Remote Sensing and Machine Learning for Futuristic Horticulture: A Comprehensive Review
Jadala Shankaraswamy · Md Abdul Gaffor
综述遥感与机器学习在印度园艺作物精准管理中的应用，涵盖原理、方法、案例与挑战。
系统综述遥感平台与机器学习算法，分析五个典型案例及国家平台。
遥感与机器学习结合可提升园艺作物养分、病虫害、适种性等管理精度，但面临成本与数据挑战。
可探索低成本、可解释的遥感-机器学习模型，并集成多源数据以解决小农园艺场景的适用性问题。
综述全面，案例详实，对印度园艺精准农业有参考价值，但时效性一般。
园艺作物——包括水果、蔬菜、种植园作物、花卉、香料及药用植物——构成了印度农业部门营养与经济的基础。然而，它们持续面临产量波动、水资源与养分利用效率低下、病虫害压力以及采后损失等挑战。本综述综合探讨了遥感（Remote Sensing, RS）与机器学习（Machine Learning, ML）在推动未来化、可持续及精准园艺中的变革性作用。文章追溯了农业生产系统从农业1.0到农业5.0的演进历程，随后全面讨论了遥感的基本原理、要素、四种基本分辨率（空间、光谱、时间、辐射）以及多平台架构（卫星、航空、无人机、地面）。同时，提出了机器学习的并行分类体系——监督学习、半监督学习、无监督学习、强化学习及深度学习框架，并重点介绍了最广泛应用于园艺数据集的随机森林、支持向量机、XGBoost和卷积神经网络算法。文章深入分析了五个代表性案例研究：（i）基于无人机多光谱与集成学习对番荔枝叶片氮素监测；（ii）基于高光谱与人工神经网络/随机森林/决策树模型对芒果和草莓果实品质参数的评估；（iii）基于无人机高光谱的柑橘溃疡病检测；（iv）基于NPK、pH及气候变量的机器学习作物推荐系统；以及（v）基于遥感和地理信息系统（GIS）的卡纳塔克邦甘吉加蒂子流域六种主要果树土壤-立地适宜性评价。文章还回顾了CHAMAN、Bhoonidhi、Bhuvan和PMFBY等国家平台，作为遥感与机器学习价值链的运营示范。最后，讨论了技术、经济和伦理方面的挑战——包括地面真值稀缺、传感器成本、模型可解释性、数字鸿沟和数据隐私问题，并提出了印度园艺业在农业5.0时代的发展路径。