多光谱 高光谱 作物 监测

系统综述无人机遥感在作物病虫害、倒伏、杂草和土壤墒情检测中的应用进展。

综述精准花卉业如何用GPS、无人机、遥感、AI与物联网提升花卉生产效率。

综述AI（CNN、ViT、无人机遥感、物联网）用于作物病虫害早期检测并融入种植园风险管理。

综述AI在植物病害检测中的应用，涵盖分类、检测、分割及早期诊断，并指出田间部署的瓶颈与新兴方向。

综述光子与光电子材料器件结合物联网和机器学习，支撑气候韧性智慧农业的作物与土壤监测。

分析无人机与遥感农业术语从英语借入乌兹别克语的五种机制。

综述无人机遥感在作物倒伏监测中的技术流程、传感器与分析模型。

综述红边遥感在农业中的物理基础、条件依赖性与可解释机器学习中的新角色。

综述光学传感驱动的设施作物高通量表型平台，涵盖传感器、平台架构与数据处理。

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。

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。