空天地一体化人工智能赋能农产品系统：进展、机遇与挑战综述

空天地一体化人工智能赋能农产品系统：进展、机遇与挑战综述

引用

CSDN

1.

https://blog.csdn.net/m0_59164304/article/details/146104410

随着全球人口增长，粮食短缺问题日益严峻，需要更智能、高效和可持续的农产品系统。人工智能已在计算机视觉、遥感、自然语言处理等多个领域取得突破，并逐步应用于农产品系统，如农作物分类、生长监测、产量预测和质量评估。但AI在农产品系统的整体影响仍不清晰，需要系统性回顾和总结。

数据

在农产品系统中，高质量的数据对于 AI 模型的训练、分析和预测至关重要。本节详细介绍了数据来源、数据存储及处理的主要方法。

数据来源（Data Sources）

农产品系统的数据主要来自遥感（Remote Sensing, RS）、无人机（UAV）、地面传感器（Onsite Devices）以及实验室（Laboratory Conditions）等多个来源。

卫星遥感（Satellite Remote Sensing）

• 特点：
• 提供大尺度、多时相、多光谱的遥感数据，适用于农产品系统的大范围监测。
• 可用于作物分类、产量预测、病害检测、土壤湿度监测等任务。
• 数据源主要分为光学遥感（Optical RS）和合成孔径雷达（SAR）。
• 主要卫星及传感器：
• 光学遥感 vs SAR（Synthetic Aperture Radar）
• 光学遥感（MODIS, Sentinel-2, Landsat）：提供高光谱、多光谱数据，但受天气影响大（如云层覆盖）。
• SAR 遥感（Sentinel-1）：可以穿透云层，全天候获取土壤湿度、作物生长信息，适用于水分监测。

无人机（Unmanned Aerial Vehicles, UAVs）

• 特点：
• 超高空间分辨率（厘米级别），适用于精细化农业管理。
• 灵活部署，可低成本、高频次地采集数据，不受云层遮挡。
• 可搭载RGB、多光谱、热红外、激光雷达（LiDAR）等多种传感器，提供多模态数据。
• 典型应用：
• 作物分类（RGB + 多光谱）
• 土壤湿度监测（热红外 + LiDAR）
• 病害检测（RGB + 高光谱）
• 产量估算（NDVI + 3D 建模）
• 示例研究：
• Pang et al. (2020)：结合 RGB 和多光谱 UAV 数据，提高玉米品种的早期估算精度。
• Oliveira et al. (2021)：结合 RGB 和高光谱 UAV 数据，分析牧草的产量和质量。

机载影像（Manned Aircraft）

• 特点：
• 介于卫星和无人机之间，适用于中等尺度（省级/国家级）农业监测。
• 机载传感器分辨率高于卫星，覆盖范围大于 UAV。
• 在一些研究中，机载影像优于 UAV 数据，特别是在作物分类方面。
• 示例研究：Mattupalli et al. (2022)：对比 UAV 和机载影像，在农作物分类中，机载影像在多个类别上表现更优。

现场设备（Onsite Devices）

• 设备：地面高光谱仪、手持光谱仪、手持 GPS、多光谱/热成像相机、数码相机。
• 用途：用于作物生长监测、病害检测、产量估算。
• 示例：Hasan et al. (2021) 用 RGB 相机估算小麦产量，Hu et al. (2021) 拍摄小麦 canopy 影像进行品种选择。

其他传感器（Other Sensors）

• 设备：TDR（监测土壤水分）、RSX-1 伽马射线探测器（测量土壤辐射）。
• 特点：数据精准，适用于 AI 训练，但成本高、覆盖范围有。

实验室（Laboratory Conditions）

• 特点：某些数据无法通过实地测量或遥感获取，实验室分析提供高精度数据作为参考值。
• 用途：测定土壤有机质、作物叶片氮含量、作物干重等指标。

数据存储与处理（Data Storage and Processing）

数据存储

• 政府开放数据：GEE、USGS、ESA。
• 商用数据库：PlanetScope（高分）、QuickBird/WorldView（收费）。
• 本地存储：UAV 影像和实验室数据通常存于本地磁盘，数据量大时需用云存储或数据库。

数据预处理

• 光学影像：
• 辐射校正：转换为反射率。
• 大气校正：去除云、气溶胶影响。
• 几何校正：确保地理对齐。
• 影像镶嵌：合并大范围影像。
• SAR 影像：
• 去噪：去除斑点噪声。
• 极化分析：利用 HH、HV、VV 进行土壤湿度分析。
• 无人机影像：
• 正射纠正：矫正地理误差。
• 影像拼接：合并 UAV 影像。

方法

传统机器学习方法（Traditional Machine Learning Methods）

• 主要方法：KNN、决策树（DT）、高斯过程回归（GPR）、SVM、随机森林（RF）、XGBoost 等。
• 主要应用：
• 作物分类：使用 DT、SVM 和梯度提升决策树（GBDT）识别不同作物（如咖啡、小麦、玉米、水稻等）。
• 预测任务：线性回归（LR）、最小二乘法（OLS）、KNN 用于土壤湿度监测、产量预测、生物量估算。
• 畜牧业：用于牧场监测、疾病检测。
• 渔业：用于渔场识别、产量预测。

深度学习方法（Deep Learning Methods）

• 近年来，由于计算能力提升和数据规模增长，DL 在农业领域广泛应用，主要方法包括：
• CNN：用于作物分类。
• 3D CNN、LSTM：用于时间序列任务，如作物产量预测、动物位置追踪。
• ViT（视觉 Transformer）：用于作物分类、杂草检测。
• 任务类型：
• 分类（Classification）：预测作物种类。
• 分割（Segmentation）：像素级分类（如田间作物识别）。
• 目标检测（Detection）：定位目标物体（如病害叶片）。
• 跟踪（Tracking）：预测目标移动轨迹（如牲畜跟踪）。

模型评估（Model Evaluation）

• AI 方法在农业分类任务中的准确率（Overall Accuracy, OA）和 Kappa 系数通常高于传统方法。
• 例如，在 WHU-Hi 数据集上的 AI 模型准确率可达 90% 以上。
• 预训练大模型比传统方法更适应新场景，且 AI 方法减少了人工标注的需求。

应用

农产品分类（Agrifood Classification）

• 遥感（RS）技术广泛应用于农业监测，主要包括：
• 耕地识别（Cropland Recognition）：检测所有耕地。
• 多类别分类（Multi-type Classification）：识别具体作物类型。
• 单类别识别（Single-type Identification）：识别特定目标作物。
• 早期方法依赖于植被指数（NDVI、EVI），但阈值设定易受主观影响。
• 传统 ML（如 DT、MLP）方法提升了分类能力，但计算效率有限。
• 近年来，DL 方法（如 CNN、LSTM）提高了分类精度。

农产品生长监测（Agrifood Growth Monitoring）

农业食品生长监测包括多个子任务，涵盖土壤环境监测、作物生长监测、杂草监测、病虫害防治等。

土壤环境监测（Soil Environment Monitoring）

• 关键因素：土壤水分、土壤有机质（SOM）、阳离子交换容量（CEC）、pH 值等。
• 传统方法：基于地面测量或实验室分析，成本高，覆盖范围有限。
• AI 方法：
• 遥感+ 物理模型：通过辐射传输模型计算土壤水分。
• 统计 ML 方法：利用光谱数据与植被指数（如 NDVI）回归预测土壤参数

作物生长监测（Crop Growth Monitoring）

• 关键因素：氮（N）、磷（P）、钾（K）等营养元素，植被指数（NDVI、EVI）。
• 传统方法：依赖人工采样和统计分析，主观性强。
• AI 方法：
• 机器学习：使用 RF、SVM 等模型基于高光谱影像估算作物健康状况。
• 深度学习：LSTM 结合时间序列遥感数据进行动态监测

杂草监测（Weed Monitoring）

• 挑战：作物与杂草光谱特征相似，传统植被指数方法误检率高。
• AI 方法：
• UAV 影像 + DL：CNN、ViT 进行作物与杂草分类。
• 半监督学习：结合 Hough 变换等方法，提高分类精度

病虫害防治（Pest and Disease Prevention）

• 传统方法：依赖农学专家经验，难以大规模推广。
• AI 方法：高光谱数据 + ML：SVM、KNN 识别病害植被。

产量预测（Yield Prediction）

• 传统方法：
• 统计模型，如 OLS、PLSR。
• 机器学习模型，如 RF、XGBoost。
• 深度学习方法：
• LSTM 结合时空数据预测作物产量。
• Transformer 模型可用于大规模作物产量估算。

农产品质量评估（Agrifood Quality Assessment）

• 目标：评估作物质量并分级。
• 方法：
• ML 方法：SVM 结合多特征分类（Mahendra et al., 2024）。
• DL 方法：CNN 进行水果质量分级，优于传统方法（Sustika et al., 2024）。
• 光谱分析：FTIR 结合 PCA 评估挥发性化合物（Dong et al., 2024）。

牲畜监测（Animal Husbandry Monitoring）

• AI 可用于：
• 牧草质量评估（多光谱遥感）。
• 动物健康状况监测（热成像、声音分析）。
• 牲畜运动轨迹跟踪（LSTM、目标检测）。
• 近年，AI 技术已用于预测畜牧养殖疾病，并优化饲料管理。

渔业应用（Fishery Applications）

• 传统方法：基于历史数据预测渔获量。
• AI 方法：
• 计算机视觉：使用 CNN 识别鱼类种类。
• 遥感结合 DL：分析海洋温度、叶绿素浓度等，优化渔场位置选择。

机遇与展望

基础模型（Foundation Models）

• 大规模预训练：基础模型能在农产品系统减少数据标注需求，提高泛化能力。
• 多模态方法：结合卫星、无人机和地面数据，提高作物产量预测和牧场监测精度。
• 多任务网络：可统一检测、分割等任务，降低部署成本。
• 跨领域模型：用于气候预测、病害检测、育种优化。

可信 AI（Trustworthy AI）

• 安全与可追溯性：区块链和智能传感器提升食品安全与供应链管理。
• 可解释 AI：提升 AI 透明度，增强用户信任。
• 鲁棒性：提高 AI 在不同环境下的适应能力，减少数据偏差影响。
• 可持续性：优化能源管理，减少农业生产的碳排放。

AIoT 重塑农产品系统（AIoT in Agrifood Systems）

• 智能物联网（AIoT） 结合云、雾、边缘计算，提高数据分析效率。
• 实时监测：AIoT 设备可实时追踪作物和牲畜健康状况。
• 反馈闭环：云端大模型优化边缘计算，提高农业智能决策能力。