1 Департамент патологии растений, Университет сельского хозяйства, Файсалабад 38000, Пакистан; faizanali_95@outlook.com (F.A.) 2 Департамент сельскохозяйственной науки и техники, Колледж сельского хозяйства, Университет штата Теннесси, Нэшвилл, TN 37209, США 3 Департамент структур и инженерии окружающей среды, Университет сельского хозяйства, Файсалабад 38000, Пакистан; alirazzaquet@gmail.com (A.R.) 4 Департамент патологии растений, Институт защиты растений, MNS University of Agriculture, Multan 60650, Пакистан; akhtar.hameed@mnsuam.edu.pk 5 Департамент патологии растений, Университет штата Северная Дакота, Фарго, ND 58105, США 6 Отдел садоводства, факультет сельского хозяйства, Университет Миниа, Эль-Минья 61517, Египет; haitham.zaki@utas.edu.om 7 Отдел прикладной биотехнологии, Университет технологии и прикладных наук-Сур, Сур 411, Оман 8 Отдел наук о растениях, Колледж сельскохозяйственных и морских наук, Университет Султана Кабуса, Аль-Худ, Мускат 123, Оман 9 факультет сельского хозяйства, Университет Загреба, Светошимунская Честа 25, 10000 Загреб, Хорватия * Корреспонденция: mshahid@squ.edu.om † Эти авторы внесли равный вклад в эту работу.

Обеспечение глобальной продовольственной безопасности на фоне растущих проблем, таких как рост населения, заражение болезнями, ограниченность ресурсов и изменение климата, является насущной проблемой. Ожидаемое увеличение спроса на продовольствие еще больше усложняет эту критическую проблему. Патогенные микроорганизмы растений, ответственные за значительные потери урожая (до 41%) в основных культурах, таких как пшеница, рис, кукуруза, соя и картофель, усугубляют ситуацию. Своевременное выявление заболеваний имеет решающее значение, но современные методы часто выявляют заболевания на поздних стадиях, что приводит к тяжелым инвазиям. Для решения этой проблемы дистанционное зондирование и гиперспектральная съёмка (HSI) стали надежными и неразрушающими методами, демонстрирующими многообещающие результаты в ранней идентификации заболеваний. Интеграция алгоритмов машинного обучения с наборами данных изображений позволяет точно идентифицировать пространственно-временные заболевания, облегчая своевременное обнаружение, прогнозирующее моделирование и эффективное управление заболеваниями без ущерба для пригодности или климатической адаптивности. Используя эти передовые технологии и принятие решений на основе данных, производители могут оптимизировать затраты на вводимые ресурсы, одновременно достигая повышения урожайности, делая значительные шаги в направлении глобальной продовольственной безопасности перед лицом рисков изменения климата. В этом обзоре будут рассмотрены некоторые основополагающие концепции дистанционного зондирования, несколько платформ, используемых для сбора данных дистанционного зондирования, успешное применение этого подхода и его будущая перспектива.

Ключевые слова: продовольственная безопасность; сельское хозяйство; болезни растений; дистанционное зондирование; искусственный интеллект (AI)

Цитирование: Ali, F.; Razzaq, A.; Tariq, W.; Hameed, A.; Rehman, A.; Razzaq, K.; Sarfraz, S.; Rajput, N.A.; Zaki, H.E.M.; Shahid, M.S.; et al. Agronomy 2024, 14, 2260. DOI: 10.3390/agronomy14102260

Многочисленные проблемы создают пугающий прогноз для сельскохозяйственного сектора в ближайшие годы. Растущее население требует более высокого уровня продовольственных ресурсов в глобальной системе для обеспечения продовольственной безопасности. Важность этого вопроса очевидна из ЦУР ООН, которые включают в себя нулевой голод и продовольственную безопасность в качестве ключевой части своего плана устойчивого развития [1]. Сельскохозяйственный сектор находится под огромным давлением из-за широкого спектра проблем, включая истощение ресурсов, экологические факторы.

демографический бум, изменение климата, болезни растений и заражение. Среди этих проблем болезни растений и инвазия являются такими проблемами, которые являются результатом абиотических (доступность оптимального климата / погоды) и биотических (патоген инокулум) факторов и являются синонимами всех видов местообитаний. Независимо от того, страдает ли поле от какой-либо другой проблемы или нет (например, засухи, жары, наводнений, проблем с ресурсами), почти наверняка сельскохозяйственные угодья будут затронуты каким-то заражением болезнями. В связи с этим эти растительные патогены ежегодно приводят к серьезным урожаям и экономическим потерям по всему миру. Разная степень потерь в диапазоне от 20% до 41% была зарегистрирована в таких культурах, как кукуруза, картофель, пшеница, соя и рис, из-за тяжелой инвазии патогенов [3]. Заболеваемость становится все более распространенной и интенсивной из-за увеличения активности человека на мировой арене, способствующей широкомасштабному распространению патогенов. Другим ключевым фактором, способствующим более высокой заболеваемости, является ограниченное генетическое разнообразие коммерчески выращенных высокоурожайных сортов, что приводит к плохой защите от атак патогенов [4,5]. Кроме того, часто применение тяжелых удобрений и отсутствие практики севооборота приводят к относительно низкому разнообразию среди полезных бактерий, обитающих в почве, что делает растение более уязвимым для инфекционных патогенов [6]. Раннее выявление заболеваний является важной практикой, позволяющей избежать массовых потерь урожая, и является ключевым компонентом комплексной стратегии борьбы с болезнями. Наиболее распространенным подходом к этой деятельности является либо обычный метод скаутинга, либо использование специфических генетических и биохимических анализов для идентификации патогенов, связанных с заболеванием. Однако каждая из этих стратегий сталкивается со своими собственными трудностями. Традиционный подход основан на визуальном подтверждении симптомов, что приводит к более медленному выявлению заболевания (особенно при его наличии в больших масштабах) и является трудоемким процессом. В то время как биологическая идентификация на основе анализа требует более высокого объема ресурсов с точки зрения биохимических соединений, необходимых для анализа, и необходимости новых (зарождающихся биохимических соединений) биокомпозитов для подтверждения типа патогена, для обнаружения даже незначительных мутаций, которые могут еще больше усугубить финансовое бремя [7]. Важность системы раннего предупреждения о болезни очевидна и должна действовать таким образом, чтобы обеспечить точную, надежную и автоматизированную идентификацию угрозы заболевания задолго до его возникновения. В этой связи современные технологии зондирования, являющиеся частью точного подхода к сельскому хозяйству, имеют важное значение для обеспечения эффективного раннего выявления заболеваний. Существуют два типа таких технологий: первый собирает данные на основе оптических изображений и визуальных изображений (пассивное дистанционное зондирование); другой фокусируется на сборе данных с помощью лазерных систем обнаружения (активное дистанционное зондирование). Пассивный подход собирает данные на основе изображений с использованием двух различных типов датчиков или систем визуализации; первый - мультиспектральный датчик изображения, который имеет возможность записывать ограниченное количество различных диапазонов спектрального разрешения; другой - гиперспектральная система визуализации, которая имеет возможность записывать гораздо большее количество полос спектрального разрешения [8,9]. В настоящее время гиперспектральная съёмка может захватывать широкий спектр точных данных на основе изображений, что делает ее хорошим выбором для разработки системы раннего предупреждения о болезни и уклонения от нее. Он может быть использован для точного, надежного и эффективного выявления моделей заболевания неразрушающим образом. Цель достигается с помощью различных датчиков для сбора данных о отраженном солнечном излучении и оценки его для прогнозирования заболеваний. В последние годы наблюдается значительный прогресс в области датчиков сбора гиперспектральных данных. Небольшие коммерчески доступные датчики, такие как Microand Nano-Hyperspec, HySpex VNIR и FireflEYE, могут быть установлены на низколетящих самолетах или беспилотных летательных аппаратах (UAVs) для сбора данных визуализации, фокусирующихся на относительно меньшем масштабе [10,11]. Кроме того, многие спутниковые гиперспектральные датчики также доступны для обеспечения относительно более масштабной картины; различные платформы, такие как DESIS, CHRIS, PRISMA, GLI, MERIS и EnMAP, являются одними из известных систем [12,13]. Это увеличение в региональных и глобальных масштабах сенсорных технологий открыло совершенно новый горизонт для лучшего мониторинга сельскохозяйственных культур, почвы и природных ресурсов, обеспечивая поддержку сельскохозяйственного сектора. До сих пор различные организации использовали данные дистанционного зондирования для решения сельскохозяйственных проблем. Компании и стартапы, такие как Descartes Labs,

Prospera, and aWhere работают над эффективным применением данных дистанционного зондирования в сельскохозяйственном секторе (таблица 1 предоставляет список сельскохозяйственных компаний, работающих с данными дистанционного зондирования в сельскохозяйственном секторе) [14].

Гиперспектральная визуализация (HSI) стала передовым инструментом для точного земледелия, поскольку она использует естественную способность материалов поглощать определенные длины волн света, отражая или рассеивая другие. В отличие от традиционных методов визуализации, которые полагаются на видимый спектр (RGB) или мультиспектральные данные, HSI предлагает более подробный и тщательный взгляд на здоровье сельскохозяйственных культур, что позволяет более точные и целенаправленные стратегии управления культурами. Гиперспектральная визуализация используется на различных платформах, включая спутники, самолеты, UAV и наземные системы. Он используется для оценки биохимических свойств и статуса питательных веществ сельскохозяйственных культур, классификации типов сельскохозяйственных культур и извлечения влаги и плодородия почвы. Интеграция гиперспектральных датчиков с UAVs расширила практическое применение HSI в сельском хозяйстве, что позволило проводить анализ in situ в режиме реального времени. Высокое спектральное разрешение HSI генерирует огромные объемы данных, которые сложно обрабатывать. Модели AI часто требуют большого количества маркированных данных обучения, которые могут быть дорогими и трудоемкими для получения, особенно для наборов данных для конкретных областей сельского хозяйства. В то время как гиперспектральная съёмка с использованием технологии AI обладает большим потенциалом для преобразования сельскохозяйственной практики путем предоставления подробного представления о состоянии здоровья сельскохозяйственных культур и почв, преодоление этих проблем имеет решающее значение для более широкого внедрения и эффективности в устойчивом сельском хозяйстве. Учитывая важную роль дистанционного зондирования в современной сельскохозяйственной практике, в этом обзоре основное внимание уделяется основам зондирования и его роли в современном выявлении болезней растений. В статье рассматриваются четыре раздела: в первом разделе рассматриваются различные виды гиперспектральных платформ дистанционного зондирования; во втором разделе кратко обсуждаются алгоритмы AI, используемые в дистанционном зондировании и точном сельском хозяйстве, а также этапы сбора, обработки и интерпретации данных изображений; в третьей части содержится информация о применении данных дистанционного зондирования для систем обнаружения и предупреждения заболеваний в сельском хозяйстве; в заключительном разделе обсуждаются проблемы, связанные с использованием подхода AI-дистанционного зондирования и будущих перспективных приложений в сельскохозяйственном секторе в глобальном масштабе.

Несколько гиперспектральных и мультиспектральных датчиков размещаются на различных типах платформ, то есть на самолетах, спутниковых системах, UAVs, а также на закрытых датчиках диапазона или наземных датчиках для получения изображений различного разрешения. Среди этих различных платформ наиболее распространенными являются системы на основе самолетов и спутников, в то время как в последнее время появляются системы на основе UAV / беспилотников. Благодаря постоянным усилиям по удовлетворению глобальных потребностей в продовольствии, устойчивым подходам к сельскому хозяйству и инициативам в области климатического смарт-сельхоза эти технологии визуализации в настоящее время становятся частью повседневной сельскохозяйственной деятельности.

По сравнению с мультиспектральными датчиками спутниковых изображений, такими как Landsat, SPOT, WorldView и Sentinel-2, гиперспектральные датчики меньше. Некоторые из доступных спутниковых гиперспектральных датчиков изображения включают EO-1 Hyperion, PROBA-CHRIS и TianGong-1. EO-1 Hyperion широко используется для сельскохозяйственных применений, собирая данные в видимом, ближнем инфракрасном и коротковолновом инфракрасном диапазонах с разрешением 10 нм и пространственным разрешением 30 м [15]. Он использовался для различных сельскохозяйственных исследований, таких как выявление болезней сельскохозяйственных культур, оценка свойств сельскохозяйственных культур, классификация типов сельскохозяйственных культур и исследование особенностей почвы. Данные, собранные в Hyperion, были использованы для идентификации различных типов сельскохозяйственных культур в Колумбии, а также для определения индекса листьев и вегетативных свойств в смешанном поле. PROBACHRIS - еще один широко используемый гиперспектральный датчик, запущенный в 2001 году, с исследованиями, использующими его для поиска LAI и идентификации стадии роста урожая [16]. Другие доступные гиперспектральные спутниковые платформы включают IMS-1 и HICO, которые используются для различных операций, начиная от оценки засоленности почвы до оценки прибрежных районов океана. Некоторые из гиперспектральных датчиков используются реже из-за ограничений в пространственном разрешении и доступности данных. Последние спутниковые гиперспектральные датчики включают DLR DESIS, HISUI, PRISMA, EnMAP и SHALOM. Исследователи смоделировали изображения с этих датчиков для изучения растительности и особенностей почвы. Сравнительный анализ показал, что гиперспектральные датчики демонстрируют превосходную производительность по сравнению с мультиспектральными датчиками изображения, поскольку они захватывают данные в сотнях или даже тысячах узких смежных спектральных полос. Это позволяет обнаружить тонкие различия в отражении материалов, которые могут быть не различимы в нескольких широких диапазонах [17,18]. Однако такие факторы, как пространственное разрешение, временное разрешение, облачный покров и качество данных, могут повлиять на широкое использование гиперспектральных данных в точном земледелии. Преодоление этих ограничений будет иметь важное значение для повышения применимости гиперспектральной визуализации в сельском хозяйстве.

Гиперспектральная визуализация в воздухе стала важным инструментом для различных приложений мониторинга, особенно в сельском и лесном хозяйстве [19]. AVIRIS является одним из самых ранних гиперспектральных датчиков в воздухе. Разработанный в 1980-х годах, датчик смог захватить более 220 полос в коротковолновом инфракрасном диапазоне [20]. Соответствующие данные изображений использовались для оценки определенных сельскохозяйственных особенностей (т.е. вегетативных свойств, данных о почве, идентификации вредителей и выявления заболеваний) и для принятия решений. Помимо AVIRIS, широко используются и другие воздушные гиперспектральные датчики, такие как CASI, HyMap и AISA Eagle. Изображения CASI использовались для оценки содержания хлорофилла в сельскохозяйственных культурах, изучения фракции растительного покрова и идентификации сорняков [21]. Изображения HyMap использовались для изучения биофизических и биохимических переменных культур, для обнаружения сигналов стресса растений и для изучения пространственных моделей органического углерода почвы (SOC). Данные AISA Eagle были использованы для оценки содержания азота в сельскохозяйственных культурах и биомассы. В предыдущих исследованиях использовались многочисленные другие гиперспектральные датчики воздушного базирования, каждый из которых вносил ценную информацию о характеристиках растительности, остатках сельскохозяйственных культур, выявлении заболеваний, оценке влажности почвы, оценке индекса площади листьев озимой пшеницы (LAI) и взаимосвязи между SOC и спектральными сигналами. Получение этих гиперспектральных изображений происходит в основном через самолеты, летающие на средних и больших высотах.

- от 1 до 4 км для датчиков изображений, таких как CASI, и до 20 км для AVIRIS. Изображения обычно имеют высокое и среднее пространственное разрешение, например, 4 м для CASI, 5 м для HyMap и до 20 м для AVIRIS [22]. В последнее время исследователи использовали различные гиперспектральные датчики, чтобы получить представление о различных аспектах сельского хозяйства, от свойств растительности до анализа почвы. Несмотря на преимущества, аэродинамическая гиперспектральная съёмка предлагает несколько проблем, которые ограничивают ее общий потенциал; получение изображения часто требует длительного времени выполнения, а стоимость полетов может быть значительной. Некоторые применения, особенно те, которые связаны с особенностями на уровне видов или на уровне сообществ, требуют очень высоких пространственных разрешений, даже достигая уровня подметра. Кроме того, нестабильность самолетов как платформ для визуализации требует гимбалов или высокоточных инерциальных единиц измерения (ИМУ), чтобы компенсировать изменения ориентации и обеспечить точную коррекцию изображения. Суровые погодные условия также представляют серьезную угрозу как для данных, собранных бортовыми платформами, так и для безопасности самой платформы для съемки. Эти ограничения препятствуют полной реализации потенциала гиперспектральной визуализации в точном земледелии.

В последние годы беспилотные летательные аппараты (UAVs) или технология беспилотных летательных аппаратов приобрели значительную популярность в качестве платформы для сбора данных дистанционного зондирования; прогресс в области легких гиперспектральных датчиков побудил исследователей изучить возможность установки этих датчиков на UAVs, чтобы обеспечить получение гиперспектральных изображений с высоким пространственным разрешением [23,24]. В последних исследованиях был использован ряд типов UAV, включая многороторные, вертолетные и самолеты с неподвижным крылом. Одним из ключевых преимуществ UAVs перед пилотируемыми самолетами и вертолетами является их способность получать изображения с высоким разрешением по значительно более низкой цене, что обеспечивает большую гибкость при планировании полетов [25]. За эти годы было разработано множество легких гиперспектральных датчиков, подходящих для интеграции UAV, таких как Headwall Micro и Nano-Hyperspec VNIR, UHD 185Firefly, датчик PIKA II и HySpex VNIR. Эти датчики предлагают более 100 полос в видимом и ближнем инфракрасном спектральном диапазоне, сохраняя компактную и легкую конструкцию (весом 1-2 кг), что делает их высокоразвиваемыми на различных пилотируемых или беспилотных платформах дистанционного зондирования. Применение гиперспектральной визуализации на основе UAV влечет за собой рассмотрение различных факторов, начиная от настройки датчика и сбора данных до обработки изображений. Ученые углубились в осуществимость гиперспектральной визуализации на основе UAV в различных областях, решая проблемы, связанные с технологией визуализации, требованиями к оборудованию, настройками системы, калибровкой, грузоподъемностью, отношением сигнал-шум и спектральной калибровкой. Кроме того, исследователи также изучили применение гиперспектральной визуализации на основе UAV в сельском и лесном хозяйстве, проливая свет на несколько проблем, таких как радиометрический шум, качество геореференсной связи UAV и отношение сигнал-шум. С ростом популярности гиперспектральной визуализации на основе UAV становится крайне важно всесторонне изучить ее сильные и ограниченные стороны, расширяя сферу применения за пределы сельскохозяйственных приложений. Различные типы UAVs использовались в качестве гиперспектральных платформ для визуализации, причем наиболее широко используемыми являются многороторные и плоские плоскости с фиксированным крылом [26-29]. Достижение гиперспектральных изображений с высоким пространственным разрешением с оптимальным соотношением сигнал/шум часто требует медленных полетов на малых высотах. В этом контексте мультироторы имеют конкурентное преимущество над самолетами с неподвижным крылом из-за их способности летать на малых высотах, изменять скорость полета и выполнять вертикальные маневры взлета и посадки. И наоборот, неподвижные крыла UAVs требуют минимальной высоты полета, скорости и, в некоторых случаях, аксессуаров для взлета и посадки, таких как взлетно-посадочные полосы, пусковые установки или парашюты. Гиперспектральные системы визуализации, включающие гиперспектральный датчик, блок обработки данных, GPS и IMU, вносят значительный вклад в общий вес UAV (например, 1-3 кг), создавая проблемы для полезной нагрузки и выносливости батареи системы. В то время как многороторные двигатели обычно питаются от высокопроизводительных батарей, таких как литий-полимеры, что обеспечивает более короткую выносливость (например, менее 20 минут), многие неподвижные крыла UAVs используют топливо, обеспечивая более длительное время полета (например, 1-10 часов) [23]. Однако большие размеры и вес самолетов с неподвижным крылом вносят свои сложности.

во время полетных операций. Исследователи должны учитывать UAV SWaP (размер, вес и мощность), географическое покрытие, время в воздухе, высоту и другие переменные при выборе подходящей платформы. Помимо технических и эксплуатационных аспектов, получение разрешения на полет от авиационных властей, в дополнение к поддержанию постоянного визуального контакта с UAV во время полетов является обязательным по соображениям безопасности, что представляет трудности в случаях обширного покрытия местности, холмистых ландшафтов или густых лесных районов.

Наземные гиперспектральные датчики визуализации - это новая технология, которая приобрела известность в последние годы. Эти датчики изображения предлагают возможность получения гиперспектральных изображений сверхвысокого пространственного разрешения, достигая разрешений на сантиметровом или даже субцентровом уровнях, что позволяет проводить мелкомасштабный анализ вегетативных особенностей (например, признак стресса урожая, болезни, обнаружения сорняков и т. Д.) [30,31]. Эти датчики могут быть развернуты как во внутренней, так и во внешней среде на статических и движущихся устройствах, с галогенными лампами (для внутреннего использования) или солнцем (для наружного освещения) в качестве источников света. Полученные гиперспектральные изображения дают подробную информацию о биофизических и биохимических процессах растения и о том, как оно реагирует на стрессы и болезни окружающей среды. Несмотря на многочисленные преимущества, гиперспектральная съёмка ближнего радиуса действия действительно сталкивается с некоторыми проблемами при сборе и обработке изображений. Некоторые из этих проблем включают неинформативную изменчивость, возникающую в результате взаимодействия света со структурами растений (эффекты освещения), влияние теней и расширение применения платформы до более крупного масштаба [32,33]. Следовательно, дальнейшие исследования в этих областях необходимы для решения этих проблем и повышения общей эффективности гиперспектральной визуализации ближнего радиуса действия. Различные платформы гиперспектральных изображений, такие как спутники, системы на основе самолетов, беспилотные летательные аппараты и наземные установки, имеют свои плюсы и минусы при применении к точному земледелию. Спутниковые системы отлично справляются с захватом изображений на больших площадях, но часто сталкиваются с проблемами пространственно-временного разрешения и ограниченной доступностью данных из-за ограничений работы датчика и более длительного времени просмотра. Платформы на основе самолетов предлагают подходящее пространственно-временное разрешение для полевых применений, но их высокие затраты на миссию и проблемы с планированием делают их непригодными для повторного мониторинга. С другой стороны, системы на основе дронов / UAV оказываются высокоэффективными в получении изображений с высоким пространственным разрешением с большой гибкостью. Однако они ограничены своей небольшой зоной покрытия из-за проблем с питанием, а также авиационных правил для города или региона. Наземные системы визуализации, способные получать изображения сверхвысокого пространственного разрешения, ограничены исследованиями на уровне листьев или навесов, не имея возможности охватывать большие площади.

С учетом сложных проблем, с которыми сталкиваются производители, начиная от изменения климата и сокращения затрат и заканчивая продовольственной безопасностью и рентабельностью, сельскохозяйственный сектор переживает серьезный инновационный цикл. Новейшие технологии, включая веб-технологии, датчики, робототехнику и системы IOT, отвечают за производство массивных визуальных и климатических наборов данных, которые могут быть использованы для лучшего принятия решений в области управления ресурсами, мониторинга сельскохозяйственных культур и смягчения загрязнения. Классификация данных включает категоризацию нескольких наборов данных в различные известные классы (рисунок 1). Процесс классификации осуществляется с помощью различных моделей искусственного интеллекта, которые делятся на две основные категории [34-37]:

Надзорное обучение — это тип подхода искусственного интеллекта и машинного обучения (AI и ML), в котором модель обучается с наборами данных вместе с соответствующими целевыми метками или выводами [38]. Ключевая цель в контролируемом подходе к обучению заключается в том, чтобы позволить модели AI изучать отображение или связь между входными функциями и соответствующими целевыми метками. Наличие высококачественных входных данных имеет важное значение для более высокой точности моделей AI в контролируемом обучении [39]. После обучения модель может быть применена для прогнозирования метки или вывода зарождающегося, невидимого набора данных. Векторная машина поддержки (SVM), дерево решений и случайный лес являются одними из наиболее распространенных алгоритмов обучения AI.

Алгоритм SVM является предпочтительным выбором для задач, основанных на классификации и регрессии, и похож на дерево решений одного уровня с желаемым многомерным условием разделения. SVM также имеет уникальную технику, называемую грузовиком ядра, которая превращает обычный набор данных в пространство с функциями более высокого измерения, что позволяет линейным алгоритмам выполнять нелинейные вычисления без явной вычисления координат преобразованных данных в этом пространстве с более высокими размерами [40]. Подход SVM эффективен в высокоразмерных пространствах с четким запасом разделения и подходит для случаев, которые имеют большее количество измерений, чем общее количество образцов. Основным недостатком модели SVM является ее низкая точность с шумными наборами данных, то есть, когда несколько целевых классов имеют тенденцию перекрываться.

Модель дерева решений обычно используется для задач, связанных с классификацией и регрессией, и имеет блок-схему, такую как структура, в которой присутствуют несколько внутренних ветвей, узлов принятия решений и корневых узлов. Построение модели дерева решений включает в себя разделение или разделение набора данных по нескольким критериям или характеристикам (например, примеси Джини, энтропии, энтропии).

информационный выигрыш и т.д.), а также работает для численных и категориальных признаков. Эти модели требуют небольшой предварительной обработки данных и непараметричны (при условии отсутствия формы набора данных) [41]. Основная проблема с этой моделью заключается в переоборудовании, где незначительные изменения в наборе данных могут привести к серьезным изменениям в структуре алгоритма дерева решений. Таким образом, эта модель имеет ограниченное применение в операциях прогнозирования на основе регрессии и непрерывного значения.

Случайный лес (RF) - еще один широко используемый алгоритм машинного обучения, который может решать проблемы, связанные с классификацией, а также регрессией. Алгоритм использует набор классификаторов дерева решений, которые могут идентифицировать существенные характеристики из массивного набора данных. Алгоритм надежный, может использоваться для большого набора данных без риска переобучения и обеспечивает эффективные результаты [42]. Тем не менее, модели RF требуют большого хранилища для нескольких деревьев решений, а также медленных проблем с обучением, что делает его менее осуществимым вариантом для линейных методов с несколькими редкими атрибутами.

Неконтролируемое обучение — это тип алгоритма машинного обучения, который используется для идентификации шаблонов и структур в данных без предоставления маркированных примеров, в рамках системы этих моделей создаются соответствующие кластеры на основе определенных метрик, подходящих для определенного типа данных. Основная цель обучения без надзора заключается в раскрытии базовой структуры данных, поиске связей между точками данных или группировке аналогичных точек данных вместе [43]. Используя статистические методы, алгоритмы кластеризации, методы уменьшения размерности и другие неконтролируемые подходы к обучению. K-mean, Fuzzy C-mean и искусственные нейронные сети (ANN) являются одними из наиболее распространенных моделей обучения без присмотра.

K-mean — это общая неконтролируемая модель ML, которая фокусируется на решении проблем кластеризации; она широко используется для группировки похожих точек данных вместе на основе их сходства признаков. Кластеризация K-средства - это итеративный алгоритм, который направлен на разделение данных на кластеры K, где K - предварительно определенное число. Все точки данных последовательно связаны с ближайшим кластером, и процесс продолжает повторяться до тех пор, пока не будут достигнуты целевые результаты [44]. Модель может быть легко масштабирована до более крупных наборов данных и может обобщать кластеры различных форм. Модель часто сталкивается с проблемами, связанными с кластеризацией наборов данных различного качества и размеров.

В модели FCM каждой точке данных присваивается значение членства, указывающее степень, в которой она принадлежит каждому кластеру. В отличие от традиционных алгоритмов кластеризации, где точка данных принадлежит только одному кластеру, в Fuzzy C- означает, что точка данных имеет членство в нескольких кластерах [45]. Хотя может быть несколько членств, сумма всех пунктов членства в кластере всегда должна быть равна единице. Эти модели требуют, чтобы пользователь заранее указал количество кластеров, а выход модели включает в себя конечные кластерные центроиды и значения членства для каждой точки данных.

ANN является еще одной ключевой моделью машинного обучения, которая может использоваться для нескольких задач, начиная от классификации и регрессии до распознавания образов и принятия решений. Сети ANN основаны на структурной функциональности биологических нейронных сетей. В моделях ANN данные передаются однонаправленно через один или несколько слоев узлов, от входного терминала до выходного уровня [46]. Эти модели устойчивы к шуму в данных обучения и могут выполнять несколько задач на различных частях данных одновременно. ANN — это универсальные модели, имитирующие человеческий мозг.

Структуры нейронов для обработки сложных данных и могут использоваться как для контролируемого, так и для неконтролируемого обучения. В контролируемом обучении ANN учатся на основе меченых данных для выполнения таких задач, как классификация и регрессия; в то время как в неконтролируемом обучении они могут обнаруживать скрытые шаблоны в немаркированных данных, как видно в кластеризации и извлечении признаков с использованием автокодеров. Цель состоит в том, чтобы минимизировать разницу между входом и выходом, которая учит модель захватывать базовую структуру данных; в конечном счете модель позволяет организовать данные на основе сходства шаблонов ввода без каких-либо помеченных данных. Эта гибкость делает ANN мощными инструментами в различных областях, от распознавания изображений до обнаружения аномалий. В ANN глубокие нейронные сети (DNN) представляют собой подмножество искусственных нейронных сетей (ANN), которые состоят из нескольких слоев между входным и выходным слоями. Эти слои, часто называемые скрытыми слоями, позволяют сети изучать и моделировать сложные шаблоны и представления в данных. «Глубокий» аспект DNN относится к наличию многих таких слоев, что позволяет сети захватывать иерархические функции. Примерами некоторых конкретных неконтролируемых моделей ANN являются: самоорганизующаяся карта (SOM), автокодеры, сети глубоких убеждений и т. д. SOM может использоваться для кластеризации пикселей гиперспектральных изображений на основе их спектральных сигнатур без необходимости маркировки данных. Алгоритм SOM отображает высокоразмерные спектральные данные (с сотнями длин волн) в низкоразмерную сетку (обычно 2D), сохраняя при этом топологические отношения между точками данных [47]. Автокодеры обычно используются для уменьшения размерности данных при сохранении важных спектральных характеристик. Это уменьшенное представление может быть использовано для идентификации ключевых шаблонов, что делает анализ более простым и эффективным.

Усиление обучения (RL) - это тип машинного обучения, когда модель учится принимать решения, взаимодействуя с окружающей средой, чтобы максимизировать сигнал вознаграждения. В отличие от контролируемого обучения, где модель учится на основе помеченных данных, RL фокусируется на обучении с помощью проб и ошибок [49]. Агент получает обратную связь от своих действий в виде вознаграждений или штрафов и корректирует свое поведение, чтобы улучшить производительность с течением времени. Методы, основанные на моделях, и глубокое обучение подкреплению являются одними из наиболее распространенных типов обучения подкреплению.

Методы, основанные на модели, включают в себя создание модели динамики окружающей среды и использование этой модели для прогнозирования будущих состояний и вознаграждений. Такой подход может повысить эффективность, если планировать действия на основе модели, а не учиться исключительно на опыте. Этот подход предполагает использование модели окружающей среды для расчета оптимальной политики и функций ценности. Такие методы, как итерация значений и итерация политики, подпадают под динамическое программирование [50].

Обучение с глубоким подкреплением сочетает в себе обучение с глубокими нейронными сетями для обработки высокоразмерных пространств состояний и действий. Методы DRL используют нейронные сети для приближения функций, политик или и того, и другого. Например: метод градиента политики, который повышает стабильность и эффективность обучения, используя отрезанную объективную функцию для обновления политики. PPO устанавливает баланс между изучением новых действий и использованием известных, что приводит к более стабильному обучению [51].

Гиперспектральные изображения стали мощным инструментом в современном сельском хозяйстве, предлагая отличные знания о здоровье сельскохозяйственных культур, почвенных условиях и выявлении заболеваний. В отличие от традиционных систем визуализации, гиперспектральные датчики могут захватывать данные в широком диапазоне длин волн, обеспечивая подробные спектральные сигнатуры для каждого пикселя изображения. Это богатство информации позволяет выявить определенные изменения в растительности.

которые в противном случае могут остаться незамеченными, такие как дефицит питательных веществ, раннее начало заболевания или стресс от воды. В сочетании с искусственным интеллектом (AI) гиперспектральные изображения становятся еще более мощными, что позволяет принимать точные и своевременные решения в области управления и мониторинга сельскохозяйственных культур. Благодаря своей способности обрабатывать и анализировать сложные, высокоразмерные данные, модели AI помогают раскрыть потенциал гиперспектральных изображений, выявляя закономерности и тенденции, которые имеют решающее значение для успеха в сельском хозяйстве. Разработка моделей AI для гиперспектральных изображений в сельском хозяйстве включает в себя несколько ключевых этапов, каждый из которых играет жизненно важную роль в повышении точности и эффективности прогнозов. Процесс начинается с сбора данных изображения, где высококачественные гиперспектральные изображения собираются с помощью дронов, спутников или ручных датчиков. Затем идет предварительная обработка данных, включая снижение шума и коррекцию искажений, что гарантирует готовность изображений к анализу. Следующий этап, извлечение признаков, включает в себя использование моделей AI, таких как автокодеры, для идентификации соответствующих спектральных полос и уменьшения размерности данных. Наконец, модели используются для таких задач, как обнаружение заболеваний, кластеризация типов сельскохозяйственных культур или обнаружение аномалий. Каждый этап имеет решающее значение, поскольку он обеспечивает точное выявление тонких изменений в сельскохозяйственной среде, что позволяет своевременно реагировать и в конечном итоге повышать урожайность и устойчивость. Интеграция AI с гиперспектральными изображениями открывает передовые возможности для сельского хозяйства, используя передовые модели AI на каждом этапе процесса — от сбора данных до извлечения признаков и выявления заболеваний — фермеры могут принимать обоснованные решения. Изображения, полученные с нескольких платформ гиперспектральных датчиков, обычно находятся в сыром формате и подвергаются предварительной обработке для извлечения признаков, прежде чем использовать данные для обнаружения полей или обучения модели. Обобщенный процесс анализа гиперспектральных изображений выглядит следующим образом:

Изначально гиперспектральные изображения для сельскохозяйственных полей получают с помощью одной из платформ визуализации [52]. Гиперспектральная визуализация захватывает изображения в нескольких узких и смежных спектральных полосах, предоставляя подробную спектральную информацию для каждого пикселя. Это включает в себя использование специализированных гиперспектральных камер или датчиков, установленных на беспилотных летательных аппаратах, спутниках или наземных платформах, для съемки сельскохозяйственной отрасли. Изображения получаются путем сканирования поля или захвата изображений из фиксированного положения, в зависимости от используемой системы визуализации.

Этап предварительной обработки фокусируется на повышении качества изображений, полученных путем устранения любого шума на изображениях (рисунок 2). Корректировки, сделанные на этом этапе, делают данные пригодными для дальнейшего анализа и обнаружения аномалий в полевых условиях [11]. Стандартные предварительные корректировки обработки включают калибровку изображений, атмосферные корректировки, радиометрическую нормализацию и геометрическое выравнивание [53]. Обычно для спутниковых и аэроплановых собранных данных изображений оператором изображения выполняется геометрическая коррекция, тогда как радиометрическая и атмосферная коррекция может быть выполнена после стандартных шагов для анализа изображений на основе дистанционного зондирования. Атмосферная коррекция проводится для компенсации влияния атмосферы на генерируемые гиперспектральные данные. Это включает в себя коррекцию эффекта рассеяния атмосферы и поглощения, которые имеют тенденцию искажать спектральные данные. Критически важны несколько атмосферных поглощений, таких как поглощение O2 при 760 нм, поглощение воды при 820, 940, 1140 нм и поглощение CO2 в 2010 и 2060 нм. Это свидетельствует о существенно необходимой части атмосферной коррекции для получения высококачественных данных визуализации. Несколько алгоритмов, таких как вычитание темных объектов (DOS) или коррекция атмосферы (ACORN), могут быть использованы для удаления атмосферных воздействий [54].

Эта фаза включает в себя анализ гиперспектральных данных, чтобы получить представление о его характеристиках. Для этой фазы проводится спектральная визуализация. Он включает в себя отображение и визуализацию гиперспектральных данных с использованием спектральных графиков, а также цветных изображений [55]. Это позволяет исследовать спектральные сигнатуры различных объектов или областей в поле. Спектральные библиотеки или базы данных используются для сравнения наблюдаемых спектров с известными спектрами здоровых и больных растений. Выбор интересующей области (ROI) заключается в выявлении областей в пределах гиперспектральных изображений, которые соответствуют здоровым и больным растениям или специфическим особенностям интереса [56]. Это можно сделать визуально или с помощью автоматизированных методов, таких как кластеризация, сегментация или пороговое значение. Для этого используются различные методы сегментации, включая пороговые, K-средства, алгоритм водораздела и обнаружение краев. ROI служат учебными образцами для разработки и проверки моделей. Для извлечения соответствующих признаков из гиперспектральных данных необходимо уменьшить размерность данных при сохранении дискриминационной информации. Спектральные индексы, такие как Нормализованный индекс разности растительности (NDVI) или Нормализованный индекс разницы в воде (NDWI, #2042), вычисляются для количественной оценки конкретных свойств растительности или воды. Эти показатели выделяют специфические спектральные характеристики, которые свидетельствуют о здоровье растений или болезни [57]. Спектральное размешивание осуществляется для разложения гиперспектральных данных на составляющие спектры. Для этой техники используются линейные или нелинейные алгоритмы размешивания для оценки фракций изобилия различных конечных элементов в каждом пикселе. Эти карты изобилия могут выявить наличие определенных материалов или заболеваний. Исследование и извлечение признаков могут быть помечены как наиболее значительный шаг в классификации на основе гиперспектральной визуализации для выявления заболеваний. Он включает в себя извлечение и формирование новых векторов для зондирования заболеваний, используя комбинацию спектральных, пространственных и текстурных характеристик, которые подаются в алгоритмы машинного обучения (ML) для окончательной классификации.

Растения демонстрируют уникальные спектральные сигнатуры на основе их биологического и химического состава. Несколько биотических и абиотических факторов могут изменить способ поглощения или отражения света листьями растений и тканями. Гиперспектральная визуализация захватывает эту информацию через сотни узких спектральных полос, создавая подробную спектральную кривую для каждого растения или культуры. Затем используются спектральные библиотеки для хранения спектральных сигнатур различных культур в различных условиях. Эти библиотеки включают в себя контрольные спектры для здоровых растений, растений и растений.

при стрессе питательных веществ, инфицированных болезнями и подверженных воздействию экологического стресса (например, засуха, жара). Например, спектральная библиотека для пшеницы может включать в себя эталонные спектры для здоровой пшеницы, пшеницы в условиях засухи и пшеницы, зараженной грибком ржавчины. Аналогичным образом, библиотеки для основных сельскохозяйственных культур, таких как кукуруза, рис и соя, разработаны для глобального мониторинга сельского хозяйства. Гиперспектральные датчики собирают спектральные данные с посевов в полевых условиях. Спектральная подпись каждого пикселя (представляющая небольшую часть урожая) затем сравнивается с известными эталонными подписями в спектральной библиотеке с помощью нескольких алгоритмов. Это дает информацию о том, насколько близко спектральная подпись наблюдаемого растения соответствует здоровой эталонной или известной больной подписи. Спектральная фитинговая фитинговая фитинговая фитинговая арматура (SFF) используется для фиксации специфических спектральных характеристик (таких как полосы поглощения, связанные с содержанием хлорофилла или воды) к известным ссылкам для идентификации стресса или заболевания.

Недавно обученный классификатор или модель ML используется для обнаружения заболеваний на поле, применяя его по всем доступным данным изображений. Модель классифицирует пиксели или области в гиперспектральных изображениях как здоровые или больные на основе их спектральных характеристик и изученных моделей. Классификатор отмечает каждый пиксель на доступном изображении как здоровый или больной на основе прогностической модели, которая генерирует карту болезни, подчеркивающую пространственное распределение заболеваний в поле. Модель также осуществляет классификацию на основе региона, которая группирует соседние пиксели с аналогичными метками болезни в общие кластеры. Это помогает выявить смежные области, пораженные заболеваниями, которые могут быть полезны для пространственного анализа и процесса принятия решений (рисунок 3).

Последние достижения привели к интеграции нескольких новых технологий, включая гиперспектральную визуализацию, в области сельского хозяйства, в частности точного земледелия. Некоторые из его выдающихся применений включают оценку биохимических характеристик (т.е. содержания хлорофилла, уровня воды и т.д.), оценку питательных веществ, изучение свойств почвы, мониторинг и обнаружение биотического, а также абиотического стресса. Недавние исследования показали, что в высокоточном сельском хозяйстве все шире используется гиперспектральное дистанционное зондирование. В этом разделе мы сосредоточимся

Основываясь на некоторых из этих недавних исследований и классифицировать их на основе типа целевого растения или категории урожая (полевые культуры, деревья, овощи и фрукты).

Гиперспектральный анализ изображений использовался для нескольких типов оценок, включая анализ состояния растений, влажности и оценки питательных веществ. Mahlein et al. [58] использовал подход на основе SVM для оценки и выявления заболевания головы Fusarium в зерновых культурах. Исследование включало использование комбинации датчиков, фокусирующихся на оценке колебаний температуры, изменении уровня фотосинтетической активности и изменении пигментации у здоровых и больных растений. Анализ дал первоначальный результат с точностью более 78%. Другое исследование, проведенное в контролируемых условиях, включало использование гиперспектральной визуализации для оценки и выявления заболеваний ржавчины в пшенице. Исследование включало использование эталонных спектральных данных для спор ржавчины [59]. Помимо выявления заболеваний, этот подход также используется для оценки биохимического содержания растения. Oppelt и Mauser [60] использовали данные аэрофотосъемки для оценки содержания хлорофилла и азота в пшеничном зерне. В соответствующем исследовании Moharana и Dutta [61] использовали данные изображений со спутника Hyperion для аналогичной оценки двух биокомпозитов в рисовой культуре. Еще одним важным компонентом, который оценивается с помощью подхода дистанционного зондирования, является содержание воды в растениях, что стало жизненно важным аспектом рассмотрения в свете роста волн тепла и риска засухи. Были проведены исследования, включающие использование изображений HyMap для оценки содержания воды в кукурузе, пшенице и сахарной свекле [62]. Другое исследование, посвященное оценке гидросодержимого риса, показало близкое сходство в данных на основе полевых данных и данных гиперспектральной визуализации, что делает дистанционное зондирование надежным методом для такой оценки поля [61]. Применение гиперспектральной визуализации также произвело революцию в исследованиях лесов, поскольку исследователи могут углубиться в сложные детали лесных экосистем. Такой подход позволяет идентифицировать и классифицировать различные виды деревьев, контролировать здоровье растительности и выявлять незначительные изменения в лесных условиях, вызванные такими факторами, как изменение климата, болезни или инвазивные виды. Алгоритмы AI могут обрабатывать огромные объемы спектральных данных, обеспечивая ценную информацию о биоразнообразии лесов, секвестрации углерода и общей динамике экосистем. [63] использовал данные изображений Sentinel-2 для выполнения типизации леса на Корейском полуострове, используя модель, ориентированную на классификацию пяти основных видов лесных деревьев, то есть корейской красной сосны, корейской сосны, иглы, японской лиственницы и дуба. Модель Random Forest (RF) была впервые разработана и применена в Южнокорейском лесу Гваннеунг (с точностью 83%), а затем применена на северной стороне леса Госонг-гун. В Финляндии был проведен инвентарный учет бореальных лесов с использованием алгоритмов визуализации и машинного обучения Sentinel-2 (RF и DNN) с целью предоставления ценной информации о лесных переменных для заинтересованных сторон [64]. Dang et al. [65], выполнил интенсивный анализ изображений NOAA-DEM и Sentinel-2 для изучения водно-болотных угодий во Вьетнаме, чтобы сделать лучшую оценку уязвимости прибрежных районов и управления геоэкосистемами. Разработанная модель (с использованием модели ResU-Net) была предложена для применения при обновлении новых типов водно-болотных угодий в южной части устья Тянь-Инь и прилегающих к нему островов. Pham et al. [66] применил модели SVM и RF для оценки наземной биомассы в районе дельты Красной реки, Вьетнам. В исследовании участвовал сбор и включение данных из нескольких источников, включая ALOS-2, Sentinel-2 и Sentinel-1. Другое крупное исследование было сосредоточено на разработке системы оповещения о лесных пожарах. Модель была основана на нечеткой логике и искусственных нейронных сетях для сбора данных по нескольким факторам (т.е. пространственным данным, состоянию почвы, осадкам и т.д.), а также для определения районов дикого пожара [67]. Таблица 2 состоит из нескольких экспериментальных примеров эффективных применений дистанционного зондирования AI в полевых культурах и лесах.

Гиперспектральная визуализация в сочетании с анализом, основанным на AI, стала универсальным и мощным инструментом для оценки здоровья растений, выявления заболеваний и оценки биохимического содержания как полевых культур, так и лесных экосистем. Исследования показали его эффективность в точной идентификации заболеваний в пшеничных и рисовых культурах и оценке содержания воды, а также в революционном исследовании лесов, позволяя классифицировать виды, контролировать здоровье растительности и обнаруживать изменения, вызванные различными факторами. Интеграция алгоритмов дистанционного зондирования и машинного обучения демонстрирует его потенциал в предоставлении ценных знаний для устойчивого сельского хозяйства, лесопользования, оценки водно-болотных угодий и мониторинга лесных пожаров, открывая новую эру точности данных в экологических исследованиях.

Значительная часть населения мира в значительной степени зависит от овощных культур для их повседневного потребления, поскольку многие из этих культур служат основными культурами. Картофель считается самой важной незерновой культурой в мире из-за его исторического и диетического значения. Некоторые заболевания, как правило, снижают годовой урожай для урожая, что указывает на важность раннего обнаружения с помощью дистанционного зондирования, чтобы быть жизненно важным активом в сдерживании инфекций. Gibson-Poole et al. [87], использовал данные изображения на основе UAV для выявления раннего начала заболевания черной ноги картофеля с точностью более 80% при раннем выявлении заболевания. Болезнь позднего укуса является еще одним серьезным заболеванием картофельных культур и привела к значительным потерям урожая на протяжении всей истории, что привело к катастрофическим событиям, включая великий ирландский голод. Sugiura et al. [88] собирали данные изображения с поля с использованием датчиков на основе UAV, за которыми следовали пороговое значение и сегментация изображения для лучшей оценки поля, а также для выявления раннего начала заболевания. Помидоры являются еще одной крупной полевой культурой, восприимчивой к

несколько видов биологической инфекции (грибковая, бактериальная, вирусная и др.), часто приводящая к массовым экономическим потерям и нехватке продовольствия. Абдулрида и др. [89] разработали модель, основанную на многослойной нейронной сети перцептрона (MLP), типе искусственной нейронной сети (ANN) с точностью классификации 99%. Гиперспектральные изображения были собраны для растений в полевых и лабораторных условиях с длиной волны от 380 до 1020 нм. Исследование привело к точному раннему выявлению и классификации здоровых, а также больных томатных растений для целевых пятен (TS) и бактериальных пятен (BS). [90] провел всестороннее исследование, связанное с обнаружением нескольких важных заболеваний томатов с использованием сверточных нейронных сетей (CNN), что привело к почти 98% точному обнаружению заболеваний среди инфицированных растений. Таблица 3 состоит из нескольких экспериментальных примеров эффективного применения дистанционного зондирования AI в овощных культурах. Mahlein et al. [75] разработал модель дифференциации заболеваний в различных культурах, включая три основных заболевания в культурах сахарной свеклы: Пятно листьев серкоспоры, б. порошкообразное плесень сахарной свеклы, и в. ржавчина болезни в сахарной свекле подвергались дифференциации. Для этого исследования данные гиперспектральных изображений собирались на разных стадиях развития и уровнях тяжести заболевания, а затем с помощью алгоритма RELIEF-F извлекались из данных визуализации. После извлечения данных модель была разработана на основе извлеченных характеристик данных, и точность классификации 92, 85 и 87% была достигнута для пятнышка листьев Cercospora, порошкообразного плесени сахарной свеклы и ржавчины соответственно. [91] провел оценку содержания хлорофилла и каротиноидов в здоровых огурцовых растениях наряду с больными с помощью гиперспектральной визуализации. Затем данные использовались для сравнения и, в конечном итоге, для выявления больных огурцов. Для этого был использован подход частичной регрессии наименьшего квадрата для оценки количественной связи между тяжестью инфекции, соответствующей пигментацией у растений и производимым им спектром. Затем модель была применена к собранным пикселям данных изображения для обнаружения угловой инфекции в огурцах.

За последнее десятилетие для плодовых культур были разработаны аналогичные подходы к оценке на местах, раннему выявлению заболеваний и классификации. Абдулрида и др. [97] использовали данные гиперспектральных изображений для выявления болезни цитрусовых в двух разных сценариях (например, на основе лабораторных и полевых исследований). Для лабораторной оценки заболевания были собраны и отсортированы данные визуализации от длины волны 400 до 1000 нм с использованием метода k-ближайшего соседа (KNN) для выявления различных фаз прогрессирования заболевания в цитрусовых растениях (т.е. бессимптомной стадии инфекции, ранней стадии заболевания и более поздней стадии заболевания). Для оценки на основе полей были установлены датчики UAVs, а изображения для навесов деревьев были собраны и оценены с использованием метода KNN с точностью до 96%. Исследование также было сосредоточено на отдельных особенностях, которые сыграли значительную роль в выявлении заболеваний в лаборатории (индекс воды — WI), а также в полевых условиях (модифицированная абсорбция хлорофилла в индексе отражения — MCARI). Kerkech et al. [98], провели всестороннее исследование по выявлению нескольких заболеваний виноградной лозы (т.е. порошкообразной плесени, мозаичных заболеваний и т.д.) с использованием запутанных нейронных сетей (CNN). Исследование было сосредоточено на разработке эффективной системы обнаружения заболеваний виноградной лозы на основе трехэтапной экспериментальной процедуры: 1. формирование однородных изображений путем комбинации видимых и инфракрасных изображений для обеспечения более широкого обзора поля, 2. сегментация изображений с использованием CNN, 3. настройка изображений с использованием CNN и 3D-карта глубины (DM). Таблица 4 состоит из нескольких экспериментальных примеров эффективного применения дистанционного зондирования AI в плодовых культурах.

Гиперспектральная визуализация в сочетании с анализом, основанным на AI, произвела революцию в оценке и раннем выявлении заболеваний, содержания питательных веществ и уровня воды в различных растительных культурах. Эти исследования продемонстрировали эффективность различных алгоритмов машинного обучения, таких как SVM, RF, DNN, MLP и CNN, в точной идентификации и классификации заболеваний, оценке биохимического содержания и мониторинге здоровья растительности. Интеграция технологий дистанционного зондирования и AI также изменила исследования в области лесов, позволив классифицировать виды, контролировать биоразнообразие и выявлять изменения, вызванные различными климатическими факторами. Потенциал этих подходов распространяется на предоставление ценной информации для устойчивого сельского хозяйства, лесопользования, оценки водно-болотных угодий и мониторинга лесных пожаров. Поскольку мы принимаем точность данных в исследованиях окружающей среды, гиперспектральная съёмка и анализ, основанный на AI, являются жизненно важными инструментами для решения глобальных проблем и прокладывают путь к более устойчивому будущему в сельском и лесном хозяйстве.

В заключение следует отметить, что интеграция гиперспектральной визуализации и анализа, основанного на AI, стала мощным инструментом для решения различных задач в области сельского хозяйства и лесных исследований. Эти технологии продемонстрировали большие перспективы в точном обнаружении заболеваний, оценке биохимического содержания и мониторинге здоровья растений в полевых культурах, овощных культурах и фруктовых культурах. Кроме того, для исследований в области лесов дистанционное зондирование на основе AI доказало свою эффективность в классификации видов, мониторинге биоразнообразия и обнаружении изменений, вызванных изменением климата и другими факторами окружающей среды. Будущая перспектива дистанционного зондирования на основе AI в сельском хозяйстве и исследованиях в области лесов представляется весьма многообещающей. По мере того, как алгоритмы AI будут продолжать развиваться, они станут еще более эффективными в обработке больших объемов гиперспектральных данных и извлечении ценных данных. Использование UAVs и спутниковых гиперспектральных датчиков, вероятно, станет более распространенным, что позволит проводить более обширный и экономически эффективный мониторинг сельскохозяйственных культур и лесных экосистем на основе данных, полученных с помощью спутниковых датчиков региональных и глобальных масштабов. Эти подходы также могут покрыть проблемы с батареей, полетом и долговечностью, связанные с доступом UAVs к данным и решениям для фермеров. Кроме того, по мере совершенствования моделей AI точность выявления и классификации заболеваний будет еще больше возрастать, что будет способствовать созданию систем раннего предупреждения о заболеваниях и разработке стратегий активного управления для фермеров и лесных менеджеров. Гиперспектральная визуализация (HSI) в сочетании с AI предлагает значительный потенциал для применения в сельском хозяйстве, но также сталкивается с рядом проблем. HSI генерирует огромные объемы данных, создавая проблемы для хранения, передачи и обработки. Соответствующее оборудование, используемое для сбора изображений для обработки данных и обучения модели, традиционно было дорогим, что ограничивало широкое распространение. Низкое качество данных, получаемых со спутниковых снимков, часто может повлиять на производительность в сельском хозяйстве. Не хватает достаточного количества маркированных наборов данных для обучения моделей AI различным сценариям ведения сельского хозяйства. Еще одним ключевым вопросом является проблема обеспечения анализа в реальном времени для принятия незамедлительных решений на местах. Хотя эти проблемы являются препятствием для широкого внедрения технологий на местах, для преодоления этих проблем можно предпринять определенные шаги. Реализация методов уменьшения размерности, таких как анализ основных компонентов (PCA), может использоваться для сжатия данных при сохранении важной информации. Разработка эффективных алгоритмов выбора полос может быть использована для идентификации наиболее релевантных спектральных полос для конкретных приложений. Использование подходов глубокого обучения, особенно сверточных нейронных сетей (CNN), может быть использовано для лучшей обработки данных HSI. Разработка более компактных и доступных датчиков HSI может быть оптимизирована для использования в сельском хозяйстве. А для более простого развертывания на местах может использоваться интеграция технологии HSI с беспилотниками и другими мобильными платформами. Необходимо установить общеотраслевые стандарты для сбора, обработки и совместного использования данных HSI. Облачные вычисления могут быть использованы для хранения и обработки данных, чтобы уменьшить вычислительные требования на месте. Последние решения для граничных вычислений могут быть приняты для обеспечения обработки данных HSI в реальном времени в полевых условиях. Все это может в конечном итоге помочь в более широком внедрении технологии для более широких полевых применений. Будущие разработки в области дистанционного зондирования, основанного на AI, также выиграют от расширения сотрудничества между исследователями, отраслями и правительствами. Инициативы по обмену данными и платформы открытого доступа будут способствовать коллективным усилиям по созданию всеобъемлющих и динамических баз данных, поддерживая разработку надежных моделей AI, которые могут быть настроены для конкретных регионов и сельскохозяйственных культур. Кроме того, продолжающиеся достижения в области аппаратного обеспечения и сенсорных технологий, вероятно, приведут к разработке более компактных, эффективных и доступных гиперспектральных датчиков, что сделает их доступными для более широкого круга пользователей. С этой точки зрения стартапы также имеют большое значение и вместе с крупными корпорациями, наряду с государственной поддержкой, могут привести к эффективной оценке проблем, разработке решений и распространению технологий на местном уровне. В контексте устойчивого сельского хозяйства и лесопользования дистанционное зондирование, основанное на AI, имеет потенциал для решения важнейших глобальных проблем, таких как продовольственная безопасность, смягчение последствий изменения климата и сохранение биоразнообразия. Используя возможности AI для анализа огромных объемов гиперспектральных данных, исследователи и политики могут принимать обоснованные решения для оптимизации использования ресурсов, минимизации воздействия на окружающую среду и улучшения общего состояния экосистем. Дистанционное зондирование на основе ИИ способно революционизировать исследования в области сельского хозяйства и лесов, предоставляя ценные сведения, повышая эффективность и позволяя использовать проактивные и целенаправленные подходы к управлению. По мере развития этих технологий мы можем представить себе будущее, в котором точное сельское хозяйство и устойчивое лесное хозяйство станут нормой, что приведет нас к более устойчивой и устойчивой планете. Для достижения этой цели, продолжающиеся инвестиции в исследования, технологии и сотрудничество имеют решающее значение для раскрытия полного потенциала дистанционного зондирования, основанного на AI, в стремлении к более устойчивому и процветающему будущему для всех.

F.A.: исследование, концептуализация, программное обеспечение, валидация, визуализация, написание - оригинальный черновик. А.Р. (Ali Razzaq): обработка данных, исследование, программное обеспечение, визуализация, написание — оригинальный черновик. W.T.: концептуализация, ресурсы, программное обеспечение, проверка, написание — оригинальный черновик. А.Х.: концептуализация, валидация, визуализация, написание — оригинальный черновик. А.Р. (Абдул Рехман): концептуализация, ресурсы, программное обеспечение, валидация, визуализация, написание — обзор и редактирование. К.Р.: формальный анализ, исследование, программное обеспечение, проверка, написание - обзор и редактирование. S.S.: курирование данных, исследование, проверка, написание - обзор и редактирование. N.A.R.: курирование данных, формальный анализ, исследование, программное обеспечение, проверка, написание - обзор и редактирование. H.E.M.Z.: курирование данных, формальный анализ, исследование, проверка, написание - обзор и редактирование. М.С.С.: концептуализация, исследование, надзор, визуализация, написание - обзор и редактирование. G.O.: ресурсы, проверка, визуализация, написание — обзор и редактирование. Все авторы прочитали и согласились с опубликованной версией рукописи.

Данное исследование было частично выполнено в рамках программы Европейского Союза Next GenerationEU.

Все созданные данные были использованы в этой статье.

При подготовке этой работы авторы использовали Canva для создания фигур. Автор Haitham E. М. Заки благодарит и признает Департамент исследований и консультаций в Университете технологий и прикладных наук-Сур, Оман, за их постоянную поддержку и возможности.

Авторы не заявляют о наличии конфликта интересов.

1. Bizikova, L.; Jungcurt, S.; McDougal, K.; Tyler, S. How can agricultural interventions enhance contribution to food security and SDG 2.1? Glob. Food Secur. 2020, 26,

100450. [CrossRef]

2. Bandara, A.Y.; Weerasooriya, D.K.; Bradley, C.A.; Allen, T.W.; Esker, P.D. Dissecting the economic impact of soybean diseases in the United States over two decades. PLoS ONE 2020, 15, e0231141. [CrossRef]

3. Savary, S.; Willocquet, L.; Pethybridge, S.J.; Esker, P.; McRoberts, N.; Nelson, A. The global burden of pathogens and pests on major food crops. Nat. Ecol. Evol. 2019, 3, 430–439. [CrossRef] [PubMed]

4. Fisher, M.C.; Henk, D.A.; Briggs, C.J.; Brownstein, J.S.; Madoff, L.C.; McCraw, S.L.; Gurr, S.J. Emerging fungal threats to animal, plant and ecosystem health. Nature 2012, 484, 186–194. [CrossRef] [PubMed]

5. Boyd, L.A.; Ridout, C.; O’Sullivan, D.M.; Leach, J.E.; Leung, H. Plant–pathogen interactions: Disease resistance in modern agriculture. Trends Genet. TIG 2013, 29, 233–240. [CrossRef]

6. Peralta, A.L.; Sun, Y.; McDaniel, M.D.; Lennon, J.T. Crop rotational diversity increases disease suppressive capacity of soil microbiomes. Ecosphere 2018, 9, e02235. [CrossRef]

7. Uehara-Ichiki, T.; Shiba, T.; Matsukura, K.; Ueno, T.; Hirae, M.; Sasaya, T. Detection and diagnosis of rice-infecting viruses. Front. Microbiol. 2013, 4,

289. [CrossRef] [PubMed]

8. Jensen, J.R. Remote Sensing of the Environment: An Earth Resource Perspective, 2nd ed.; Pearson Education: New Delhi, India,

2009.

9. Thenkabail, P.S. Biophysical and yield information for precision farming from near-real-time and historical Landsat TM images. Int. J. Remote Sens. 2003, 24, 2879–2904. [CrossRef]

10. Skauli, T.; Goa, P.E.; Baarstad, I.; Løke, T. (Eds.) A compact combined hyperspectral and polarimetric imager. In Electro-Optical and Infrared Systems: Technology and Applications III; SPIE: Bellingham, WA, USA,

2006.

11. Adão, T.; Hruška, J.; Pádua, L.; Bessa, J.; Peres, E.; Morais, R.; Sousa, J.J. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens. 2017, 9,

1110. [CrossRef]

12. Marshall, M.; Thenkabail, P. Advantage of hyperspectral EO-1 Hyperion over multispectral IKONOS, GeoEye-1, WorldView-2, Landsat ETM+, and MODIS vegetation indices in crop biomass estimation. ISPRS J. Photogramm. Remote Sens. 2015, 108, 205–218. [CrossRef]

13. Sahoo, R.N.; Ray, S.S.; Manjunath, K.R. Hyperspectral remote sensing of agriculture. Curr. Sci. 2015, 108, 848–859.

14. Malczyk, J.; King, K. (Eds.) Crop Modeling on the Descartes Labs Platform; AGU Fall Meeting Abstracts: Washington, DC, USA,

2018.

15. Miglani, A.; Ray, S.S.; Pandey, R.; Parihar, J.S. Evaluation of EO-1 Hyperion data for agricultural applications. J. Indian Soc. Remote Sens. 2008, 36, 255–266. [CrossRef]

16. Jiménez-Muñoz, J.C.; Sobrino, J.A.; Plaza, A.; Guanter, L.; Moreno, J.; Martinez, P. Comparison between fractional vegetation cover retrievals from vegetation indices and spectral mixture analysis: Case study of PROBA/CHRIS data over an agricultural area. Sensors 2009, 9, 768–793. [CrossRef]

17. Mariotto, I.; Thenkabail, P.S.; Huete, A.; Slonecker, E.T.; Platonov, A. Hyperspectral versus multispectral crop-productivity modeling and type discrimination for the HyspIRI mission. Remote Sens. Environ. 2013, 139, 291–305. [CrossRef]

18. Bostan, S.; Ortak, M.A.; Tuna, C.; Akoguz, A.; Sertel, E.; Ustundag, B.B. Comparison of classification accuracy of co-located hyperspectral & multispectral images for agricultural purposes. In Proceedings of the 2016 5th International Conference on Agro-geoinformatics (Agro-geoinformatics), Tianjin, China, 18–20 July 2016; pp. 1–4.

19. Tong, Q.; Xue, Y.; Zhang, L. Progress in hyperspectral remote sensing science and technology in China over the past three decades. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2013, 7, 70–91. [CrossRef]

20. Qian, S.E. Hyperspectral satellites, evolution, and development history. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2021, 14, 7032–7056. [CrossRef]

21. Xu, X.; Fan, L.; Li, Z.; Meng, Y.; Feng, H.; Yang, H.; Xu, B. Estimating leaf nitrogen content in corn based on information fusion of multiple-sensor imagery from UAV. Remote Sens. 2021, 13,

340. [CrossRef]

22. Martínez, L.; Tardà, A.; Palà, V.; Arbiol, R. Atmospheric correction algorithm applied to CASI multi-height hyperspectral imagery. Parameters 2006, 1,

4.

23. Hruska, R.; Mitchell, J.; Anderson, M.; Glenn, N.F. Radiometric and geometric analysis of hyperspectral imagery acquired from an unmanned aerial vehicle. Remote Sens. 2012, 4, 2736–2752. [CrossRef]

24. Capolupo, A.; Kooistra, L.; Berendonk, C.; Boccia, L.; Suomalainen, J. Estimating plant traits of grasslands from UAV-acquired hyperspectral images: A comparison of statistical approaches. ISPRS Int. J. Geo-Inf. 2015, 4, 2792–2820. [CrossRef]

25. Lu, B.; He, Y. Optimal spatial resolution of Unmanned Aerial Vehicle (UAV)-acquired imagery for species classification in a heterogeneous grassland ecosystem. GIScience Remote Sens. 2018, 55, 205–220. [CrossRef]

26. Zarco-Tejada, P.J.; González-Dugo, V.; Berni, J.A.J. Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera. Remote Sens. Environ. 2012, 117, 322–337. [CrossRef]

27. Yue, J.; Feng, H.; Jin, X.; Yuan, H.; Li, Z.; Zhou, C.; Yang, G.; Tian, Q. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera. Remote Sens. 2018, 10,

1138. [CrossRef]

28. Zhu, W.; Sun, Z.; Huang, Y.; Lai, J.; Li, J.; Zhang, J.; Yang, B.; Li, B.; Li, S.; Zhu, K.; et al. Improving field-scale wheat LAI retrieval based on UAV remote-sensing observations and optimized VI-LUTs. Remote Sens. 2019, 11,

2456. [CrossRef]

29. Zhao, J.; Zhong, Y.; Hu, X.; Wei, L.; Zhang, L. A robust spectral-spatial approach to identifying heterogeneous crops using remote sensing imagery with high spectral and spatial resolutions. Remote Sens. Environ. 2020, 239,

111605. [CrossRef]

30. Malmir, M.; Tahmasbian, I.; Xu, Z.; Farrar, M.B.; Bai, S.H. Prediction of soil macro- and micro-elements in sieved and ground air-dried soils using laboratory-based hyperspectral imaging technique. Geoderma 2019, 340, 70–80. [CrossRef]

31. Van De Vijver, R.; Mertens, K.; Heungens, K.; Somers, B.; Nuyttens, D.; Borra-Serrano, I.; Lootens, P.; Roldán-Ruiz, I.; Vangeyte, J.; Saeys, W. In-field detection of Alternaria solani in potato crops using hyperspectral imaging. Comput. Electron. Agric. 2020, 168,

105106. [CrossRef]

32. Behmann, J.; Mahlein, A.-K.; Paulus, S.; Dupuis, J.; Kuhlmann, H.; Oerke, E.-C.; Plümer, L. Generation and application of hyperspectral 3D plant models: Methods and challenges. Mach. Vis. Appl. 2016, 27, 611–624. [CrossRef]

33. Asaari, M.S.M.; Mishra, P.; Mertens, S.; Dhondt, S.; Inzé, D.; Wuyts, N.; Scheunders, P. Close-range hyperspectral image analysis for the early detection of stress responses in individual plants in a high-throughput phenotyping platform. ISPRS J. Photogramm. Remote Sens. 2018, 138, 121–138. [CrossRef]

34. Kotsiantis, S.B.; Zaharakis, I.; Pintelas, P. Supervised machine learning: A review of classification techniques. Emerg. Artif. Intell. Appl. Comput. Eng. 2007, 160, 3–24.

35. Ayodele, T.O. Types of machine learning algorithms. New Adv. Mach. Learn. 2010, 3, 5-1.

36. Dhanaraj, R.K.; Rajkumar, K.; Hariharan, U. Enterprise IoT modeling: Supervised, unsupervised, and reinforcement learning. Bus. Intell. Enterp. Internet Things 2020, 55–79.

37. Haldorai, A.; Ramu, A.; Suriya, M. Organization internet of things (IoTs): Supervised, unsupervised, and reinforcement learning. In Business Intelligence for Enterprise Internet of Things; Springer: Berlin/Heidelberg, Germany, 2020; pp. 27–53.

38. Nasteski, V. An overview of the supervised machine learning methods. Horizons. b 2017, 4,

56. [CrossRef]

39. Osisanwo, F.Y.; Akinsola JE, T.; Awodele, O.; Hinmikaiye, J.O.; Olakanmi, O.; Akinjobi, J. Supervised machine learning algorithms: Classification and comparison. Int. J. Comput. Trends Technol. (IJCTT) 2017, 48, 128–138.

40. Pisner, D.A.; Schnyer, D.M. Support vector machine. In Machine Learning; Elsevier: Amsterdam, The Netherlands, 2020; pp. 101–121.

41. Elmachtoub, A.N.; Liang, J.C.N.; McNellis, R. (Eds.) Decision trees for decision-making under the predict-then-optimize framework. In International Conference on Machine Learning; PMLR: Vienna, Austria,

2020.

42. Vu, D.Q.; Nguyen, D.D.; Bui QA, T.; Trong, D.K.; Prakash, I.; Pham, B.T. Estimation of California bearing ratio of soils using random forest based machine learning. J. Sci. Transp. Technol. 2021, 1, 48–61. [CrossRef]

43. Yan, J.; Wang, X. Unsupervised and semi-supervised learning: The next frontier in machine learning for plant systems biology. Plant J. 2022, 111, 1527–1538. [CrossRef]

44. Bajal, E.; Katara, V.; Bhatia, M.; Hooda, M. A Review of Clustering Algorithms: Comparison of DBSCAN and K-mean with Oversampling and t-SNE. Recent Patents Eng. 2022, 16, 17–31. [CrossRef]

45. Lohani, Q.D.; Solanki, R.; Muhuri, P.K. A convergence theorem and an experimental study of intuitionistic fuzzy c-mean algorithm over machine learning dataset. Appl. Soft Comput. 2018, 71, 1176–1188. [CrossRef]

46. Walczak, S. Artificial neural networks. In Advanced Methodologies and Technologies in Artificial Intelligence, Computer Simulation, and Human-Computer Interaction; IGI Global: Hershey, PA, USA, 2019; pp. 40–53.

47. Sara, B.; Otman, A. New learning approach for unsupervised neural networks model with application to agriculture field. Int. J. Adv. Comput. Sci. Appl. 2020, 11,

0110548. [CrossRef]

48. Guerri, M.F.; Distante, C.; Spagnolo, P.; Bougourzi, F.; Taleb-Ahmed, A. Deep learning techniques for hyperspectral image analysis in agriculture: A review. ISPRS Open J. Photogramm. Remote Sens. 2024, 12,

100062. [CrossRef]

49. Fayaz, S.A.; Sidiq, S.J.; Zaman, M.; Butt, M.A. Machine learning: An introduction to reinforcement learning. In Machine Learning and Data Science: Fundamentals and Applications; Wiley: Hoboken, NJ, USA, 2022; pp. 1–22.

50. Moerland, T.M.; Broekens, J.; Plaat, A.; Jonker, C.M. Model-based reinforcement learning: A survey. Found. Trends Mach. Learn. 2023, 16, 1–118. [CrossRef]

51. Dong, H.; Dong, H.; Ding, Z.; Zhang, S.; Chang, T. Deep Reinforcement Learning; Springer: Berlin/Heidelberg, Germany,

2020.

52. Sethy, P.K.; Pandey, C.; Sahu, Y.K.; Behera, S.K. Hyperspectral imagery applications for precision agriculture—A systemic survey. Multimedia Tools Appl. 2022, 81, 3005–3038. [CrossRef]

53. Dwyer, J.L.; Roy, D.P.; Sauer, B.; Jenkerson, C.B.; Zhang, H.K.; Lymburner, L. Analysis ready data: Enabling analysis of the Landsat archive. Remote Sens. 2018, 10,

1363. [CrossRef]

54. Yu, K.; Liu, S.; Zhao, Y. CPBAC: A quick atmospheric correction method using the topographic information. Remote Sens. Environ. 2016, 186, 262–274. [CrossRef]

55. Chen, Y.; Jiang, H.; Li, C.; Jia, X.; Ghamisi, P. Deep feature extraction and classification of hyperspectral images based on convolutional neural networks. IEEE Trans. Geosci. Remote Sens. 2016, 54, 6232–6251. [CrossRef]

56. Xie, C.; Yang, C.; He, Y. Hyperspectral imaging for classification of healthy and gray mold diseased tomato leaves with different infection severities. Comput. Electron. Agric. 2017, 135, 154–162. [CrossRef]

57. Bijeesh, T.V.; Narasimhamurthy, K.N. A comparative study of spectral indices for surface water delineation using Landsat 8 Images. In Proceedings of the International Conference on Data Science and Communication (IconDSC), Bangalore, India, 1–2 March

2019.

58. Mahlein, A.K.; Alisaac, E.; Al Masri, A.; Behmann, J.; Dehne, H.W.; Oerke, E.C. Comparison and combination of thermal, fluorescence, and hyperspectral imaging for monitoring fusarium head blight of wheat on spikelet scale. Sensors 2019, 19,

2281. [CrossRef] [PubMed]

59. Bohnenkamp, D.; Kuska, M.T.; Mahlein, A.; Behmann, J. Hyperspectral signal decomposition and symptom detection of wheat rust disease at the leaf scale using pure fungal spore spectra as reference. Plant Pathol. 2019, 68, 1188–1195. [CrossRef]

60. Oppelt, N.; Mauser, W. Hyperspectral monitoring of physiological parameters of wheat during a vegetation period using AVIS data. Int. J. Remote Sens. 2004, 25, 145–159. [CrossRef]

61. Moharana, S.; Dutta, S. Spatial variability of chlorophyll and nitrogen content of rice from hyperspectral imagery. ISPRS J. Photogramm. Remote Sens. 2016, 122, 17–29. [CrossRef]

62. Richter, K.; Hank, T.; Mauser, W. Preparatory analyses and development of algorithms for agricultural applications in the context of the EnMAP hyperspectral mission. Remote Sens. Agric. Ecosyst. Hydrol. XII 2010, 7824, 55–65.

63. Lim, J.; Kim, K.-M.; Kim, E.-H.; Jin, R. Machine learning for tree species classification using sentinel-2 spectral information, crown texture, and environmental variables. Remote Sens. 2020, 12,

2049. [CrossRef]

64. Astola, H.; Seitsonen, L.; Halme, E.; Molinier, M.; Lönnqvist, A. Deep neural networks with transfer learning for forest variable estimation using sentinel-2 imagery in boreal forest. Remote Sens. 2021, 13,

2392. [CrossRef]

65. Dang, K.B.; Nguyen, M.H.; Nguyen, D.A.; Phan, T.T.H.; Giang, T.L.; Pham, H.H.; Nguyen, T.N.; Van Tran, T.T.; Bui, D.T. Coastal wetland classification with deep u-net convolutional networks and sentinel-2 imagery: A case study at the tien yen estuary of vietnam. Remote Sens. 2020, 12,

3270. [CrossRef]

66. Pham, T.D.; Yokoya, N.; Xia, J.; Ha, N.T.; Le, N.N.; Nguyen, T.T.T.; Dao, T.H.; Vu, T.T.P.; Pham, T.D.; Takeuchi, W. Comparison of machine learning methods for estimating mangrove above-ground biomass using multiple source remote sensing data in the red river delta biosphere reserve, Vietnam. Remote Sens. 2020, 12,

1334. [CrossRef]

67. Razavi-Termeh, S.V.; Sadeghi-Niaraki, A.; Choi, S.-M. Ubiquitous GIS-based forest fire susceptibility mapping using artificial intelligence methods. Remote Sens. 2020, 12,

1689. [CrossRef]

68. Yuan, L.; Huang, Y.; Loraamm, R.W.; Nie, C.; Wang, J.; Zhang, J. Spectral analysis of winter wheat leaves for detection and differentiation of diseases and insects. Field Crop. Res. 2014, 156, 199–207. [CrossRef]

69. Alisaac, E.; Behmann, J.; Kuska, M.T.; Dehne, H.-W.; Mahlein, A.-K. Hyperspectral quantification of wheat resistance to Fusarium head blight: Comparison of two Fusarium species. Eur. J. Plant Pathol. 2018, 152, 869–884. [CrossRef]

70. Zhang, J.C.; Pu, R.L.; Wang, J.H.; Huang, W.J.; Yuan, L.; Luo, J.H. Detecting powdery mildew of winter wheat using leaf level hyperspectral measurements. Comput. Electron. Agric. 2012, 85, 13–23. [CrossRef]

71. Zhang, X.; Han, L.; Dong, Y.; Shi, Y.; Huang, W.; Han, L.; González-Moreno, P.; Ma, H.; Ye, H.; Sobeih, T. A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral UAV images. Remote Sens. 2019, 11,

1554. [CrossRef]

72. Thomas, S.; Behmann, J.; Steier, A.; Kraska, T.; Muller, O.; Rascher, U.; Mahlein, A.-K. Quantitative assessment of disease severity and rating of barley cultivars based on hyperspectral imaging in a non-invasive, automated phenotyping platform. Plant Methods 2018, 14, 1–12. [CrossRef] [PubMed]

73. Kuska, M.; Wahabzada, M.; Leucker, M.; Dehne, H.-W.; Kersting, K.; Oerke, E.-C.; Steiner, U.; Mahlein, A.-K. Hyperspectral phenotyping on the microscopic scale: Towards automated characterization of plant-pathogen interactions. Plant Methods 2015, 11, 1–15. [CrossRef] [PubMed]

74. Näsi, R.; Viljanen, N.; Kaivosoja, J.; Alhonoja, K.; Hakala, T.; Markelin, L.; Honkavaara, E. Estimating biomass and nitrogen amount of barley and grass using UAV and aircraft based spectral and photogrammetric 3D features. Remote Sens. 2018, 10,

1082. [CrossRef]

75. Mahlein, A.-K.; Rumpf, T.; Welke, P.; Dehne, H.-W.; Plümer, L.; Steiner, U.; Oerke, E.-C. Development of spectral indices for detecting and identifying plant diseases. Remote Sens. Environ. 2013, 128, 21–30. [CrossRef]

76. Huang, H.; Deng, J.; Lan, Y.; Yang, A.; Deng, X.; Zhang, L. A fully convolutional network for weed mapping of unmanned aerial vehicle (UAV) imagery. PLoS ONE 2018, 13, e0196302. [CrossRef] [PubMed]

77. Sibiya, M.; Sumbwanyambe, M. A computational procedure for the recognition and classification of maize leaf diseases out of healthy leaves using convolutional neural networks. Agriengineering 2019, 1, 119–131. [CrossRef]

78. Wiesner-Hanks, T.; Wu, H.; Stewart, E.; DeChant, C.; Kaczmar, N.; Lipson, H.; Gore, M.A.; Nelson, R.J. Millimeter-level plant disease detection from aerial photographs via deep learning and crowdsourced data. Front. Plant Sci. 2019, 10,

1550. [CrossRef] [PubMed]

79. Wang, T.; Thomasson, J.A.; Yang, C.; Isakeit, T.; Nichols, R.L. Automatic classification of cotton root rot disease based on UAV remote sensing. Remote Sens. 2020, 12,

1310. [CrossRef]

80. Xavier, T.W.F.; Souto, R.N.V.; Statella, T.; Galbieri, R.; Santos, E.S.; Suli, G.S.; Zeilhofer, P. Identification of Ramularia leaf blight cotton disease infection levels by multispectral, multiscale UAV imagery. Drones 2019, 3,

33. [CrossRef]

81. Sandino, J.; Pegg, G.; Gonzalez, F.; Smith, G. Aerial mapping of forests affected by pathogens using UAVs, hyperspectral sensors, and artificial intelligence. Sensors 2018, 18,

944. [CrossRef]

82. 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. [CrossRef]

83. Sambuddha Ghosal, S.G.; Blystone, D.; Singh, A.K.; Baskar Ganapathysubramanian, B.G.; Arti Singh, A.S.; Soumik Sarkar, S.S. An explainable deep machine vision framework for plant stress phenotyping. Proc. Natl. Acad. Sci. USA 2018, 115, 4613–4618. [CrossRef] [PubMed]

84. Wallelign, S.; Polceanu, M.; Buche, C. Soybean plant disease identification using convolutional neural network. In Proceedings of the Thirty-First International Flairs Conference, Melbourne, FL, USA, 21–23 May

2018.

85. Tetila, E.C.; Machado, B.B.; Menezes, G.K.; Oliveira, A.D.S.; Alvarez, M.; Amorim, W.P.; Belete, N.A.; Da Silva, G.G.; Pistori, H. Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks. IEEE Geosci. Remote Sens. Lett. 2019, 17, 903–907. [CrossRef]

86. Hu, G.; Yin, C.; Wan, M.; Zhang, Y.; Fang, Y. Recognition of diseased Pinus trees in UAV images using deep learning and AdaBoost classifier. Biosyst. Eng. 2020, 194, 138–151. [CrossRef]

87. Gibson-Poole, S.; Humphris, S.; Toth, I.; Hamilton, A. Identification of the onset of disease within a potato crop using a UAV equipped with un-modified and modified commercial off-the-shelf digital cameras. Adv. Anim. Biosci. 2017, 8, 812–816. [CrossRef]

88. Sugiura, R.; Tsuda, S.; Tamiya, S.; Itoh, A.; Nishiwaki, K.; Murakami, N.; Shibuya, Y.; Hirafuji, M.; Nuske, S. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle. Biosyst. Eng. 2016, 148, 1–10. [CrossRef]

89. Abdulridha, J.; Ampatzidis, Y.; Kakarla, S.C.; Roberts, P. Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques. Precis. Agric. 2020, 21, 955–978. [CrossRef]

90. Zhang, K.; Wu, Q.; Liu, A.; Meng, X. Can deep learning identify tomato leaf disease? Adv. Multimed. 2018, 2018,

6710865. [CrossRef]

91. Zhao, Y.-R.; Li, X.; Yu, K.-Q.; Cheng, F.; He, Y. Hyperspectral imaging for determining pigment contents in cucumber leaves in response to angular leaf spot disease. Sci. Rep. 2016, 6,

27790. [CrossRef]

92. Sugiura, R.; Tsuda, S.; Tsuji, H.; Murakami, N. Virus-infected plant detection in potato seed production field by UAV imagery. In Proceedings of the ASABE Annual International Meeting, Detroit, MI, USA, 29 July–1 August

2018.

93. Franceschini, M.H.D.; Bartholomeus, H.; van Apeldoorn, D.F.; Suomalainen, J.; Kooistra, L. Feasibility of unmanned aerial vehicle optical imagery for early detection and severity assessment of late blight in potato. Remote Sens. 2019, 11,

224. [CrossRef]

94. Rajendran, D.K.; Park, E.; Nagendran, R.; Hung, N.B.; Cho, B.-K.; Kim, K.-H.; Lee, Y.H. Visual analysis for detection and quantification of Pseudomonas cichorii disease severity in tomato plants. Plant Pathol. J. 2016, 32, 300–310. [CrossRef] [PubMed]

95. Mohanty, S.P.; Hughes, D.P.; Salathé, M. Using deep learning for image-based plant disease detection. Front. Plant Sci. 2016, 7,

1419. [CrossRef] [PubMed]

96. Wang, W.; Li, C.; Tollner, E.W.; Gitaitis, R.D.; Rains, G.C. Shortwave infrared hyperspectral imaging for detecting sour skin (Burkholderia cepacia)-infected onions. J. Food Eng. 2012, 109, 38–48. [CrossRef]

97. Abdulridha, J.; Batuman, O.; Ampatzidis, Y. UAV-based remote sensing technique to detect citrus canker disease utilizing hyperspectral imaging and machine learning. Remote Sens. 2019, 11,

1373. [CrossRef]

98. Kerkech, M.; Hafiane, A.; Canals, R.; Ros, F. (Eds.) Vine disease detection by deep learning method combined with 3d depth information. In Image and Signal Processing, Proceedings of the 9th International Conference, ICISP 2020, Marrakesh, Morocco, 4–6 June 2020, Proceedings 9; Springer: Berlin/Heidelberg, Germany,

2020.

99. Sarkar, S.K.; Das, J.; Ehsani, R.; Kumar, V. Towards autonomous phytopathology: Outcomes and challenges of citrus greening disease detection through close-range remote sensing. In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), Stockholm, Sweden, 16–21 May 2016; pp. 5143–5148.

100. Garcia-Ruiz, F.; Sankaran, S.; Maja, J.M.; Lee, W.S.; Rasmussen, J.; Ehsani, R. Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees. Comput. Electron. Agric. 2013, 91, 106–115. [CrossRef]

101. Yadav, P.K.; Burks, T.; Frederick, Q.; Qin, J.; Kim, M.; Ritenour, M.A. Citrus disease detection using convolution neural network generated features and Softmax classifier on hyperspectral image data. Front. Plant Sci. 2022, 13,

1043712. [CrossRef]

102. Kerkech, M.; Hafiane, A.; Canals, R. Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images. Comput. Electron. Agric. 2018, 155, 237–243. [CrossRef]

103. Apolo-Apolo, O.E.; Pérez-Ruiz, M.; Martínez-Guanter, J.; Valente, J. A cloud-based environment for generating yield estimation maps from apple orchards using UAV imagery and a deep learning technique. Front. Plant Sci. 2020, 11,

1086. [CrossRef]

104. Selvaraj, M.G.; Vergara, A.; Ruiz, H.; Safari, N.; Elayabalan, S.; Ocimati, W.; Blomme, G. AI-powered banana diseases and pest detection. Plant Methods 2019, 15, 1–11. [CrossRef]

Disclaimer/Publisher’s Note: The statements, opinions and data contained in all publications are solely those of the individual author(s) and contributor(s) and not of MDPI and/or the editor(s). MDPI and/or the editor(s) disclaim responsibility for any injury to people or property resulting from any ideas, methods, instructions or products referred to in the content.