса и др. провели подробный обзор проблем почв в засушливых районах, четко указав, что спутниковая миссия Landsat-8 играет незаменимую роль в продвижении оценки и мониторинга почв [204].

Кроме того, учитывая значительные проблемы, такие как недостаточное получение информации и ограниченная точность измерений в ранних технологиях мониторинга влажности почвы [205], внедрение технологии машинного обучения является революционным изменением, которое значительно компенсирует эти недостатки [206, 207].

Более того, данные высокого разрешения демонстрируют значительную применимость в почвенных приложениях, особенно в оценке и картировании почвенных ресурсов [208, 209, 210, 211]. Кроме того, БПЛА демонстрируют большой потенциал для использования в анализе и оценке почвы, и многие исследования полностью доказали их эффективность в практических приложениях. Например, Берталан и др., используя картирование влажности почвы на основе изображений с БПЛА, выявили пространственную неоднородность влажности почвы и предоставили убедительные доказательства эффективности ПАВ [212].

Мензис Плюер и др. использовали БПЛА для создания модели пространственного распределения характеристик сельскохозяйственных почв и концентрации питательных веществ, что обеспечило новый и недорогой метод управления почвой [213]. Кроме того, ученые также отметили, что сочетание данных, полученных с помощью БПЛА, и машинного обучения очень важно для точной оценки текстуры почвы в полевых условиях [214, 215, 216].

В то же время во многих исследованиях по комплексному применению дистанционного зондирования и машинного обучения в управлении почвами мы обнаружили, что обсуждение органического углерода и засоленности почвы также является перспективным направлением исследований [217, 218, 219, 220, 221].

Как один из ключевых факторов глобальных экологических изменений, землепользование или земельный покров (ЗЗП) оказывает далеко идущее влияние на баланс экосистемы и устойчивое развитие человеческого общества [222]. Оно представляет собой различные способы, которыми люди максимально используют земельные ресурсы и управляют соответствующими ресурсами, и имеет большое значение для управления и анализа земель [223].

Поэтому в области исследований управления и анализа земель мы уделяем особое внимание временному и пространственному распределению ЗЗП и его применению. Само собой разумеется, что применение машинного обучения к данным дистанционного зондирования имеет большое значение для эффективного и точного управления и анализа земель [224]. С одной стороны, традиционные методы управления и анализа земель часто являются трудоемкими и дорогостоящими, и трудно предоставить актуальную информацию о различных изменениях землепользования/земельного покрова [225].

С другой стороны, благодаря своим мощным возможностям сбора и обработки данных, дистанционное зондирование может извлекать многоспектральную информацию высокого разрешения, охватывающую большие территории, к которым трудно получить доступ в режиме реального времени, что делает управление земельными ресурсами и их классификацию более экономически эффективными и экономящими время [226, 227]. 

На рисунке 7  показан весь процесс определения моделей земледелия с использованием данных дистанционного зондирования Landsat-8 и MODIS, что значительно повышает эффективность сельскохозяйственной практики [228]. В последние годы, с непрерывным развитием технологии машинного обучения, все большую популярность приобретает использование данных дистанционного зондирования для картирования, анализа и пространственно-временного анализа изменений землепользования и растительного покрова [229, 230].

Примеры управления земельными ресурсами и анализа на основе различных методов машинного обучения включают: RF [100, 101, 231], SVM [102, 103, 232], DT [90, 91, 233], классификацию методом максимального правдоподобия [234, 235], ANN [97, 99, 236], CNN [237, 238] и гибридную множественную модель [239, 240].

Рисунок 7.  Общий процесс определения схем обработки почвы и площадей обрабатываемых/необрабатываемых земель на основе данных дистанционного зондирования из различных источников.

3.4. Прогнозирование и принятие решений относительно урожайности сельскохозяйственных культур

Определение урожайности сельскохозяйственных культур играет незаменимую роль в управлении полями, а прогнозирование урожайности является одним из важных краеугольных камней обеспечения продовольственной безопасности [241, 242].

Традиционные методы прогнозирования урожайности обычно включают деструктивный отбор проб, что не только приводит к значительным человеческим и материальным затратам на практике, но и является неэффективным и не отвечает потребностям развития современной системы управления сельскохозяйственными культурами [243].

Чтобы преодолеть это узкое место, мы провели углубленный и систематический обзор литературы, охватывающий многие аспекты, такие как источники данных дистанционного зондирования, биологические и абиотические факторы, физико-химические параметры, методы моделирования и т. д. Цель состоит в том, чтобы предложить более точную и эффективную схему прогнозирования урожайности, а также обеспечить надежную поддержку устойчивого развития прогнозирования урожайности и принятия решений.

Мы выяснили, что существуют различия в применимости и точности оперативной оценки состояния и урожайности сельскохозяйственных культур на основе различных алгоритмов машинного обучения и данных дистанционного зондирования из разных источников. Многоспектральные и среднеразрешенные данные дистанционного зондирования, представленные данными MODIS, широко используются для раннего прогнозирования урожайности сельскохозяйственных культур, демонстрируя потенциальные возможности применения [244, 245].

Гиперспектральные данные, особенно данные со спутников Landsat-8 и гиперспектральные изображения, предлагают уникальные преимущества в отношении прогнозирования. Соответствующие исследования показали, что они обладают большим потенциалом в отношении прогнозирования урожайности таких культур, как цитрусовые, пшеница, кукуруза, сахарный тростник и т. д. [246, 247, 248, 249, 250].

Кроме того, аэрофотосъемка с использованием лидара и изображения с высоким пространственным и временным разрешением больше подходят для прогнозирования урожайности сельскохозяйственных культур в моделях с высокой плотностью [251, 252, 253, 254].

Ряд исследований показал, что данные БПЛА обеспечивают точную и эффективную поддержку прогнозирования урожайности, особенно в точности оценки урожайности сельскохозяйственных культур и фенотипическом анализе [255, 256, 257, 258, 259, 260, 261].

Как показано на  рисунке 8 , Лю и др. спрогнозировали индекс листовой поверхности кукурузы на основе мультиспектральных изображений БПЛА в сочетании с технологией машинного обучения, что способствовало повышению точности прогнозирования урожайности и дополнительно выявило большой потенциал БПЛА в прогнозировании урожайности [262].

Рисунок 8.  Схема прогнозирования индекса листовой поверхности кукурузы на основе изображений, полученных с помощью БПЛА, и машинного обучения.

Кроме того, как неотъемлемая часть практики управления орошением, прогнозирование урожайности обычно не существует изолированно, а является результатом переплетения и взаимодействия климата, почвы, воды, болезней и насекомых-вредителей, методов управления и других факторов. Например, в углубленном исследовании Анвар и др. показали, что урожайность австралийской пшеницы чрезвычайно чувствительна к климатическим факторам [263].

Бай и др. ясно дали понять, что оценка влияния экстремальных погодных условий на производство сельскохозяйственных культур является ключевым условием для изучения агрономических мер по борьбе с изменением климата, и что колебания климатических переменных, тесно связанных с поноценным производством сельскохозяйственных культур, могут оказать глубокое влияние на региональное и глобальное производство продуктов питания [264].

Важность почвы как ключевого фактора, влияющего на урожайность сельскохозяйственных культур, нельзя игнорировать. Объединяя данные дистанционного зондирования с машинным обучением, мы можем более точно оценивать свойства почвы и, учитывая экономическую эффективность и временные преимущества, мы можем добиться точного прогнозирования урожайности [265, 266].

Фрай и др. Обсуждалась пространственная изменчивость свойств полевой почвы и урожайности сои, и было обнаружено, что существует значительная корреляция между различными свойствами почвы и изменениями урожайности сои, в основном зависящая от текстуры почвы и содержания органического углерода в верхнем слое почвы (первые 20 см), а не от топографии поверхности [267].

При изучении фактического влияния воды на урожайность Заин и др. не учли адаптивность модели, что привело к неблагоприятным результатам [268]. В другом исследовании Ван и др. разработали точную полиномиальную функциональную модель, которая может эффективно адаптироваться к характеристикам орошения и применения в разных районах, обеспечивает научно обоснованную стратегию управления водой и удобрениями и реализует точное прогнозирование урожайности сельскохозяйственных культур в сочетании с передовым машинным обучением [269]. Кроме того, следует учитывать влияние болезней и вредителей, а также методы борьбы с ними на оценки урожайности [270, 271, 272].

В последние годы сочетание технологий дистанционного зондирования и машинного обучения для оценки урожайности сельскохозяйственных культур и принятия решений стало направлением исследований с большим потенциалом и перспективами. Интеграция этого метода в сельскохозяйственную сферу не только повышает точность и эффективность оценки урожайности, но и обеспечивает мощную техническую поддержку для точного управления сельскохозяйственным производством [259].

В этом процессе выбор физико-химических параметров культуры имеет особое значение, поскольку он напрямую связан с точностью и надежностью модели прогнозирования урожайности. К числу часто используемых физико-химических параметров относятся: растительный покров (FVC) [273], поглощение фотосинтетически активного излучения (FPAR) [274, 275, 276], эвапотранспирация (ET) [277, 278, 279], индекс листовой поверхности (LAI) [245, 280, 281], содержание хлорофилла [282, 283, 284] и различные индексы растительности (VI), такие как нормализованный разностный индекс растительности (NDVI) [285, 286, 287] и улучшенный индекс растительности (EVI) [288]. Эти физико-химические параметры и индексы не только широко используются в реальном сельскохозяйственном производстве, но и тесно связаны с оценкой урожайности.

Кроме того, модель прогнозирования урожайности также постоянно адаптируется к различным новым ситуационным изменениям. Например, хотя ранние традиционные методы наземного обследования и методы выборочной статистики, основанные на эмпирических знаниях, были значительно исследованы и применены на практике, они не могут удовлетворить потребности в повышении точности прогнозирования производства и снижении затрат [289].

С применением моделей роста растений и ассимиляции данных точность прогнозирования урожайности значительно повышается [290]. Например, Чжан и др. и Хейр и др. сделали прогнозы урожайности на основе модели APSIM, достигнув замечательных результатов [291, 292].

Кроме того, модель WOFOST также хорошо работает в отношении прогнозирования урожайности, и ряд исследований показал ее потенциальное использование в прогнозировании [293, 294]. Модель SAFY предоставляет новый взгляд и метод для оценки урожайности на большой площади [295].

Однако модели урожайности не идеальны. Они могут быть ограничены в крупномасштабных приложениях, легко накапливают ошибки, и возможны такие проблемы, как переобучение [296]. Аналогично, модели машинного обучения могут столкнуться с проблемами подгонки в процессе обучения, особенно в случае небольших наборов данных или неправильного выбора признаков. К счастью, методы машинного обучения и ассимиляции данных предоставляют новые решения проблем, присущих моделям сельскохозяйственных культур и машинному обучению [297].

Объединяя данные дистанционного зондирования и модели сельскохозяйственных культур, а также используя оптимизацию машинного обучения, мы можем не только компенсировать недостатки модели в некоторых аспектах, но и значительно повысить точность прогнозирования и расширить область применения. Этот инновационный метод постепенно получает широкое распространение и предпочтение среди исследователей [298, 299, 300].

4. Обсуждение

5. Выводы

Комплексное применение алгоритмов дистанционного зондирования (ДЗ) и машинного обучения (МО) может не только способствовать развитию и прогрессу в области мониторинга и оценки, но и предложить возможное решение проблем глобального роста населения, нехватки ресурсов и изменения климата.

В некоторых приложениях МО, связанных с объединением данных, наблюдаются значительные различия в типах данных ДЗ, среди которых наиболее широко используются гиперспектральные данные ДЗ, составляющие более 30%, в то время как применение технологии БПЛА имеет наибольший потенциал, составляя около 24% используемых данных.

Ожидается, что в будущем она будет играть более важную роль в МО. Кроме того, наиболее широко используемым алгоритмом МО является SVM, составляющий более 20%, за которым следует алгоритм RF, составляющий около 18% используемых алгоритмов. Стоит отметить, что в будущем быстрое развитие интегрированных платформ глубокого обучения, алгоритмов многомодального объединения данных, облачных вычислений и граничных вычислений, как ожидается, еще больше будет способствовать прогрессу в МО.

Мониторинг и идентификация состояния роста сельскохозяйственных культур, обнаружение вредителей, управление земельными или почвенными ресурсами и прогнозирование урожайности остаются основными аспектами комплексного применения технологий ДЗ и МО.

Однако, что касается получения и обработки высококачественных данных дистанционного зондирования, а также повышения интерпретируемости и обобщаемости модели, учитывая неопределенность интеграционного развития, нам необходимо продолжать исследовать новые алгоритмы и технологии для содействия междисциплинарному сотрудничеству и интеграции знаний из разных областей, дальнейшего развития интеллектуальных и автоматизированных систем управления охраной природы, а также разработки значительно более интеллектуальных сельскохозяйственных роботов, автоматизированного оборудования и экспертных систем для содействия устойчивому развитию управления охраной природы.

Литература

1. Tran, T.-N.-D.; Lakshmi, V. Enhancing human resilience against climate change: Assessment of hydroclimatic extremes and sea level rise impacts on the Eastern Shore of Virginia, United States. Sci. Total Environ. 2024, 947, 174289. [Google Scholar] [CrossRef] [PubMed]
2. Tran, T.-N.-D.; Nguyen, B.Q.; Grodzka-Lukaszewska, M.; Sinicyn, G.; Lakshmi, V. The role of reservoirs under the impacts of climate change on the Srepok River basin, Central Highlands of Vietnam. Front. Environ. 2023, 11, 1304845. [Google Scholar] [CrossRef]
3. Tran, T.-N.-D.; Tapas, M.R.; Do, S.K.; Etheridge, R.; Lakshmi, V. Investigating the impacts of climate change on hydroclimatic extremes in the Tar-Pamlico River basin, North Carolina. J. Environ. Manag. 2024, 363, 121375. [Google Scholar] [CrossRef]
4. Tran, T.N.D.; Do, S.K.; Nguyen, B.Q.; Tran, V.N.; Grodzka-Łukaszewska, M.; Sinicyn, G.; Lakshmi, V. Investigating the Future Flood and Drought Shifts in the Transboundary Srepok River Basin Using CMIP6 Projections. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 7516–7529. [Google Scholar] [CrossRef]
5. Matton, N.; Canto, G.S.; Waldner, F.; Valero, S.; Morin, D.; Inglada, J.; Arias, M.; Bontemps, S.; Koetz, B.; Defourny, P. An Automated Method for Annual Cropland Mapping along the Season for Various Globally-Distributed Agrosystems Using High Spatial and Temporal Resolution Time Series. Remote Sens. 2015, 7, 13208–13232. [Google Scholar] [CrossRef]
6. Alavi, M.; Albaji, M.; Golabi, M.; Ali Naseri, A.; Homayouni, S. Estimation of sugarcane evapotranspiration from remote sensing and limited meteorological variables using machine learning models. J. Hydrol. 2024, 629, 130605. [Google Scholar] [CrossRef]
7. Sadiq, M.A.; Sarkar, S.K.; Raisa, S.S. Meteorological drought assessment in northern Bangladesh: A machine learning-based approach considering remote sensing indices. Ecol. Indic. 2023, 157, 111233. [Google Scholar] [CrossRef]
8. Bellvert, J.; Mata, M.; Vallverdú, X.; Paris, C.; Marsal, J. Optimizing precision irrigation of a vineyard to improve water use efficiency and profitability by using a decision-oriented vine water consumption model. Precis. Agric. 2021, 22, 319–341. [Google Scholar] [CrossRef]
9. Yomo, M.; Yalo, E.N.; Gnazou, M.D.-T.; Silliman, S.; Larbi, I.; Mourad, K.A. Forecasting land use and land cover dynamics using combined remote sensing, machine learning algorithm and local perception in the Agoènyivé Plateau, Togo. Remote Sens. Appl. Soc. Environ. 2023, 30, 100928. [Google Scholar] [CrossRef]
10. Kumar, M.; Bhattacharya, B.K.; Pandya, M.R.; Handique, B.K. Machine learning based plot level rice lodging assessment using multi-spectral UAV remote sensing. Comput. Electron. Agric. 2024, 219, 108754. [Google Scholar] [CrossRef]
11. Kganyago, M.; Adjorlolo, C.; Mhangara, P.; Tsoeleng, L. Optical remote sensing of crop biophysical and biochemical parameters: An overview of advances in sensor technologies and machine learning algorithms for precision agriculture. Comput. Electron. Agric. 2024, 218, 108730. [Google Scholar] [CrossRef]
12. Petrović, B.; Bumbálek, R.; Zoubek, T.; Kuneš, R.; Smutný, L.; Bartoš, P. Application of precision agriculture technologies in Central Europe-review. J. Agric. Food Res. 2024, 15, 101048. [Google Scholar] [CrossRef]
13. Mana, A.A.; Allouhi, A.; Hamrani, A.; Rehman, S.; el Jamaoui, I.; Jayachandran, K. Sustainable AI-based production agriculture: Exploring AI applications and implications in agricultural practices. Smart Agric. Technol. 2024, 7, 100416. [Google Scholar] [CrossRef]
14. Brewster, C.; Roussaki, I.; Kalatzis, N.; Doolin, K.; Ellis, K. IoT in Agriculture: Designing a Europe-Wide Large-Scale Pilot. IEEE Commun. Mag. 2017, 55, 26–33. [Google Scholar] [CrossRef]
15. Shuai, L.; Li, Z.; Chen, Z.; Luo, D.; Mu, J. A research review on deep learning combined with hyperspectral Imaging in multiscale agricultural sensing. Comput. Electron. Agric. 2024, 217, 108577. [Google Scholar] [CrossRef]
16. Diaz-Gonzalez, F.A.; Vuelvas, J.; Correa, C.A.; Vallejo, V.E.; Patino, D. Machine learning and remote sensing techniques applied to estimate soil indicators. Review Ecol. Indic. 2022, 135, 108517. [Google Scholar] [CrossRef]
17. El-Omairi, M.A.; El Garouani, A. A review on advancements in lithological mapping utilizing machine learning algorithms and remote sensing data. Heliyon 2023, 9, e20168. [Google Scholar] [CrossRef]
18. Kasampalis, D.A.; Alexandridis, T.K.; Deva, C.; Challinor, A.; Moshou, D.; Zalidis, G. Contribution of Remote Sensing on Crop Models: A Review. J. Imaging 2018, 4, 52. [Google Scholar] [CrossRef]
19. Tran, T.-N.-D.; Nguyen, B.Q.; Zhang, R.; Aryal, A.; Grodzka-Lukaszewska, M.; Sinicyn, G.; Lakshmi, V. Quantification of Gridded Precipitation Products for the Streamflow Simulation on the Mekong River Basin Using Rainfall Assessment Framework: A Case Study for the Srepok River Subbasin, Central Highland Vietnam. Remote Sens. 2023, 15, 1030. [Google Scholar] [CrossRef]
20. Tran, T.-N.-D.; Le, M.-H.; Zhang, R.; Nguyen, B.Q.; Bolten, J.D.; Lakshmi, V. Robustness of gridded precipitation products for vietnam basins using the comprehensive assessment framework of rainfall. Atmos. Res. 2023, 293, 106923. [Google Scholar] [CrossRef]
21. Tran, T.-N.-D.; Nguyen, Q.B.; Vo, N.D.; Marshall, R.; Gourbesville, P. Assessment of Terrain Scenario Impacts on Hydrological Simulation with SWAT Model. Application to Lai Giang Catchment, Vietnam. In Advances in Hydroinformatics; Springer: Singapore, 2022; pp. 1205–1222. [Google Scholar]
22. Aryal, A.; Tran, T.-N.-D.; Kumar, B.; Lakshmi, V. Evaluation of Satellite-Derived Precipitation Products for Streamflow Simulation of a Mountainous Himalayan Watershed: A Study of Myagdi Khola in Kali Gandaki Basin, Nepal. Remote Sens. 2023, 15, 4762. [Google Scholar] [CrossRef]
23. Mani, P.K.; Mandal, A.; Biswas, S.; Sarkar, B.; Mitran, T.; Meena, R.S. Remote Sensing and Geographic Information System: In A Tool for Precision Farming; Mitran, T., Meena, R.S., Chakraborty, A., Eds.; Geospatial Technologies for Crops and Soils; Springer: Singapore, 2021; pp. 49–111. [Google Scholar]
24. Carneiro, F.M.; Filho, A.L.d.B.; Ferreira, F.M.; Junior, G.d.F.S.; Brandão, Z.N.; da Silva, R.P.; Shiratsuchi, L.S. Soil and satellite remote sensing variables importance using machine learning to predict cotton yield. Smart Agric. Technol. 2023, 5, 100292. [Google Scholar] [CrossRef]
25. Morlin Carneiro, F.; Angeli Furlani, C.E.; Zerbato, C.; Candida de Menezes, P.; da Silva Gírio, L.A.; Freire de Oliveira, M. Comparison between vegetation indices for detecting spatial and temporal variabilities in soybean crop using canopy sensors. Precis. Agric. 2020, 21, 979–1007. [Google Scholar] [CrossRef]
26. Ai, B.; Wen, Z.; Jiang, Y.C.; Gao, S.; Lv, G.N. Sea surface temperature inversion model for infrared remote sensing images based on deep neural network. Infrared Phys. Technol. 2019, 99, 231–239. [Google Scholar] [CrossRef]
27. Zhang, W.H.; Sun, L.; Lian, L.S.; Yang, Y.K. MODIS Aerosol Optical Depth Inversion Over Urban Areas Supported by BRDF/Albedo Products. J. Indian Soc. Remote Sens. 2020, 48, 1345–1354. [Google Scholar] [CrossRef]
28. Aires, F.; Pellet, V. Estimating Retrieval Errors from Neural Network Inversion Schemes—Application to the Retrieval of Temperature Profiles From IASI. IEEE Trans. Geosci. Remote Sens. 2021, 59, 6386–6396. [Google Scholar] [CrossRef]
29. Liu, B.; Liu, L.; Tian, L.; Cao, W.; Zhu, Y.; Asseng, S. Post-heading heat stress and yield impact in winter wheat of China. Glob. Change Biol. 2014, 20, 372–381. [Google Scholar] [CrossRef] [PubMed]
30. Akter, N.; Rafiqul Islam, M. Heat stress effects and management in wheat. A review. Agron. Sustain. Dev. 2017, 37, 37. [Google Scholar] [CrossRef]
31. Wójtowicz, M.; Wójtowicz, A.; Piekarczyk, J. Application of remote sensing methods in agriculture. Commun. Biometry Crop Sci. 2016, 11, 31–50. [Google Scholar]
32. Skendžić, S.; Zovko, M.; Lešić, V.; Pajač Živković, I.; Lemić, D. Detection and Evaluation of Environmental Stress in Winter Wheat Using Remote and Proximal Sensing Methods and Vegetation Indices—A review. Diversity 2023, 15, 481. [Google Scholar] [CrossRef]
33. Kumar, A.S.; Reddy, A.M.; Srinivas, L.; Reddy, P.M. Assessment of Surface Water Quality in Hyderabad Lakes by Using Multivariate Statistical Techniques, Hyderabad-India. Environ. Pollut. 2015, 4, 4. [Google Scholar] [CrossRef]
34. Odermatt, D.; Danne, O.; Philipson, P.; Brockmann, C. Diversity II water quality parameters from ENVISAT (2002–2012): A new global information source for lakes. Earth Syst. Sci. Data. 2018, 10, 1527–1549. [Google Scholar] [CrossRef]
35. Shang, P.; Shen, F. Atmospheric Correction of Satellite GF-1/WFV Imagery and Quantitative Estimation of Suspended Particulate Matter in the Yangtze Estuary. Sensors 2016, 16, 1997. [Google Scholar] [CrossRef] [PubMed]
36. Colomina, I.; Molina, P. Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS J. Photogramm. Remote Sens. 2014, 92, 79–97. [Google Scholar] [CrossRef]
37. Lee, C.-J.; Yang, M.-D.; Tseng, H.-H.; Hsu, Y.-C.; Sung, Y.; Chen, W.-L. Single-plant broccoli growth monitoring using deep learning with UAV imagery. Comput. Electron. Agric. 2023, 207, 107739. [Google Scholar] [CrossRef]
38. Marques, T.; Carreira, S.; Miragaia, R.; Ramos, J.; Pereira, A. Applying deep learning to real-time UAV-based forest monitoring: Leveraging multi-sensor imagery for improved results. Expert Syst. Appl. 2024, 245, 123107. [Google Scholar] [CrossRef]
39. Bah, M.D.; Hafiane, A.; Canals, R. Weeds detection in UAV imagery using SLIC and the hough transform. In Proceedings of the 7th International Conference on Image Processing Theory, Tools and Applications, Montreal, QC, Canada, 28 November–1 December 2017; pp. 1–6. [Google Scholar]
40. Yang, M.-D.; Huang, K.-S.; Kuo, Y.-H.; Tsai, H.P.; Lin, L.-M. Spatial and Spectral Hybrid Image Classification for Rice Lodging Assessment through UAV Imagery. Remote Sens. 2017, 9, 583. [Google Scholar] [CrossRef]
41. Yang, Q.; She, B.; Huang, L.S.; Yang, Y.Y.; Zhang, G.; Zhang, M.; Hong, Q.; Zhang, D.Y. Extraction of soybean planting area based on feature fusion technology of multi-source low altitude unmanned aerial vehicle images. Ecol. Inform. 2022, 70, 101715. [Google Scholar] [CrossRef]
42. Maimaitijiang, M.; Sagan, V.; Sidike, P.; Hartling, S.; Esposito, F.; Fritschi, F.B. Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sens. Environ. 2020, 237, 111599. [Google Scholar] [CrossRef]
43. Peng, J.B.; Wang, D.L.; Zhu, W.X.; Yang, T.; Liu, Z.; Rezaei, E.E.; Li, J.; Sun, Z.G.; Xin, X.P. Combination of UAV and deep learning to estimate wheat yield at ripening stage: The potential of phenotypic features. Int. J. Appl. Earth Obs. Geoinf. 2023, 124, 103494. [Google Scholar] [CrossRef]
44. Khan, A.; Vibhute, A.D.; Mali, S.; Patil, C.H. A systematic review on hyperspectral imaging technology with a machine and deep learning methodology for agricultural applications. Ecol. Inform. 2022, 69, 101678. [Google Scholar] [CrossRef]
45. Han, W.; Zhang, X.; Wang, Y.; Wang, L.; Huang, X.; Li, J.; Wang, S.; Chen, W.; Li, X.; Feng, R.; et al. A survey of machine learning and deep learning in remote sensing of geological environment: Challenges, advances, and opportunities. ISPRS J. Photogramm. Remote Sens. 2023, 202, 87–113. [Google Scholar] [CrossRef]
46. Coulibaly, S.; Kamsu-Foguem, B.; Kamissoko, D.; Traore, D. Deep learning for precision agriculture: A bibliometric analysis. Intelligent Syst. Appl. 2022, 16, 200102. [Google Scholar] [CrossRef]
47. Liakos, K.G.; Busato, P.; Moshou, D.; Pearson, S.; Bochtis, D. Machine Learning in Agriculture: A review. Sensors 2018, 18, 2674. [Google Scholar] [CrossRef]
48. Sarkar, C.; Gupta, D.; Gupta, U.; Hazarika, B.B. Leaf disease detection using machine learning and deep learning: Review and challenges. Appl. Soft Comput. 2023, 145, 110534. [Google Scholar] [CrossRef]
49. Miao, Z.H.; Yu, X.Y.; Li, N.; Zhang, Z.; He, C.X.; Li, Z.; Deng, C.Y.; Sun, T. Efficient tomato harvesting robot based on image processing and deep learning. Precis. Agric. 2023, 24, 254–287. [Google Scholar] [CrossRef]
50. Fu, Y.; Yang, G.; Pu, R.; Li, Z.; Li, H.; Xu, X.; Song, X.; Yang, X.; Zhao, C. An overview of crop nitrogen status assessment using hyperspectral remote sensing: Current status and perspectives. Eur. J. Agron. 2021, 124, 126241. [Google Scholar] [CrossRef]
51. Casagli, N.; Cigna, F.; Bianchini, S.; Hölbling, D.; Füreder, P.; Righini, G.; Del Conte, S.; Friedl, B.; Schneiderbauer, S.; Iasio, C.; et al. Landslide mapping and monitoring by using radar and optical remote sensing: Examples from the EC-FP7 project SAFER. Remote Sens. Appl. Soc. Environ. 2016, 4, 92–108. [Google Scholar] [CrossRef]
52. Knoll, F.J.; Czymmek, V.; Poczihoski, S.; Holtorf, T.; Hussmann, S. Improving efficiency of organic farming by using a deep learning classification approach. Comput. Electron. Agric. 2018, 153, 347–356. [Google Scholar] [CrossRef]
53. Ouma, Y.O. Advancements in medium and high resolution Earth observation for land-surface imaging: Evolutions, future trends and contributions to sustainable development. Adv. Space Res. 2016, 57, 110–126. [Google Scholar] [CrossRef]
54. Sofia, G. Combining geomorphometry, feature extraction techniques and Earth-surface processes research: The way forward. Geomorphology 2020, 355, 107055. [Google Scholar] [CrossRef]
55. Saha, A.; Chandra Pal, S. Application of machine learning and emerging remote sensing techniques in hydrology: A state-of-the-art review and current research trends. J. Hydrol. 2024, 632, 130907. [Google Scholar] [CrossRef]
56. Rodi, N.S.N.; Malek, M.A.; Ismail, A.R. Monthly Rainfall Prediction Model of Peninsular Malaysia Using Clonal Selection Algorithm. Int. J. Eng. Technol. 2018, 7, 182–185. [Google Scholar] [CrossRef]
57. Latif, S.D.; Alyaa Binti Hazrin, N.; Hoon Koo, C.; Lin Ng, J.; Chaplot, B.; Feng Huang, Y.; El-Shafie, A.; Najah Ahmed, A. Assessing rainfall prediction models: Exploring the advantages of machine learning and remote sensing approaches. Alex. Eng. J. 2023, 82, 16–25. [Google Scholar] [CrossRef]
58. Khanal, S.; Fulton, J.; Shearer, S. An overview of current and potential applications of thermal remote sensing in precision agriculture. Comput. Electron. Agric. 2017, 139, 22–32. [Google Scholar] [CrossRef]
59. Ahmed, Z.; Shew, A.; Nalley, L.; Popp, M.; Green, V.S.; Brye, K. An examination of thematic research, development, and trends in remote sensing applied to conservation agriculture. Int. Soil Water Conserv. Res. 2024, 12, 77–95. [Google Scholar] [CrossRef]
60. Jafarbiglu, H.; Pourreza, A. A comprehensive review of remote sensing platforms, sensors, and applications in nut crops. Comput. Electron. Agric. 2022, 197, 106844. [Google Scholar] [CrossRef]
61. Degerickx, J.; Roberts, D.A.; McFadden, J.P.; Hermy, M.; Somers, B. Urban tree health assessment using airborne hyperspectral and LiDAR imagery. Int. J. Appl. Earth Obs. Geoinf. 2018, 73, 26–38. [Google Scholar] [CrossRef]
62. Duan, M.; Wang, Z.; Sun, L.; Liu, Y.; Yang, P. Monitoring apple flowering date at 10 m spatial resolution based on crop reference curves. Comput. Electron. Agric. 2024, 225, 109260. [Google Scholar] [CrossRef]
63. Meng, R.; Gao, R.; Zhao, F.; Huang, C.; Sun, R.; Lv, Z.; Huang, Z. Landsat-based monitoring of southern pine beetle infestation severity and severity change in a temperate mixed forest. Remote Sens. Environ. 2022, 269, 112847. [Google Scholar] [CrossRef]
64. Wu, B.; Liang, A.; Zhang, H.; Zhu, T.; Zou, Z.; Yang, D.; Tang, W.; Li, J.; Su, J. Application of conventional UAV-based high-throughput object detection to the early diagnosis of pine wilt disease by deep learning. For. Ecol. Manag. 2021, 486, 118986. [Google Scholar] [CrossRef]
65. Zhu, X.; Wang, R.; Shi, W.; Yu, Q.; Li, X.; Chen, X. Automatic Detection and Classification of Dead Nematode-Infested Pine Wood in Stages Based on YOLO v4 and GoogLeNet. Forests 2023, 14, 601. [Google Scholar] [CrossRef]
66. Luo, Y.; Huang, H.; Roques, A. Early Monitoring of Forest Wood-Boring Pests with Remote Sensing. Annu. Rev. Entomol. 2023, 68, 277–298. [Google Scholar] [CrossRef] [PubMed]
67. Ren, S.; Chen, H.; Hou, J.; Zhao, P.; Dong Qg Feng, H. Based on historical weather data to predict summer field-scale maize yield: Assimilation of remote sensing data to WOFOST model by ensemble Kalman filter algorithm. Comput. Electron. Agric. 2024, 219, 108822. [Google Scholar] [CrossRef]
68. Guerrero, N.M.; Aparicio, J.; Valero-Carreras, D. Combining Data Envelopment Analysis and Machine Learning. Mathematics 2022, 10, 909. [Google Scholar] [CrossRef]
69. Sharma, A.; Jain, A.; Gupta, P.; Chowdary, V. Machine Learning Applications for Precision Agriculture: A Comprehensive Review. IEEE Access 2021, 9, 4843–4873. [Google Scholar] [CrossRef]
70. Behmann, J.; Mahlein, A.K.; Rumpf, T.; Römer, C.; Plümer, L. A review of advanced machine learning methods for the detection of biotic stress in precision crop protection. Precis. Agric. 2015, 16, 239–260. [Google Scholar] [CrossRef]
71. Helm, J.M.; Swiergosz, A.M.; Haeberle, H.S.; Karnuta, J.M.; Schaffer, J.L.; Krebs, V.E.; Spitzer, A.I.; Ramkumar, P.N. Machine Learning and Artificial Intelligence: Definitions, Applications, and Future Directions. Curr. Rev. Musculoskelet. Med. 2020, 13, 69–76. [Google Scholar] [CrossRef]
72. Gao, Z.; Luo, Z.; Zhang, W.; Lv, Z.; Xu, Y. Deep Learning Application in Plant Stress Imaging: A Review. AgriEngineering 2020, 2, 430–446. [Google Scholar] [CrossRef]
73. Benos, L.; Tagarakis, A.C.; Dolias, G.; Berruto, R.; Kateris, D.; Bochtis, D. Machine Learning in Agriculture: A Comprehensive Updated Review. Sensors 2021, 21, 3758. [Google Scholar] [CrossRef]
74. Choi, R.Y.; Coyner, A.S.; Kalpathy-Cramer, J.; Chiang, M.F.; Campbell, J.P. Introduction to Machine Learning, Neural Networks, and Deep Learning. Transl. Vis. Sci. Technol. 2020, 9, 14. [Google Scholar] [CrossRef] [PubMed]
75. Simeone, O. A Very Brief Introduction to Machine Learning with Applications to Communication Systems. IEEE Trans. Cogn. Commun. Netw. 2018, 4, 648–664. [Google Scholar] [CrossRef]
76. Albarakati, H.M.; Khan, M.A.; Hamza, A.; Khan, F.; Kraiem, N.; Jamel, L.; Almuqren, L.; Alroobaea, R. A Novel Deep Learning Architecture for Agriculture Land Cover and Land Use Classification from Remote Sensing Images Based on Network-Level Fusion of Self-Attention Architecture. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 6338–6353. [Google Scholar] [CrossRef]
77. Finley, A.O.; Andersen, H.E.; Babcock, C.; Cook, B.D.; Morton, D.C.; Banerjee, S. Models to Support Forest Inventory and Small Area Estimation Using Sparsely Sampled LiDAR: A Case Study Involving G-LiHT LiDAR in Tanana, Alaska. J. Agric. Biol. Environ. Stat. 2024, 28. [Google Scholar] [CrossRef]
78. Shafik, W.; Tufail, A.; Namoun, A.; De Silva, L.C.; Apong, R. A Systematic Literature Review on Plant Disease Detection: Motivations, Classification Techniques, Datasets, Challenges, and Future Trends. IEEE Access 2023, 11, 59174–59203. [Google Scholar] [CrossRef]
79. El Akhal, H.; Ben Yahya, A.; Moussa, N.; El Alaouil, A.E. A novel approach for image-based olive leaf diseases classification using a deep hybrid model. Ecol. Inform. 2023, 77, 102276. [Google Scholar] [CrossRef]
80. Abbas, F.; Afzaal, H.; Farooque, A.A.; Tang, S. Crop Yield Prediction through Proximal Sensing and Machine Learning Algorithms. Agronomy 2020, 10, 1046. [Google Scholar] [CrossRef]
81. Fu, Z.P.; Jiang, J.; Gao, Y.; Krienke, B.; Wang, M.; Zhong, K.T.; Cao, Q.; Tian, Y.C.; Zhu, Y.; Cao, W.X.; et al. Wheat Growth Monitoring and Yield Estimation based on Multi-Rotor Unmanned Aerial Vehicle. Remote Sens. 2020, 12, 508. [Google Scholar] [CrossRef]
82. Guo, H.L.; Zhang, R.R.; Dai, W.H.; Zhou, X.W.; Zhang, D.J.; Yang, Y.H.; Cui, J. Mapping Soil Organic Matter Content Based on Feature Band Selection with ZY1-02D Hyperspectral Satellite Data in the Agricultural Region. Agronomy 2022, 12, 2111. [Google Scholar] [CrossRef]
83. Erler, A.; Riebe, D.; Beitz, T.; Löhmannsröben, H.G.; Gebbers, R. Soil Nutrient Detection for Precision Agriculture Using Handheld Laser-Induced Breakdown Spectroscopy (LIBS) and Multivariate Regression Methods (PLSR, Lasso and GPR). Sensors 2020, 20, 418. [Google Scholar] [CrossRef]
84. Yoon, H.I.; Lee, H.; Yang, J.S.; Choi, J.H.; Jung, D.H.; Park, Y.J.; Park, J.E.; Kim, S.M.; Park, S.H. Predicting Models for Plant Metabolites Based on PLSR, AdaBoost, XGBoost, and LightGBM Algorithms Using Hyperspectral Imaging Brassica juncea. Agriculture 2023, 13, 1477. [Google Scholar] [CrossRef]
85. Bakhshipour, A. Cascading Feature Filtering and Boosting Algorithm for Plant Type Classification Based on Image Features. IEEE Access 2021, 9, 82021–82030. [Google Scholar] [CrossRef]
86. Luo, L.L.; Chang, Q.R.; Wang, Q.; Huang, Y. Identification and Severity Monitoring of Maize Dwarf Mosaic Virus Infection Based on Hyperspectral Measurements. Remote Sens. 2021, 13, 4560. [Google Scholar] [CrossRef]
87. Shinde, S.; Patidar, H. Hyperspectral Image Classification for Vegetation Detection Using Lightweight Cascaded Deep Convolutional Neural Network. J. Indian Soc. Remote Sens. 2023, 51, 2159–2166. [Google Scholar] [CrossRef]
88. Barbedo, J.G.A.; Koenigkan, L.V.; Santos, P.M.; Ribeiro, A.R.B. Counting Cattle in UAV Images—Dealing with Clustered Animals and Animal/Background Contrast Changes. Sensors 2020, 20, 2126. [Google Scholar] [CrossRef]
89. Han, T.; Hu, X.M.; Zhang, J.; Xue, W.H.; Che, Y.F.; Deng, X.Q.; Zhou, L.H. Rebuilding high-quality near-surface ozone data based on the combination of WRF-Chem model with a machine learning method to better estimate its impact on crop yields in the Beijing-Tianjin-Hebei region from 2014 to 2019. Environ. Pollut. 2023, 336, 122334. [Google Scholar] [CrossRef]
90. Gauci, A.; Abela, J.; Austad, M.; Cassar, L.F.; Zarb Adami, K. A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands. Environ. Model. Softw. 2018, 99, 1–10. [Google Scholar] [CrossRef]
91. Idol, T.; Haack, B.; Mahabir, R. Radar speckle reduction and derived texture measures for land cover/use classification: A case study. Geocarto Int. 2017, 32, 18–29. [Google Scholar] [CrossRef]
92. Li, L.; Dong, Y.Y.; Xiao, Y.X.; Liu, L.Y.; Zhao, X.; Huang, W.J. Combining Disease Mechanism and Machine Learning to Predict Wheat Fusarium Head Blight. Remote Sens. 2022, 14, 2732. [Google Scholar] [CrossRef]
93. Bebie, M.; Cavalaris, C.; Kyparissis, A. Assessing Durum Wheat Yield through Sentinel-2 Imagery: A Machine Learning Approach. Remote Sens. 2022, 14, 3880. [Google Scholar] [CrossRef]
94. Zhou, Y.N.; Luo, J.C.; Feng, L.; Yang, Y.P.; Chen, Y.H.; Wu, W. Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data. GISci. Remote Sens. 2019, 56, 1170–1191. [Google Scholar] [CrossRef]
95. Jimenez, A.F.; Ortiz, B.V.; Bondesan, L.; Morata, G.; Damianidis, D. Long Short-Term Memory Neural Network for irrigation management: A case study from Southern Alabama, USA. Precis. Agric. 2021, 22, 475–492. [Google Scholar] [CrossRef]
96. Chen, C.; Bao, Y.X.; Zhu, F.; Yang, R.M. Remote sensing monitoring of rice growth under Cnaphalocrocis medinalis (Guenée) damage by integrating satellite and UAV remote sensing data. Int. J. Remote Sens. 2024, 45, 772–790. [Google Scholar] [CrossRef]
97. Dumdumaya, C.E.; Cabrera, J.S. Determination of future land use changes using remote sensing imagery and artificial neural network algorithm: A case study of Davao City, Philippines. Artif. Intell. Geosci. 2023, 4, 111–118. [Google Scholar] [CrossRef]
98. Bao Pham, Q.; Ajim Ali, S.; Parvin, F.; Van On, V.; Mohd Sidek, L.; Đurin, B.; Cetl, V.; Šamanović, S.; Nguyet Minh, N. Multi-spectral remote sensing and GIS-based analysis for decadal land use land cover changes and future prediction using random forest tree and artificial neural network. Adv. Space Res. 2024, 10, 29900–29926. [Google Scholar] [CrossRef]
99. Zhang, J.; Zhang, Y.; Zhou, T.; Sun, Y.; Yang, Z.; Zheng, S. Research on the identification of land types and tree species in the Engebei ecological demonstration area based on GF-1 remote sensing. Ecol. Inform. 2023, 77, 102242. [Google Scholar] [CrossRef]
100. Belgiu, M.; Drăguţ, L. Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sens. 2016, 114, 24–31. [Google Scholar] [CrossRef]
101. Whyte, A.; Ferentinos, K.P.; Petropoulos, G.P. A new synergistic approach for monitoring wetlands using Sentinels -1 and 2 data with object-based machine learning algorithms. Environ. Model. Softw. 2018, 104, 40–54. [Google Scholar] [CrossRef]
102. Ali, M.Z.; Qazi, W.; Aslam, N. A comparative study of ALOS-2 PALSAR and landsat-8 imagery for land cover classification using maximum likelihood classifier. Egypt J. Remote Sens. Space Sci. 2018, 21, S29–S35. [Google Scholar] [CrossRef]
103. Ghayour, L.; Neshat, A.; Paryani, S.; Shahabi, H.; Shirzadi, A.; Chen, W.; Al-Ansari, N.; Geertsema, M.; Pourmehdi Amiri, M.; Gholamnia, M.; et al. Performance Evaluation of Sentinel-2 and Landsat 8 OLI Data for Land Cover/Use Classification Using a Comparison between Machine Learning Algorithms. Remote Sens. 2021, 13, 1349. [Google Scholar] [CrossRef]
104. Nguyen, T.T.; Ngo, H.H.; Guo, W.S.; Chang, S.W.; Nguyen, D.D.; Nguyen, C.T.; Zhang, J.; Liang, S.; Bui, X.T.; Hoang, N.B. A low-cost approach for soil moisture prediction using multi-sensor data and machine learning algorithm. Sci. Total Environ. 2022, 833, 12–155066. [Google Scholar] [CrossRef] [PubMed]
105. Liu, Y.; Sun, Q.; Huang, J.; Feng, H.K.; Wang, J.J.; Yang, G.J. Estimation of Potato Above Ground Biomass Based on UAV Multispectral Images. Spectrosc. Spectr. Anal. 2021, 41, 2549–2555. [Google Scholar]
106. Li, Z.P.; Zhou, X.G.; Cheng, Q.; Fei, S.P.; Chen, Z. A Machine-Learning Model Based on the Fusion of Spectral and Textural Features from UAV Multi-Sensors to Analyse the Total Nitrogen Content in Winter Wheat. Remote Sens. 2023, 15, 2152. [Google Scholar] [CrossRef]
107. Pejak, B.; Lugonja, P.; Antic, A.; Panic, M.; Pandzic, M.; Alexakis, E.; Mavrepis, P.; Zhou, N.A.; Marko, O.; Crnojevic, V. Soya Yield Prediction on a Within-Field Scale Using Machine Learning Models Trained on Sentinel-2 and Soil Data. Remote Sens. 2022, 14, 2256. [Google Scholar] [CrossRef]
108. Ye, Y.; Huang, Q.Q.; Rong, Y.; Yu, X.H.; Liang, W.J.; Chen, Y.X.; Xiong, S.W. Field detection of small pests through stochastic gradient descent with genetic algorithm. Comput. Electron. Agric. 2023, 206, 107694. [Google Scholar] [CrossRef]
109. Zualkernan, I.; Abuhani, D.A.; Hussain, M.H.; Khan, J.; El Mohandes, M. Machine Learning for Precision Agriculture Using Imagery from Unmanned Aerial Vehicles (UAVs): A Survey. Drones 2023, 7, 382. [Google Scholar] [CrossRef]
110. Khan, S.; Tufail, M.; Khan, M.T.; Khan, Z.A.; Iqbal, J.; Alam, M. A novel semi-supervised framework for UAV based crop/weed classification. PLoS ONE 2021, 16, e0251008. [Google Scholar] [CrossRef]
111. Mujkic, E.; Philipsen, M.P.; Moeslund, T.B.; Christiansen, M.P.; Ravn, O. Anomaly Detection for Agricultural Vehicles Using Autoencoders. Sensors 2022, 22, 3608. [Google Scholar] [CrossRef]
112. Chen, X.; Zhang, C.; Yan, K.; Wei, Z.; Cheng, N. Risk Assessment of Agricultural Soil Heavy Metal Pollution Under the Hybrid Intelligent Evaluation Model. IEEE Access 2023, 11, 106847–106858. [Google Scholar] [CrossRef]
113. Alvarenga, T.C.; De Lima, R.R.; Simao, S.D.; Brandao Junior, L.C.; Bueno Filho, J.S.D.S.; Alvarenga, R.R.; Rodrigues, P.B.; Leite, D.F. Ensemble of hybrid Bayesian networks for predicting the AMEn of broiler feedstuffs. Comput. Electron. Agric. 2022, 198, 107067. [Google Scholar] [CrossRef]
114. Lu, Q.K.; Xie, Y.P.; Wei, L.F.; Wei, Z.Y.; Tian, S.; Liu, H.; Cao, L. Extended Attribute Profiles for Precise Crop Classification in UAV-Borne Hyperspectral Imagery. IEEE Geosci. Remote Sens. Lett. 2024, 21, 2500805. [Google Scholar] [CrossRef]
115. Maeda, N.; Tonooka, H. Early Stage Forest Fire Detection from Himawari-8 AHI Images Using a Modified MOD14 Algorithm Combined with Machine Learning. Sensors 2023, 23, 210. [Google Scholar] [CrossRef]
116. Furuya, D.E.G.; Ma, L.F.; Pinheiro, M.M.F.; Gomes, F.D.G.; Gonçalvez, W.N.; Marcato, J.; Rodrigues, D.D.; Blassioli-Moraes, M.C.; Michereff, M.F.F.; Borges, M.; et al. Prediction of insect-herbivory-damage and insect-type attack in maize plants using hyperspectral data. Int. J. Appl. Earth Obs. Geoinf. 2021, 105, 102608. [Google Scholar] [CrossRef]
117. Javadi, S.H.; Guerrero, A.; Mouazen, A.M. Clustering and Smoothing Pipeline for Management Zone Delineation Using Proximal and Remote Sensing. Sensors 2022, 22, 645. [Google Scholar] [CrossRef]
118. Devarajan, G.G.; Nagarajan, S.M.; Ramana, T.V.; Vignesh, T.; Ghosh, U.; Alnumay, W. DDNSAS: Deep reinforcement learning based deep Q-learning network for smart agriculture system. Sust. Comput. 2023, 39, 100890. [Google Scholar] [CrossRef]
119. Din, A.; Ismail, M.Y.; Shah, B.B.; Babar, M.; Ali, F.; Baig, S.U. A deep reinforcement learning-based multi-agent area coverage control for smart agriculture. Comput. Electr. Eng. 2022, 101, 108089. [Google Scholar] [CrossRef]
120. García, R.; Aguilar, J.; Toro, M.; Pinto, A.; Rodríguez, P. A systematic literature review on the use of machine learning in precision livestock farming. Comput. Electron. Agric. 2020, 179, 105826. [Google Scholar] [CrossRef]
121. Shahab, H.; Iqbal, M.; Sohaib, A.; Ullah Khan, F.; Waqas, M. IoT-based agriculture management techniques for sustainable farming: A comprehensive review. Comput. Electron. Agric. 2024, 220, 108851. [Google Scholar] [CrossRef]
122. Rehman, T.U.; Mahmud, M.S.; Chang, Y.K.; Jin, J.; Shin, J. Current and future applications of statistical machine learning algorithms for agricultural machine vision systems. Comput. Electron. Agric. 2019, 156, 585–605. [Google Scholar] [CrossRef]
123. Sladojevic, S.; Arsenovic, M.; Anderla, A.; Culibrk, D.; Stefanovic, D. Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification. Comput. Intell. Neurosci. 2016, 2016, 3289801. [Google Scholar] [CrossRef] [PubMed]
124. Li, J.; Qiao, Y.; Liu, S.; Zhang, J.; Yang, Z.; Wang, M. An improved YOLOv5-based vegetable disease detection method. Comput. Electron. Agric. 2022, 202, 107345. [Google Scholar] [CrossRef]
125. Ashwinkumar, S.; Rajagopal, S.; Manimaran, V.; Jegajothi, B. Automated plant leaf disease detection and classification using optimal MobileNet based convolutional neural networks. Mater. Today Proc. 2022, 51, 480–487. [Google Scholar] [CrossRef]
126. Yu, Y. Research Progress of Crop Disease Image Recognition Based on Wireless Network Communication and Deep Learning. Wirel. Commun. Mob. Comput. 2021, 2021, 7577349. [Google Scholar] [CrossRef]
127. Ang, Y.H.; Shafri, H.Z.M.; Lee, Y.P.; Abidin, H.; Bakar, S.A.; Hashim, S.J.; Che’Ya, N.N.; Hassan, M.R.; San Lim, H.; Abdullah, R. A novel ensemble machine learning and time series approach for oil palm yield prediction using Landsat time series imagery based on NDVI. Geocarto Int. 2022, 37, 9865–9896. [Google Scholar] [CrossRef]
128. Aydin, Y.; Isikdag, U.; Bekdas, G.; Nigdeli, S.M.; Geem, Z.W. Use of Machine Learning Techniques in Soil Classification. Sustainability 2023, 15, 2374. [Google Scholar] [CrossRef]
129. Osco, L.P.; Nogueira, K.; Marques Ramos, A.P.; Faita Pinheiro, M.M.; Furuya, D.E.G.; Gonçalves, W.N.; de Castro Jorge, L.A.; Marcato Junior, J.; dos Santos, J.A. Semantic segmentation of citrus-orchard using deep neural networks and multispectral UAV-based imagery. Precis. Agric. 2021, 22, 1171–1188. [Google Scholar] [CrossRef]
130. Kellenberger, B.; Marcos, D.; Tuia, D. Detecting mammals in UAV images: Best practices to address a substantially imbalanced dataset with deep learning. Remote Sens. Environ. 2018, 216, 139–153. [Google Scholar] [CrossRef]
131. Kamath, R.; Balachandra, M.; Vardhan, A.; Maheshwari, U. Classification of paddy crop and weeds using semantic segmentation. Cogent Eng. 2022, 9, 2018791. [Google Scholar] [CrossRef]
132. Jin, X.; Sun, Y.; Che, J.; Bagavathiannan, M.; Yu, J.; Chen, Y. A novel deep learning-based method for detection of weeds in vegetables. Pest Manag. Sci. 2022, 78, 1861–1869. [Google Scholar] [CrossRef]
133. Xun, L.; Zhang, J.; Cao, D.; Wang, J.; Zhang, S.; Yao, F. Mapping cotton cultivated area combining remote sensing with a fused representation-based classification algorithm. Comput. Electron. Agric. 2021, 181, 105940. [Google Scholar] [CrossRef]
134. Zhao, H.; Huang, Y.; Wang, X.; Li, X.; Lei, T. The performance of SPEI integrated remote sensing data for monitoring agricultural drought in the North China Plain. Field Crops Res. 2023, 302, 109041. [Google Scholar] [CrossRef]
135. Lyu, X.; Li, X.; Dang, D.; Dou, H.; Xuan, X.; Liu, S.; Li, M.; Gong, J. A new method for grassland degradation monitoring by vegetation species composition using hyperspectral remote sensing. Ecol. Indic. 2020, 114, 106310. [Google Scholar] [CrossRef]
136. Xiao, D.; Niu, H.; Guo, F.; Zhao, S.; Fan, L. Monitoring irrigation dynamics in paddy fields using spatiotemporal fusion of Sentinel-2 and MODIS. Agric. Water Manag. 2022, 263, 107409. [Google Scholar] [CrossRef]
137. Zhang, G.; Xiao, X.; Dong, J.; Kou, W.; Jin, C.; Qin, Y.; Zhou, Y.; Wang, J.; Menarguez, M.A.; Biradar, C. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data. ISPRS J. Photogramm. Remote Sens. 2015, 106, 157–171. [Google Scholar] [CrossRef]
138. Liu, J.-R.; Liu, Q.; Khoury, J.; Li, Y.-J.; Han, X.-H.; Li, J.; Ibla, J.C. Hypoxic preconditioning decreases nuclear factor κB activity via Disrupted in Schizophrenia-1. Int. J. Biochem. Cell Biol. 2016, 70, 140–148. [Google Scholar] [CrossRef]
139. Guo, Y.; Ren, H. Remote sensing monitoring of maize and paddy rice planting area using GF-6 WFV red edge features. Comput. Electron. Agric. 2023, 207, 107714. [Google Scholar] [CrossRef]
140. DeVries, B.; Verbesselt, J.; Kooistra, L.; Herold, M. Robust monitoring of small-scale forest disturbances in a tropical montane forest using Landsat time series. Remote Sens. Environ. 2015, 161, 107–121. [Google Scholar] [CrossRef]
141. Jevsenak, J.; Arnic, D.; Krajnc, L.; Skudnik, M. Machine Learning Forest Simulator (MLFS): R package for data-driven assessment of the future state of forests. Ecol. Inform. 2023, 75, 102115. [Google Scholar] [CrossRef]
142. Bagheri Bodaghabadi, M.; Martínez-Casasnovas, J.A.; Esfandiarpour Borujeni, I.; Salehi, M.H.; Mohammadi, J.; Toomanian, N. Database extension for digital soil mapping using artificial neural networks. Arab. J. Geosci. 2016, 9, 701. [Google Scholar] [CrossRef]
143. Dornik, A.; Drăguț, L.; Urdea, P. Classification of Soil Types Using Geographic Object-Based Image Analysis and Random Forests. Pedosphere 2018, 28, 913–925. [Google Scholar] [CrossRef]
144. Lu, H.; Liu, C.; Li, N.; Fu, X.; Li, L. Optimal segmentation scale selection and evaluation of cultivated land objects based on high-resolution remote sensing images with spectral and texture features. Environ. Sci. Pollut. Res. 2021, 28, 27067–27083. [Google Scholar] [CrossRef]
145. Rai, N.; Flores, P. Leveraging transfer learning in ArcGIS Pro to detect “doubles” in a sunflower field. In ASABE Annual International Virtual Meeting; ASABE: St. Joseph, MI, USA, 2021; p. 1. [Google Scholar]
146. Butte, S.; Vakanski, A.; Duellman, K.; Wang, H.; Mirkouei, A. Potato crop stress identification in aerial images using deep learning-based object detection. Agron. J. 2021, 113, 3991–4002. [Google Scholar] [CrossRef]
147. Rong, J.; Zhou, H.; Zhang, F.; Yuan, T.; Wang, P. Tomato cluster detection and counting using improved YOLOv5 based on RGB-D fusion. Comput. Electron. Agric. 2023, 207, 107741. [Google Scholar] [CrossRef]
148. Guo, Q.; Potter, K.M.; Ren, H.; Zhang, P. Impacts of Exotic Pests on Forest Ecosystems: An Update. Forests 2023, 14, 605. [Google Scholar] [CrossRef]
149. Li, W.; Zheng, T.; Yang, Z.; Li, M.; Sun, C.; Yang, X. Classification and detection of insects from field images using deep learning for smart pest management: A systematic review. Ecol. Inform. 2021, 66, 101460. [Google Scholar] [CrossRef]
150. Sun, Y.; Liu, X.; Yuan, M.; Ren, L.; Wang, J.; Chen, Z. Automatic in-trap pest detection using deep learning for pheromone-based Dendroctonus valens monitoring. Biosyst. Eng. 2018, 176, 140–150. [Google Scholar] [CrossRef]
151. Partel, V.; Nunes, L.; Stansly, P.; Ampatzidis, Y. Automated vision-based system for monitoring Asian citrus psyllid in orchards utilizing artificial intelligence. Comput. Electron. Agric. 2019, 162, 328–336. [Google Scholar] [CrossRef]
152. Mahanta, D.K.; Bhoi, T.K.; Komal, J.; Samal, I.; Mastinu, A. Spatial, spectral and temporal insights: Harnessing high-resolution satellite remote sensing and artificial intelligence for early monitoring of wood boring pests in forests. Plant Stress. 2024, 11, 100381. [Google Scholar] [CrossRef]
153. Bhatnagar, S.; Mahanta, D.K.; Vyas, V.; Samal, I.; Komal, J.; Bhoi, T.K. Storage Pest Management with Nanopesticides Incorporating Silicon Nanoparticles: A Novel Approach for Sustainable Crop Preservation and Food Security. Silicon 2024, 16, 471–483. [Google Scholar] [CrossRef]
154. Barchenkov, A.; Rubtsov, A.; Safronova, I.; Astapenko, S.; Tabakova, K.; Bogdanova, K.; Anuev, E.; Arzac, A. Features of Scots Pine Mortality Due to Incursion of Pine Bark Beetles in Symbiosis with Ophiostomatoid Fungi in the Forest-Steppe of Central Siberia. Forests 2023, 14, 1301. [Google Scholar] [CrossRef]
155. Ballesteros, R.; Ortega, J.F.; Hernández, D.; Moreno, M.A. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part II: Application to maize and onion crops of a semi-arid region in Spain. Precis. Agric. 2014, 15, 593–614. [Google Scholar] [CrossRef]
156. Gopalakrishnan, R.; Subhash, C.; Kalpana, K. Predictive zoning of rice stem borer damage in southern India through spatial interpolation of weather-based models. J. Environ. Biol. 2014, 35, 923–928. [Google Scholar]
157. Nurfaiz Abd Kharim, M.; Wayayok, A.; Fikri Abdullah, A.; Rashid Mohamed Shariff, A.; Mohd Husin, E.; Razif Mahadi, M. Predictive zoning of pest and disease infestations in rice field based on UAV aerial imagery. Egypt. J. Remote Sens. Space Sci. 2022, 25, 831–840. [Google Scholar] [CrossRef]
158. Shi, Y.; Huang, W.; Luo, J.; Huang, L.; Zhou, X. Detection and discrimination of pests and diseases in winter wheat based on spectral indices and kernel discriminant analysis. Comput. Electron. Agric. 2017, 141, 171–180. [Google Scholar] [CrossRef]
159. Yuan, L.; Zhang, H.; Zhang, Y.; Xing, C.; Bao, Z. Feasibility assessment of multi-spectral satellite sensors in monitoring and discriminating wheat diseases and insects. Optik 2017, 131, 598–608. [Google Scholar] [CrossRef]
160. Ebrahimi, M.A.; Khoshtaghaza, M.H.; Minaei, S.; Jamshidi, B. Vision-based pest detection based on SVM classification method. Comput. Electron. Agric. 2017, 137, 52–58. [Google Scholar] [CrossRef]
161. Kumar, D.; Kukreja, V. An Instance Segmentation Approach for Wheat Yellow Rust Disease Recognition. In Proceedings of the International Conference on Decision Aid Sciences and Application (DASA), Sakheer, Bahrain, 7–8 December 2021; pp. 926–931. [Google Scholar]
162. Amarathunga, D.C.; Grundy, J.; Parry, H.; Dorin, A. Methods of insect image capture and classification: A Systematic literature review. Smart Agric. Technol. 2021, 1, 100023. [Google Scholar] [CrossRef]
163. Tetila, E.C.; Machado, B.B.; Menezes, G.V.; Belete, N.A.d.S.; Astolfi, G.; Pistori, H. A Deep-Learning Approach for Automatic Counting of Soybean Insect Pests. IEEE Geosci. Remote Sens. Lett. 2020, 17, 1837–1841. [Google Scholar] [CrossRef]
164. Abade, A.; Porto, L.F.; Ferreira, P.A.; de Barros Vidal, F. NemaNet: A convolutional neural network model for identification of soybean nematodes. Biosyst. Eng. 2022, 213, 39–62. [Google Scholar] [CrossRef]
165. Kamilaris, A.; Prenafeta-Boldú, F.X. Deep learning in agriculture: A survey. Comput. Electron. Agric. 2018, 147, 70–90. [Google Scholar] [CrossRef]
166. Li, R.; Wang, R.; Zhang, J.; Xie, C.; Liu, L.; Wang, F.; Chen, H.; Chen, T.; Hu, H.; Jia, X.; et al. An Effective Data Augmentation Strategy for CNN-Based Pest Localization and Recognition in the Field. IEEE Access 2019, 7, 160274–160283. [Google Scholar] [CrossRef]
167. Vélez, S.; Ariza-Sentís, M.; Valente, J. Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery. Eur. J. Agron. 2023, 142, 126691. [Google Scholar] [CrossRef]
168. Gomez Selvaraj, M.; Vergara, A.; Montenegro, F.; Alonso Ruiz, H.; Safari, N.; Raymaekers, D.; Ocimati, W.; Ntamwira, J.; Tits, L.; Omondi, A.B.; et al. Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin. ISPRS J. Photogramm. Remote Sens. 2020, 169, 110–124. [Google Scholar] [CrossRef]
169. Alshammari, H.H.; Alzahrani, A. Employing a hybrid lion-firefly algorithm for recognition and classification of olive leaf disease in Saudi Arabia. Alexandria. Eng. J. 2023, 84, 215–226. [Google Scholar] [CrossRef]
170. Zhang, T.; Xu, Z.; Su, J.; Yang, Z.; Liu, C.; Chen, W.-H.; Li, J. Ir-UNet: Irregular Segmentation U-Shape Network for Wheat Yellow Rust Detection by UAV Multispectral Imagery. Remote Sens. 2021, 13, 3892. [Google Scholar] [CrossRef]
171. Jin, X.; Jie, L.; Wang, S.; Qi, H.J.; Li, S.W. Classifying Wheat Hyperspectral Pixels of Healthy Heads and Fusarium Head Blight Disease Using a Deep Neural Network in the Wild Field. Remote Sens. 2018, 10, 395. [Google Scholar] [CrossRef]
172. Zhang, Y.; Lv, C. TinySegformer: A lightweight visual segmentation model for real-time agricultural pest detection. Comput. Electron. Agric. 2024, 218, 108740. [Google Scholar] [CrossRef]
173. Lu, S.; Ye, S.-j. Using an image segmentation and support vector machine method for identifying two locust species and instars. J. Integr. Agric. 2020, 19, 1301–1313. [Google Scholar] [CrossRef]
174. Barbedo, J.G.A.; Tibola, C.S.; Fernandes, J.M.C. Detecting Fusarium head blight in wheat kernels using hyperspectral imaging. Biosyst. Eng. 2015, 131, 65–76. [Google Scholar] [CrossRef]
175. Mumtaz, R.; Maqsood, M.H.; Haq Iu Shafi, U.; Mahmood, Z.; Mumtaz, M. Integrated digital image processing techniques and deep learning approaches for wheat stripe rust disease detection and grading. Decis. Anal. J. 2023, 8, 100305. [Google Scholar] [CrossRef]
176. Bao, W.; Zhu, Z.; Hu, G.; Zhou, X.; Zhang, D.; Yang, X. UAV remote sensing detection of tea leaf blight based on DDMA-YOLO. Comput. Electron. Agric. 2023, 205, 107637. [Google Scholar] [CrossRef]
177. Li, D.; Song, Z.; Quan, C.; Xu, X.; Liu, C. Recent advances in image fusion technology in agriculture. Comput. Electron. Agric. 2021, 191, 106491. [Google Scholar] [CrossRef]
178. Ali, M.A.; Sharma, A.K.; Dhanaraj, R.K. Heterogeneous features and deep learning networks fusion-based pest detection, prevention and controlling system using IoT and pest sound analytics in a vast agriculture system. Comput. Electr. Eng. 2024, 116, 109146. [Google Scholar] [CrossRef]
179. Lin, Q.; Huang, H.; Wang, J.; Chen, L.; Du, H.; Zhou, G. Early detection of pine shoot beetle attack using vertical profile of plant traits through UAV-based hyperspectral, thermal, and lidar data fusion. Int. J. Appl. Earth Obs. Geoinf. 2023, 125, 103549. [Google Scholar] [CrossRef]
180. Dalagnol, R.; Phillips, O.L.; Gloor, E.; Galvão, L.S.; Wagner, F.H.; Locks, C.J.; Aragão, L.E.O.C. Quantifying Canopy Tree Loss and Gap Recovery in Tropical Forests under Low-Intensity Logging Using VHR Satellite Imagery and Airborne LiDAR. Remote Sens. 2019, 11, 817. [Google Scholar] [CrossRef]
181. Pantazi, X.E.; Moshou, D.; Bochtis, D. Chapter 5-Tutorial II: Disease detection with fusion techniques. In Intelligent Data Mining and Fusion Systems in Agriculture; Pantazi, X.E., Moshou, D., Bochtis, D., Eds.; Academic Press: Cambridge, MA, USA, 2020; pp. 199–221. [Google Scholar]
182. Kaya, Y.; Gürsoy, E. A novel multi-head CNN design to identify plant diseases using the fusion of RGB images. Ecol. Inform. 2023, 75, 101998. [Google Scholar] [CrossRef]
183. Ma, R.; Zhang, N.; Zhang, X.; Bai, T.; Yuan, X.; Bao, H.; He, D.; Sun, W.; He, Y. Cotton Verticillium wilt monitoring based on UAV multispectral-visible multi-source feature fusion. Comput. Electron. Agric. 2024, 217, 108628. [Google Scholar] [CrossRef]
184. De Cesaro Júnior, T.; Rieder, R.; Di Domênico, J.R.; Lau, D. InsectCV: A system for insect detection in the lab from trap images. Ecol. Inform. 2022, 67, 101516. [Google Scholar] [CrossRef]
185. Ishengoma, F.S.; Rai, I.A.; Ngoga, S.R. Hybrid convolution neural network model for a quicker detection of infested maize plants with fall armyworms using UAV-based images. Ecol. Inform. 2022, 67, 101502. [Google Scholar] [CrossRef]
186. Waheed, A.; Goyal, M.; Gupta, D.; Khanna, A.; Hassanien, A.E.; Pandey, H.M. An optimized dense convolutional neural network model for disease recognition and classification in corn leaf. Comput. Electron. Agric. 2020, 175, 105456. [Google Scholar] [CrossRef]
187. Sunil, C.K.; Jaidhar, C.D.; Patil, N. Tomato plant disease classification using Multilevel Feature Fusion with adaptive channel spatial and pixel attention mechanism. Expert Syst. Appl. 2023, 228, 120381. [Google Scholar] [CrossRef]
188. Dong, S.; Teng, Y.; Jiao, L.; Du, J.; Liu, K.; Wang, R. ESA-Net: An efficient scale-aware network for small crop pest detection. Expert Syst. Appl. 2024, 236, 121308. [Google Scholar] [CrossRef]
189. Amarathunga, D.C.; Ratnayake, M.N.; Grundy, J.; Dorin, A. Fine-grained image classification of microscopic insect pest species: Western Flower thrips and Plague thrips. Comput. Electron. Agric. 2022, 203, 107462. [Google Scholar] [CrossRef]
190. Ye, W.; Lao, J.; Liu, Y.; Chang, C.-C.; Zhang, Z.; Li, H.; Zhou, H. Pine pest detection using remote sensing satellite images combined with a multi-scale attention-UNet model. Ecol. Inform. 2022, 72, 101906. [Google Scholar] [CrossRef]
191. Kaliraj, S.; Adhikari, K.; Dharumarajan, S.; Lalitha, M.; Kumar, N. Chapter 3-Remote sensing and geographic information system applications. In Mapping and Assessment of Soil Resources; Dharumarajan, S., Kaliraj, S., Adhikari, K., Lalitha, M., Kumar, N., Eds.; Remote Sensing of Soils Elsevier: Amsterdam, The Netherlands, 2024; pp. 25–41. [Google Scholar]
192. Yang, H.; Zhang, X.; Xu, M.; Shao, S.; Wang, X.; Liu, W.; Wu, D.; Ma, Y.; Bao, Y.; Zhang, X.; et al. Hyper-temporal remote sensing data in bare soil period and terrain attributes for digital soil mapping in the Black soil regions of China. Catena 2020, 184, 104259. [Google Scholar] [CrossRef]
193. Das, B.; Rathore, P.; Roy, D.; Chakraborty, D.; Bhattacharya, B.K.; Mandal, D.; Jatav, R.; Sethi, D.; Mukherjee, J.; Sehgal, V.K.; et al. Ensemble surface soil moisture estimates at farm-scale combining satellite-based optical-thermal-microwave remote sensing observations. Agric. For. Meteorol. 2023, 339, 109567. [Google Scholar] [CrossRef]
194. Dash, P.K. Chapter 22—Remote sensing as a potential tool for advancing digital soil mapping. In Remote Sensing of Soils; Dharumarajan, S., Kaliraj, S., Adhikari, K., Lalitha, M., Kumar, N., Eds.; Elsevier: Amsterdam, The Netherlands, 2024; pp. 357–370. [Google Scholar]
195. Das, S.; Ghimire, D. Chapter 25—Soil organic carbon: Measurement and monitoring using remote sensing data. In Remote Sensing of Soils; Dharumarajan, S., Kaliraj, S., Adhikari, K., Lalitha, M., Kumar, N., Eds.; Elsevier: Amsterdam, The Netherlands, 2024; pp. 395–409. [Google Scholar]
196. Hareesh, S.B. Chapter 7—The latest applications of remote sensing technologies for soil management in precision agriculture practices. In Remote Sensing in Precision Agriculture; Lamine, S., Srivastava, P.K., Kayad, A., Muñoz-Arriola, F., Pandey, P.C., Eds.; Academic Press: Cambridge, MA, USA, 2024; pp. 105–135. [Google Scholar]
197. Peña-Arancibia, J.L.; Mainuddin, M.; Kirby, J.M.; Chiew, F.H.S.; McVicar, T.R.; Vaze, J. Assessing irrigated agriculture’s surface water and groundwater consumption by combining satellite remote sensing and hydrologic modelling. Sci. Total Environ. 2016, 542, 372–382. [Google Scholar] [CrossRef] [PubMed]
198. Li, Q.; Hao, H.; Zhao, Y.; Geng, Q.; Liu, G.; Zhang, Y.; Yu, F. GANs-LSTM Model for Soil Temperature Estimation From Meteorological: A New Approach. IEEE Access 2020, 8, 59427–59443. [Google Scholar] [CrossRef]
199. Li, Q.; Li, Z.; Shangguan, W.; Wang, X.; Li, L.; Yu, F. Improving soil moisture prediction using a novel encoder-decoder model with residual learning. Comput. Electron. Agric. 2022, 195, 106816. [Google Scholar] [CrossRef]
200. Mohanty, B.P.; Cosh, M.H.; Lakshmi, V.; Montzka, C. Soil Moisture Remote Sensing: State-of-the-Science. Vadose Zone J. 2017, 16, 1–9. [Google Scholar] [CrossRef]
201. Maynard, J.J.; Levi, M.R. Hyper-temporal remote sensing for digital soil mapping: Characterizing soil-vegetation response to climatic variability. Geoderma 2017, 285, 94–109. [Google Scholar] [CrossRef]
202. Duan, M.; Song, X.; Li, Z.; Zhang, X.; Ding, X.; Cui, D. Identifying soil groups and selecting a high-accuracy classification method based on multi-textural features with optimal window sizes using remote sensing images. Ecol. Inform. 2024, 81, 102563. [Google Scholar] [CrossRef]
203. Zhou, Q.B.; Yu, Q.Y.; Liu, J.; Wu, W.B.; Tang, H.J. Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring. J. Integr. Agric. 2017, 16, 242–251. [Google Scholar] [CrossRef]
204. Musasa, T.; Dube, T.; Marambanyika, T. Landsat satellite programme potential for soil erosion assessment and monitoring in arid environments: A review of applications and challenges. Int. Soil Water Conserv. Res. 2023, 12, 267–278. [Google Scholar] [CrossRef]
205. Wang, J.; Zhang, Y.; Song, P.; Tian, J. Estimating sub-daily resolution soil moisture using Fengyun satellite data and machine learning. J. Hydrol. 2024, 632, 130814. [Google Scholar] [CrossRef]
206. Kolassa, J.; Reichle, R.H.; Liu, Q.; Alemohammad, S.H.; Gentine, P.; Aida, K.; Asanuma, J.; Bircher, S.; Caldwell, T.; Colliander, A.; et al. Estimating surface soil moisture from SMAP observations using a Neural Network technique. Remote Sens. Environ. 2018, 204, 43–59. [Google Scholar] [CrossRef]
207. Wang La Zhou, X.; Zhu, X.; Dong, Z.; Guo, W. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data. Crop J. 2016, 4, 212–219. [Google Scholar] [CrossRef]
208. Yang, H.; Xiong, L.; Liu, D.; Cheng, L.; Chen, J. High spatial resolution simulation of profile soil moisture by assimilating multi-source remote-sensed information into a distributed hydrological model. J. Hydrol. 2021, 597, 126311. [Google Scholar] [CrossRef]
209. Mammadov, E.; Nowosad, J.; Glaesser, C. Estimation and mapping of surface soil properties in the Caucasus Mountains, Azerbaijan using high-resolution remote sensing data. Geoderma Reg. 2021, 26, e00411. [Google Scholar] [CrossRef]
210. Straffelini, E.; Pijl, A.; Otto, S.; Marchesini, E.; Pitacco, A.; Tarolli, P. A high-resolution physical modelling approach to assess runoff and soil erosion in vineyards under different soil managements. Soil Tillage Res. 2022, 222, 105418. [Google Scholar] [CrossRef]
211. Koley, S.; Jeganathan, C. Estimation and evaluation of high spatial resolution surface soil moisture using multi-sensor multi-resolution approach. Geoderma 2020, 378, 114618. [Google Scholar] [CrossRef]
212. Bertalan, L.; Holb, I.; Pataki, A.; Négyesi, G.; Szabó, G.; Kupásné Szalóki, A.; Szabo, S. UAV-based multispectral and thermal cameras to predict soil water content–A machine learning approach. Comput. Electron. Agric. 2022, 200, 107262. [Google Scholar] [CrossRef]
213. Menzies Pluer, E.G.; Robinson, D.T.; Meinen, B.U.; Macrae, M.L. Pairing soil sampling with very-high resolution UAV imagery: An examination of drivers of soil and nutrient movement and agricultural productivity in southern Ontario. Geoderma 2020, 379, 114630. [Google Scholar] [CrossRef]
214. Cheng, M.; Jiao, X.; Liu, Y.; Shao, M.; Yu, X.; Bai, Y.; Wang, Z.; Wang, S.; Tuohuti, N.; Liu, S.; et al. Estimation of soil moisture content under high maize canopy coverage from UAV multimodal data and machine learning. Agric. Water Manag. 2022, 264, 107530. [Google Scholar] [CrossRef]
215. Huuskonen, J.; Oksanen, T. Soil sampling with drones and augmented reality in precision agriculture. Comput. Electron. Agric. 2018, 154, 25–35. [Google Scholar] [CrossRef]
216. Shokati, H.; Mashal, M.; Noroozi, A.; Mirzaei, S.; Mohammadi-Doqozloo, Z. Assessing soil moisture levels using visible UAV imagery and machine learning models. Remote Sens. Appl. Soc. Environ. 2023, 32, 101076. [Google Scholar] [CrossRef]
217. Wang, Z.; Zhang, X.; Zhang, F.; Chan, N.W.; Kung, H.-t.; Liu, S.; Deng, L. Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China. Ecol. Indic. 2020, 119, 106869. [Google Scholar] [CrossRef]
218. Ma, S.; He, B.; Ge, X.; Luo, X. Spatial prediction of soil salinity based on the Google Earth Engine platform with multitemporal synthetic remote sensing images. Ecol. Inform. 2023, 75, 102111. [Google Scholar] [CrossRef]
219. Du, R.; Chen, J.; Xiang, Y.; Xiang, R.; Yang, X.; Wang, T.; He, Y.; Wu, Y.; Yin, H.; Zhang, Z.; et al. Timely monitoring of soil water-salt dynamics within cropland by hybrid spectral unmixing and machine learning models. Int. Soil Water Conserv. Res. 2023, 12, 726–740. [Google Scholar] [CrossRef]
220. Golestani, M.; Mosleh Ghahfarokhi, Z.; Esfandiarpour-Boroujeni, I.; Shirani, H. Evaluating the spatiotemporal variations of soil salinity in Sirjan Playa, Iran using Sentinel-2A and Landsat-8 OLI imagery. Catena 2023, 231, 107375. [Google Scholar] [CrossRef]
221. Sothe, C.; Gonsamo, A.; Arabian, J.; Snider, J. Large scale mapping of soil organic carbon concentration with 3D machine learning and satellite observations. Geoderma 2022, 405, 115402. [Google Scholar] [CrossRef]
222. Rahman, A.; Abdullah, H.M.; Tanzir, M.T.; Hossain, M.J.; Khan, B.M.; Miah, M.G.; Islam, I. Performance of different machine learning algorithms on satellite image classification in rural and urban setup. Remote Sens. Appl. Soc. Environ. 2020, 20, 100410. [Google Scholar] [CrossRef]
223. Huang, H.; Wang, J.; Liu, C.; Liang, L.; Li, C.; Gong, P. The migration of training samples towards dynamic global land cover mapping. ISPRS J. Photogramm. Remote Sens. 2020, 161, 27–36. [Google Scholar] [CrossRef]
224. Zafar, Z.; Zubair, M.; Zha, Y.; Fahd, S.; Ahmad Nadeem, A. Performance assessment of machine learning algorithms for mapping of land use/land cover using remote sensing data. Egypt. J. Remote Sens. Space Sci. 2024, 27, 216–226. [Google Scholar] [CrossRef]
225. Elhadi, M.I.A.; Mutanga, O.; Odindi, J.; Abdel-Rahman, E.M. Land-use/cover classification in a heterogeneous coastal landscape using RapidEye imagery: Evaluating the performance of random forest and support vector machines classifiers. Int. J. Remote Sens. 2014, 35, 3440–3458. [Google Scholar]
226. Gómez, C.; White, J.C.; Wulder, M.A. Optical remotely sensed time series data for land cover classification: A review. ISPRS J. Photogramm. Remote Sens. 2016, 116, 55–72. [Google Scholar] [CrossRef]
227. Matlhodi, B.; Kenabatho, P.K.; Parida, B.P.; Maphanyane, J.G. Evaluating Land Use and Land Cover Change in the Gaborone Dam Catchment, Botswana, from 1984–2015 Using GIS and Remote Sensing. Sustainability 2019, 11, 5174. [Google Scholar] [CrossRef]
228. Liu, J.; Yang, K.; Tariq, A.; Lu, L.; Soufan, W.; El Sabagh, A. Interaction of climate, topography and soil properties with cropland and cropping pattern using remote sensing data and machine learning methods. Egypt. J. Remote Sens. Space Sci. 2023, 26, 415–426. [Google Scholar] [CrossRef]
229. Yuh, Y.G.; Tracz, W.; Matthews, H.D.; Turner, S.E. Application of machine learning approaches for land cover monitoring in northern Cameroon. Ecol. Inform. 2023, 74, 101955. [Google Scholar] [CrossRef]
230. Khatami, R.; Mountrakis, G.; Stehman, S.V. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research. Remote Sens. Environ. 2016, 177, 89–100. [Google Scholar] [CrossRef]
231. Nitze, I.; Barrett, B.; Cawkwell, F. Temporal optimisation of image acquisition for land cover classification with Random Forest and MODIS time-series. Int. J. Appl. Earth Obs. Geoinf. 2015, 34, 136–146. [Google Scholar] [CrossRef]
232. Zhang, S.; Liu, L.Y. The potential of the MERIS Terrestrial Chlorophyll Index for crop yield prediction. Remote Sens. Lett. 2014, 5, 733–742. [Google Scholar] [CrossRef]
233. Teodoro, A. Applicability of data mining algorithms in the identification of beach features/patterns on high-resolution satellite data. J. Appl. Remote Sens. 2015, 9, 095095. [Google Scholar] [CrossRef]
234. Sinha, S.; Sharma, L.K.; Nathawat, M.S. Improved Land-use/Land-cover classification of semi-arid deciduous forest landscape using thermal remote sensing. Egypt. J. Remote Sens. Space Sci. 2015, 18, 217–233. [Google Scholar] [CrossRef]
235. Mei, A.; Manzo, C.; Fontinovo, G.; Bassani, C.; Allegrini, A.; Petracchini, F. Assessment of land cover changes in Lampedusa Island (Italy) using Landsat TM and OLI data. J. Afr. Earth Sci. 2016, 122, 15–24. [Google Scholar] [CrossRef]
236. Silva, L.P.E.; Xavier, A.P.C.; da Silva, R.M.; Santos, C.A.G. Modeling land cover change based on an artificial neural network for a semiarid river basin in northeastern Brazil. Glob. Ecol. Conserv. 2020, 21, e00811. [Google Scholar] [CrossRef]
237. Zhang, H.K.; Roy, D.P.; Luo, D. Demonstration of large area land cover classification with a one dimensional convolutional neural network applied to single pixel temporal metric percentiles. Remote Sens. Environ. 2023, 295, 113653. [Google Scholar] [CrossRef]
238. Zhang, C.; Yue, P.; Tapete, D.; Shangguan, B.; Wang, M.; Wu, Z. A multi-level context-guided classification method with object-based convolutional neural network for land cover classification using very high resolution remote sensing images. Int. J. Appl. Earth Obs. Geoinf. 2020, 88, 102086. [Google Scholar] [CrossRef]
239. Loukika, K.N.; Keesara, V.R.; Sridhar, V. Analysis of Land Use and Land Cover Using Machine Learning Algorithms on Google Earth Engine for Munneru River Basin, India. Sustainability 2021, 13, 13758. [Google Scholar] [CrossRef]
240. Prasad, P.; Loveson, V.J.; Chandra, P.; Kotha, M. Evaluation and comparison of the earth observing sensors in land cover/land use studies using machine learning algorithms. Ecol. Inform. 2022, 68, 101522. [Google Scholar] [CrossRef]
241. Zhou, X.; Zheng, H.B.; Xu, X.Q.; He, J.Y.; Ge, X.K.; Yao, X.; Cheng, T.; Zhu, Y.; Cao, W.X.; Tian, Y.C. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery. ISPRS J. Photogramm. Remote Sens. 2017, 130, 246–255. [Google Scholar] [CrossRef]
242. Wang, L.; Tian, Y.; Yao, X.; Zhu, Y.; Cao, W. Predicting grain yield and protein content in wheat by fusing multi-sensor and multi-temporal remote-sensing images. Field Crops Res. 2014, 164, 178–188. [Google Scholar] [CrossRef]
243. Furukawa, F.; Maruyama, K.; Saito, Y.K.; Kaneko, M. Corn Height Estimation Using UAV for Yield Prediction and Crop Monitoring. In Unmanned Aerial Vehicle: Applications in Agriculture and Environment; Avtar, R., Watanabe, T., Eds.; Springer International Publishing: Cham, Switzerland, 2020; pp. 51–69. [Google Scholar]
244. Johnson, D.M. An assessment of pre- and within-season remotely sensed variables for forecasting corn and soybean yields in the United States. Remote Sens. Environ. 2014, 141, 116–128. [Google Scholar] [CrossRef]
245. Shao, M.; Nie, C.; Zhang, A.; Shi, L.; Zha, Y.; Xu, H.; Yang, H.; Yu, X.; Bai, Y.; Liu, S.; et al. Quantifying effect of maize tassels on LAI estimation based on multispectral imagery and machine learning methods. Comput. Electron. Agric. 2023, 211, 108029. [Google Scholar] [CrossRef]
246. Yang, C.; Lee, W.S.; Gader, P. Hyperspectral band selection for detecting different blueberry fruit maturity stages. Comput. Electron. Agric. 2014, 109, 23–31. [Google Scholar] [CrossRef]
247. Peña, M.A.; Brenning, A. Assessing fruit-tree crop classification from Landsat-8 time series for the Maipo Valley, Chile. Remote Sens. Environ. 2015, 171, 234–244. [Google Scholar] [CrossRef]
248. Liang, L.; Di, L.; Zhang, L.; Deng, M.; Qin, Z.; Zhao, S.; Lin, H. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method. Remote Sens. Environ. 2015, 165, 123–134. [Google Scholar] [CrossRef]
249. Yang, Z.; Shao, Y.; Li, K.; Liu, Q.; Liu, L.; Brisco, B. An improved scheme for rice phenology estimation based on time-series multispectral HJ-1A/B and polarimetric RADARSAT-2 data. Remote Sens. Environ. 2017, 195, 184–201. [Google Scholar] [CrossRef]
250. Azadbakht, M.; Ashourloo, D.; Aghighi, H.; Homayouni, S.; Shahrabi, H.S.; Matkan, A.; Radiom, S. Alfalfa yield estimation based on time series of Landsat 8 and PROBA-V images: An investigation of machine learning techniques and spectral-temporal features. Remote Sens. Appl. Soc. Environ. 2022, 25, 100657. [Google Scholar] [CrossRef]
251. Görgens, E.B.; Montaghi, A.; Rodriguez, L.C.E. A performance comparison of machine learning methods to estimate the fast-growing forest plantation yield based on laser scanning metrics. Comput. Electron. Agric. 2015, 116, 221–227. [Google Scholar] [CrossRef]
252. Guo, Z.; Chamberlin, J.; You, L. Smallholder maize yield estimation using satellite data and machine learning in Ethiopia. Crop Environ. 2023, 2, 165–174. [Google Scholar] [CrossRef]
253. Van Ewijk, K.Y.; Randin, C.F.; Treitz, P.M.; Scott, N.A. Predicting fine-scale tree species abundance patterns using biotic variables derived from LiDAR and high spatial resolution imagery. Remote Sens. Environ. 2014, 150, 120–131. [Google Scholar] [CrossRef]
254. Khanal, S.; Klopfenstein, A.; Kc, K.; Ramarao, V.; Fulton, J.; Douridas, N.; Shearer, S.A. Assessing the impact of agricultural field traffic on corn grain yield using remote sensing and machine learning. Soil Tillage Res. 2021, 208, 104880. [Google Scholar] [CrossRef]
255. Habibi, L.N.; Matsui, T.; Tanaka, T.S.T. Critical evaluation of the effects of a cross-validation strategy and machine learning optimization on the prediction accuracy and transferability of a soybean yield prediction model using UAV-based remote sensing. J. Agric. Food Res. 2024, 16, 101096. [Google Scholar] [CrossRef]
256. Zhang, S.; Qi, X.; Gao, M.; Dai, C.; Yin, G.; Ma, D.; Feng, W.; Guo, T.; He, L. Estimation of wheat protein content and wet gluten content based on fusion of hyperspectral and RGB sensors using machine learning algorithms. Food Chem. 2024, 448, 139103. [Google Scholar] [CrossRef]
257. Guo, Y.; Xiao, Y.; Hao, F.; Zhang, X.; Chen, J.; de Beurs, K.; He, Y.; Fu, Y.H. Comparison of different machine learning algorithms for predicting maize grain yield using UAV-based hyperspectral images. Int. J. Appl. Earth Obs. Geoinf. 2023, 124, 103528. [Google Scholar] [CrossRef]
258. Qu, H.; Zheng, C.; Ji, H.; Barai, K.; Zhang, Y.-J. A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects. Comput. Electron. Agric. 2024, 216, 108543. [Google Scholar] [CrossRef]
259. Yu, N.; Li, L.; Schmitz, N.; Tian, L.F.; Greenberg, J.A.; Diers, B.W. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform. Remote Sens. Environ. 2016, 187, 91–101. [Google Scholar] [CrossRef]
260. Maimaitijiang, M.; Ghulam, A.; Sidike, P.; Hartling, S.; Maimaitiyiming, M.; Peterson, K.; Shavers, E.; Fishman, J.; Peterson, J.; Kadam, S.; et al. Unmanned Aerial System (UAS)-based phenotyping of soybean using multi-sensor data fusion and extreme learning machine. ISPRS J. Photogramm. Remote Sens. 2017, 134, 43–58. [Google Scholar] [CrossRef]
261. Xu, W.; Chen, P.; Zhan, Y.; Chen, S.; Zhang, L.; Lan, Y. Cotton yield estimation model based on machine learning using time series UAV remote sensing data. Int. J. Appl. Earth Obs. Geoinf. 2021, 104, 102511. [Google Scholar] [CrossRef]
262. Liu, S.; Jin, X.; Bai, Y.; Wu, W.; Cui, N.; Cheng, M.; Liu, Y.; Meng, L.; Jia, X.; Nie, C.; et al. UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background. Int. J. Appl. Earth Obs. Geoinf. 2023, 121, 103383. [Google Scholar] [CrossRef]
263. Kern, A.; Barcza, Z.; Marjanović, H.; Árendás, T.; Fodor, N.; Bónis, P.; Bognár, P.; Lichtenberger, J. Statistical modelling of crop yield in Central Europe using climate data and remote sensing vegetation indices. Agric. For. Meteorol. 2018, 260, 300–320. [Google Scholar] [CrossRef]
264. Bai, H.; Xiao, D.; Tang, J.; Liu, D.L. Evaluation of wheat yield in North China Plain under extreme climate by coupling crop model with machine learning. Comput. Electron. Agric. 2024, 217, 108651. [Google Scholar] [CrossRef]
265. Khanal, S.; Fulton, J.; Klopfenstein, A.; Douridas, N.; Shearer, S. Integration of high resolution remotely sensed data and machine learning techniques for spatial prediction of soil properties and corn yield. Comput. Electron. Agric. 2018, 153, 213–225. [Google Scholar] [CrossRef]
266. Jagdeep, S.; Gobinder, S.; Gupta, N. Balancing phosphorus fertilization for sustainable maize yield and soil test phosphorus management: A long-term study using machine learning. Field Crops Res. 2023, 304, 109169. [Google Scholar] [CrossRef]
267. Fry, J.; Guber, A.K.; Ladoni, M.; Munoz, J.D.; Kravchenko, A.N. The effect of up-scaling soil properties and model parameters on predictive accuracy of DSSAT crop simulation model under variable weather conditions. Geoderma 2017, 287, 105–115. [Google Scholar] [CrossRef]
268. Zain, M.; Si, Z.; Li, S.; Gao, Y.; Mehmood, F.; Rahman, S.-U.; Mounkaila Hamani, A.K.; Duan, A. The Coupled Effects of Irrigation Scheduling and Nitrogen Fertilization Mode on Growth, Yield and Water Use Efficiency in Drip-Irrigated Winter Wheat. Sustainability 2021, 13, 2742. [Google Scholar] [CrossRef]
269. Wang, Y.; Shi, W.; Wen, T. Prediction of winter wheat yield and dry matter in North China Plain using machine learning algorithms for optimal water and nitrogen application. Agric. Water Manag. 2023, 277, 108140. [Google Scholar] [CrossRef]
270. Kaur Dhaliwal, J.; Panday, D.; Saha, D.; Lee, J.; Jagadamma, S.; Schaeffer, S.; Mengistu, A. Predicting and interpreting cotton yield and its determinants under long-term conservation management practices using machine learning. Comput. Electron. Agric. 2022, 199, 107107. [Google Scholar] [CrossRef]
271. Elavarasan, D.; Vincent, D.R.; Sharma, V.; Zomaya, A.Y.; Srinivasan, K. Forecasting yield by integrating agrarian factors and machine learning models: A survey. Comput. Electron. Agric. 2018, 155, 257–282. [Google Scholar] [CrossRef]
272. Singh, B.; Jana, A.K. Forecast of agri-residues generation from rice, wheat and oilseed crops in India using machine learning techniques: Exploring strategies for sustainable smart management. Environ. Res. 2024, 245, 117993. [Google Scholar] [CrossRef]
273. Zhou, H.K.; Yang, J.H.; Lou, W.D.; Sheng, L.; Li, D.; Hu, H. Improving grain yield prediction through fusion of multi-temporal spectral features and agronomic trait parameters derived from UAV imagery. Front. Plant Sci. 2023, 14, 1217448. [Google Scholar] [CrossRef]
274. Habyarimana, E.; Piccard, I.; Catellani, M.; De Franceschi, P.; Dall’Agata, M. Towards Predictive Modeling of Sorghum Biomass Yields Using Fraction of Absorbed Photosynthetically Active Radiation Derived from Sentinel-2 Satellite Imagery and Supervised Machine Learning Techniques. Agronomy 2019, 9, 203. [Google Scholar] [CrossRef]
275. Kowalik, W.; Dabrowska-Zielinska, K.; Meroni, M.; Raczka, T.U.; de Wit, A. Yield estimation using SPOT-VEGETATION products: A case study of wheat in European countries. Int. J. Appl. Earth Obs. Geoinf. 2014, 32, 228–239. [Google Scholar] [CrossRef]
276. Castaldi, F.; Casa, R.; Pelosi, F.; Yang, H. Influence of acquisition time and resolution on wheat yield estimation at the field scale from canopy biophysical variables retrieved from SPOT satellite data. Int. J. Remote Sens. 2015, 36, 2438–2459. [Google Scholar] [CrossRef]
277. Naghdyzadegan Jahromi, M.; Zand-Parsa, S.; Razzaghi, F.; Jamshidi, S.; Didari, S.; Doosthosseini, A.; Pourghasemi, H.R. Developing machine learning models for wheat yield prediction using ground-based data, satellite-based actual evapotranspiration and vegetation indices. Eur. J. Agron. 2023, 146, 126820. [Google Scholar] [CrossRef]
278. Jurečka, F.; Fischer, M.; Hlavinka, P.; Balek, J.; Semerádová, D.; Bláhová, M.; Anderson, M.C.; Hain, C.; Žalud, Z.; Trnka, M. Potential of water balance and remote sensing-based evapotranspiration models to predict yields of spring barley and winter wheat in the Czech Republic. Agric. Water Manag. 2021, 256, 107064. [Google Scholar] [CrossRef]
279. Yang, C.; Lei, H. Evaluation of data assimilation strategies on improving the performance of crop modeling based on a novel evapotranspiration assimilation framework. Agric. For. Meteorol. 2024, 346, 109882. [Google Scholar] [CrossRef]
280. Gilardelli, C.; Stella, T.; Confalonieri, R.; Ranghetti, L.; Campos-Taberner, M.; García-Haro, F.J.; Boschetti, M. Downscaling rice yield simulation at sub-field scale using remotely sensed LAI data. Eur. J. Agron. 2019, 103, 108–116. [Google Scholar] [CrossRef]
281. Gaso, D.V.; de Wit, A.; Berger, A.G.; Kooistra, L. Predicting within-field soybean yield variability by coupling Sentinel-2 leaf area index with a crop growth model. Agric. For. Meteorol. 2021, 308, 108553. [Google Scholar] [CrossRef]
282. Liu, C.; Liu, Y.; Lu, Y.H.; Liao, Y.L.; Nie, J.; Yuan, X.L.; Chen, F. Use of a leaf chlorophyll content index to improve the prediction of above-ground biomass and productivity. PeerJ 2019, 6. [Google Scholar] [CrossRef] [PubMed]
283. Singh, V.; Kunal Singh, M.; Singh, B. Spectral indices measured with proximal sensing using canopy reflectance sensor, chlorophyll meter and leaf color chart for in-season grain yield prediction of basmati rice. Pedosphere 2022, 32, 812–822. [Google Scholar] [CrossRef]
284. Zhang, J.; Feng, L.; Yao, F. Improved maize cultivated area estimation over a large scale combining MODIS–EVI time series data and crop phenological information. ISPRS J. Photogramm. Remote Sens. 2014, 94, 102–113. [Google Scholar] [CrossRef]
285. De la Casa, A.; Ovando, G.; Bressanini, L.; Martínez, J.; Díaz, G.; Miranda, C. Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot. ISPRS J. Photogramm. Remote Sens. 2018, 146, 531–547. [Google Scholar] [CrossRef]
286. Kitano, B.T.; Mendes, C.C.T.; Geus, A.R.; Oliveira, H.C.; Souza, J.R. Corn Plant Counting Using Deep Learning and UAV Images. IEEE Geosci. Remote Sens. Lett. 2019, 1–5. [Google Scholar] [CrossRef]
287. Jhajharia, K.; Mathur, P. Prediction of crop yield using satellite vegetation indices combined with machine learning approaches. Adv. Space Res. 2023, 72, 3998–4007. [Google Scholar] [CrossRef]
288. Shammi, S.A.; Meng, Q. Use time series NDVI and EVI to develop dynamic crop growth metrics for yield modeling. Ecol. Indic. 2021, 121, 107124. [Google Scholar] [CrossRef]
289. Zhao, Y.; Vergopolan, N.; Baylis, K.; Blekking, J.; Caylor, K.; Evans, T.; Giroux, S.; Sheffield, J.; Estes, L. Comparing empirical and survey-based yield forecasts in a dryland agro-ecosystem. Agric. For. Meteorol. 2018, 262, 147–156. [Google Scholar] [CrossRef]
290. Zhang, H.; Wang, L.; Tian, T.; Yin, J. A Review of Unmanned Aerial Vehicle Low-Altitude Remote Sensing (UAV-LARS) Use in Agricultural Monitoring in China. Remote Sens. 2021, 13, 1221. [Google Scholar] [CrossRef]
291. Zhang, Y.X.; Walker, J.P.; Pauwels, V.R.N.; Sadeh, Y. Assimilation of Wheat and Soil States into the APSIM-Wheat Crop Model: A Case Study. Remote Sens. 2022, 14, 65. [Google Scholar] [CrossRef]
292. Kheir, A.M.S.; Mkuhlani, S.; Mugo, J.W.; Elnashar, A.; Nangia, V.; Devare, M.; Govind, A. Integrating APSIM model with machine learning to predict wheat yield spatial distribution. Agron. J. 2023, 115, 3188–3196. [Google Scholar] [CrossRef]
293. Bai, T.; Zhang, N.; Mercatoris, B.; Chen, Y. Improving Jujube Fruit Tree Yield Estimation at the Field Scale by Assimilating a Single Landsat Remotely-Sensed LAI into the WOFOST Model. Remote Sens. 2019, 11, 1119. [Google Scholar] [CrossRef]
294. Tie-cheng, B.; Wang, T.; Zhang, N.N.; Chen, Y.Q.; Mercatoris, B. Growth simulation and yield prediction for perennial jujube fruit tree by integrating age into the WOFOST model. J. Integr. Agric. 2020, 19, 721–734. [Google Scholar] [CrossRef]
295. Shi, Y.; Wang, Z.; Hou, C.; Zhang, P. Yield estimation of Lycium barbarum L. based on the WOFOST model. Ecol. Model. 2022, 473, 110146. [Google Scholar] [CrossRef]
296. Bellakanji, A.C.; Zribi, M.; Lili-Chabaane, Z.; Mougenot, B. Forecasting of Cereal Yields in a Semi-arid Area Using the Simple Algorithm for Yield Estimation (SAFY) Agro-Meteorological Model Combined with Optical SPOT/HRV Images. Sensors 2018, 18, 2138. [Google Scholar] [CrossRef]
297. Huang, J.; Sedano, F.; Huang, Y.; Ma, H.; Li, X.; Liang, S.; Tian, L.; Zhang, X.; Fan, J.; Wu, W. Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation. Agric. For. Meteorol. 2016, 216, 188–202. [Google Scholar] [CrossRef]
298. Fattori Junior, I.M.; dos Santos Vianna, M.; Marin, F.R. Assimilating leaf area index data into a sugarcane process-based crop model for improving yield estimation. Eur. J. Agron. 2022, 136, 126501. [Google Scholar] [CrossRef]
299. Hu, S.; Shi, L.; Huang, K.; Zha, Y.; Hu, X.; Ye, H.; Yang, Q. Improvement of sugarcane crop simulation by SWAP-WOFOST model via data assimilation. Field Crops Res. 2019, 232, 49–61. [Google Scholar] [CrossRef]
300. Tang, Y.; Zhou, R.; He, P.; Yu, M.; Zheng, H.; Yao, X.; Cheng, T.; Zhu, Y.; Cao, W.; Tian, Y. Estimating wheat grain yield by assimilating phenology and LAI with the WheatGrow model based on theoretical uncertainty of remotely sensed observation. Agric. For. Meteorol. 2023, 339, 109574. [Google Scholar] [CrossRef]
301. Li, Z.; Ding, L.; Shen, B.; Chen, J.; Xu, D.; Wang, X.; Fang, W.; Pulatov, A.; Kussainova, M.; Amarjargal, A.; et al. Quantifying key vegetation parameters from Sentinel-3 and MODIS over the eastern Eurasian steppe with a Bayesian geostatistical model. Sci. Total Environ. 2024, 909, 168594. [Google Scholar] [CrossRef]
302. Xue, H.; Xu, X.; Zhu, Q.; Meng, Y.; Long, H.; Li, H.; Song, X.; Yang, G.; Yang, M.; Li, Y.; et al. Rice yield and quality estimation coupling hierarchical linear model with remote sensing. Comput. Electron. Agric. 2024, 218, 108731. [Google Scholar] [CrossRef]
303. Pandey, D.K.; Mishra, R. Towards sustainable agriculture: Harnessing AI for global food security. Artif. Intell. Agric. 2024, 12, 72–84. [Google Scholar] [CrossRef]
304. Liu, Q.; Wang, C.; Jiang, J.; Wu, J.; Wang, X.; Cao, Q.; Tian, Y.; Zhu, Y.; Cao, W.; Liu, X. Multi-source data fusion improved the potential of proximal fluorescence sensors in predicting nitrogen nutrition status across winter wheat growth stages. Comput. Electron. Agric. 2024, 219, 108786. [Google Scholar] [CrossRef]
305. Zhao, M.; Meng, Q.; Wang, L.; Zhang, L.; Hu, X.; Shi, W. Towards robust classification of multi-view remote sensing images with partial data availability. Remote Sens. Environ. 2024, 306, 114112. [Google Scholar] [CrossRef]
306. Baltodano, A.; Agramont, A.; Lekarkar, K.; Spyrakos, E.; Reusen, I.; van Griensven, A. Exploring global remote sensing products for water quality assessment: Lake Nicaragua case study. Remote Sens. Appl. Soc. Environ. 2024, 36, 101331. [Google Scholar] [CrossRef]
307. Zhang, H.K.; Qiu, S.; Suh, J.W.; Luo, D.; Zhu, Z. Machine Learning and Deep Learning in Remote Sensing Data Analysis. In Reference Module in Earth Systems and Environmental Sciences; Elsevier: Amsterdam, The Netherlands, 2024. [Google Scholar]
308. Feng, H.; Li, Q.; Wang, W.; Bashir, A.K.; Singh, A.K.; Xu, J.; Fang, K. Security of target recognition for UAV forestry remote sensing based on multi-source data fusion transformer framework. Inf. Fusion 2024, 112, 102555. [Google Scholar] [CrossRef]
309. Joshi, P.; Sandhu, K.S.; Singh Dhillon, G.; Chen, J.; Bohara, K. Detection and monitoring wheat diseases using unmanned aerial vehicles (UAVs). Comput. Electron. Agric. 2024, 224, 109158. [Google Scholar] [CrossRef]
310. Wu, Z.; Luo, J.; Rao, K.; Lin, H.; Song, X. Estimation of wheat kernel moisture content based on hyperspectral reflectance and satellite multispectral imagery. Int. J. Appl. Earth Obs. Geoinf. 2024, 126, 103597. [Google Scholar] [CrossRef]
311. Qin, P.; Huang, H.; Tang, H.; Wang, J.; Liu, C. MUSTFN: A spatiotemporal fusion method for multi-scale and multi-sensor remote sensing images based on a convolutional neural network. Int. J. Appl. Earth Obs. Geoinf. 2022, 115, 103113. [Google Scholar] [CrossRef]
312. Marin, D.B.; Ferraz, G.A.e.S.; Santana, L.S.; Barbosa, B.D.S.; Barata, R.A.P.; Osco, L.P.; Ramos, A.P.M.; Guimarães, P.H.S. Detecting coffee leaf rust with UAV-based vegetation indices and decision tree machine learning models. Comput. Electron. Agric. 2021, 190, 106476. [Google Scholar] [CrossRef]
313. López-Pérez, E.; Sanchis-Ibor, C.; Jiménez-Bello, M.Á.; Pulido-Velazquez, M. Mapping of irrigated vineyard areas through the use of machine learning techniques and remote sensing. Agric. Water Manag. 2024, 302, 108988. [Google Scholar] [CrossRef]
314. Hao, S.; Ryu, D.; Western, A.W.; Perry, E.; Bogena, H.; Franssen, H.J.H. Global sensitivity analysis of APSIM-wheat yield predictions to model parameters and inputs. Ecol. Model. 2024, 487, 110551. [Google Scholar] [CrossRef]
315. Fawakherji, M.; Suriani, V.; Nardi, D.; Bloisi, D.D. Shape and style GAN-based multispectral data augmentation for crop/weed segmentation in precision farming. Crop Prot. 2024, 184, 106848. [Google Scholar] [CrossRef]
316. Dos Santos, E.P.; Moreira, M.C.; Fernandes-Filho, E.I.; Demattê, J.A.M.; Santos, U.J.d.; da Silva, D.D.; Cruz, R.R.P.; Moura-Bueno, J.M.; Santos, I.C.; Sampaio, E.V.d.S.B. Improving the generalization error and transparency of regression models to estimate soil organic carbon using soil reflectance data. Ecol. Inform. 2023, 77, 102240. [Google Scholar] [CrossRef]
317. Goodridge, W.; Bernard, M.; Jordan, R.; Rampersad, R. Intelligent diagnosis of diseases in plants using a hybrid Multi-Criteria decision making technique. Comput. Electron. Agric. 2017, 133, 80–87. [Google Scholar] [CrossRef]
318. Kumar, V.; Sharma, K.V.; Kedam, N.; Patel, A.; Kate, T.R.; Rathnayake, U. A comprehensive review on smart and sustainable agriculture using IoT technologies. Smart Agric. Technol. 2024, 8, 100487. [Google Scholar] [CrossRef]
319. Zhou, J.; Gu, X.; Gong, H.; Yang, X.; Sun, Q.; Guo, L.; Pan, Y. Intelligent classification of maize straw types from UAV remote sensing images using DenseNet201 deep transfer learning algorithm. Ecol. Indic. 2024, 166, 112331. [Google Scholar] [CrossRef]
320. Prasanna Lakshmi, G.S.; Asha, P.N.; Sandhya, G.; Vivek Sharma, S.; Shilpashree, S.; Subramanya, S.G. An intelligent IOT sensor coupled precision irrigation model for agriculture. Meas. Sens. 2023, 25, 100608. [Google Scholar] [CrossRef]
321. Bissadu, K.D.; Sonko, S.; Hossain, G. Society 5.0 enabled agriculture: Drivers, enabling technologies, architectures, opportunities, and challenges. Inf. Process. Agric. 2024. [Google Scholar] [CrossRef]
322. Et-taibi, B.; Abid, M.R.; Boufounas, E.-M.; Morchid, A.; Bourhnane, S.; Abu Hamed, T.; Benhaddou, D. Enhancing water management in smart agriculture: A cloud and IoT-Based smart irrigation system. Results Eng. 2024, 22, 102283. [Google Scholar] [CrossRef]
323. Rostami, K.; Salehi, L. Rural cooperatives social responsibility in promoting Sustainability-oriented Activities in the agricultural sector: Nexus of community, enterprise, and government. Sustain. Futures 2024, 7, 100150. [Google Scholar] [CrossRef]
324. Pingali, P.; Plavšić, M. Hunger and environmental goals for Asia: Synergies and trade-offs among the SDGs. Environ. Chall. 2022, 7, 100491. [Google Scholar] [CrossRef]

Авторы: Jun Wang1, Yanlong Wang, Guang Li, Zhengyuan Qi