印度 精准农业 无人机

综述无人机应用潜力与发展趋势，强调其向自主化、网络化、数据驱动系统演进。

提出并评估了在45°斜视无人机图像中检测田间二维码标记的可复现流程，解码成功率达98.2%。

实证研究尼日利亚技术型农场中现代技术创新与粮食安全的关系。

对比无人机RGB与LiDAR传感器在甘蔗田地形测绘中的精度与适用性。

用无人机高光谱结合水分校正与Stacking集成模型反演土壤盐分。

用多时相无人机影像估算氮肥与堆肥处理下红麻株高，构建高精度回归模型。

开发基于AI的无人机系统，用无监督算法从航拍图像估算果树高度和冠层体积。

MDPI AgriEngineering 2026, 8(6), 249。精准农业越来越依赖应用于无人机(UAV)采集的高分辨率数据的机器学习来支持作物监测、胁迫检测和产量预测。本综述提出了无人机赋能精准农业机器学习方法的结构化综述,在一个由感知模态、数据类型、模型家族和分析任务四个维度定义的统一分类法中组织100多项同行评议研究。该分类法能够在RGB、多光谱、高光谱、LiDAR和IoT数据源之间进行系统比较,并在经典机器学习、深度学习、混合顺序模型和新兴基于Transformer的架构之间进行系统比较。分析建模选择如何与数据特征相互作用以影响鲁棒性、跨环境泛化、计算效率和UAV及边缘平台上的部署可行性。识别新兴研究方向,包括数据高效学习、表示级多模态融合、域自适应、轻量级架构和不确定性感知决策支持。

Arsalan Iqbal在《engrXiv》预印本平台发布研究,提出一种基于强化学习引导的自主四旋翼无人机平台,融合机载视觉同步定位与建图(Visual SLAM)与推扫式高光谱成像载荷,在近实时构建地理参考的、冠层配准的作物水分胁迫指数(CWSI)地图。平台采用近端策略优化(PPO)训练的自适应采样策略,根据飞行中积累的证据将飞行时间和传感器驻留时间重新分配到新兴水分胁迫区域。在0.8公顷试验田模拟田间试验中,强化学习引导策略实现了92%的水分胁迫区域检测率(固定网格基线为61%),同时任务飞行时间减少约32%。研究还报告了SLAM衍生的冠层结构对CWSI精度的贡献消融研究、田间复杂性敏感性和全误差预算分析。注:本研究为预印本,未经实地验证。