在人口增长、疾病感染、资源限制和气候变化等日益严峻的挑战下，确保全球粮食安全是一个紧迫的问题。预计粮食需求的增长将进一步增加这一关键问题的复杂性。植物病原菌在小麦、水稻、玉米、大豆和马铃薯等主要作物上造成了巨大的损失（高达41%），进一步加剧了这种情况。及时的疾病检测是至关重要的，但目前的实践往往在晚期阶段才识别到疾病，导致严重的侵害。为了解决这个问题，遥感和高光谱成像（HSI）作为一种稳健和无损的技术应运而生，在早期疾病识别中显示出很好的结果。将机器学习算法与图像数据集相结合，可以实现精确的疾病识别，便于及时发现、预测建模和有效的疾病管理，而不会损害适应度或气候适应性。通过利用这些前沿技术和数据驱动的决策，种植者可以在优化投入成本的同时获得更高的产量，在面临气候变化风险的全球粮食安全方面取得重大进展。本文将讨论遥感的一些基本概念、用于遥感数据收集的几个平台、该方法的成功应用及其未来前景。

图1 高光谱图像分析中使用的AI人工智能模型

（A）基于卫星：使用卫星图像进行大规模作物监测，检测大面积的病虫害，但与其他方法相比，分辨率较低。（B）基于飞机：飞机上的航空传感器提供中距离、高分辨率成像，非常适合识别大面积田地上的水胁迫或害虫危害等问题。（C）基于无人机：无人机提供高分辨率、近距离的作物监测，为精准农业任务提供实时数据，如定向喷洒和疾病检测。（D）地面：地面传感器和系统收集有关土壤湿度、植物健康和养分水平的详细数据，在田间提供精确、连续的监测。

图2 图像数据的预处理

（A）监督学习方法使用分类或回归技术来产生结果输出；（B）无监督学习侧重于用于结果生成的聚类和关联技术。

图3 涉及从高光谱图像数据收集到疾病检测建模的预处理的几个阶段

表1 各种AI模型在田间作物和森林上的应用

表2 各种AI模型在蔬菜作物上的应用

表3 各种AI模型在水果作物上的应用

高光谱成像（HSI）与AI相结合，为农业应用提供了巨大的潜力，但数据采集产生大量的高维数据，也面临着对存储、传输和处理的挑战。可以采取某些措施来克服这些挑战，降维方法的实施，如主成分分析（PCA）可以用于压缩数据，同时保留基本信息。开发有效的波段选择算法可以用于识别特定应用的最相关光谱波段。利用深度学习方法，特别是卷积神经网络（CNNs）可以更好地处理高维HSI数据。更紧凑、更经济的HSI传感器的开发可以针对农业应用进行优化。HSI技术与无人机和其他移动平台的集成可用于更轻松地进行现场部署。需要为HSI数据的采集、处理和共享建立行业标准，云计算可用于数据存储和处理，以减少现场计算要求。可以采用最新的边缘计算解决方案，在现场实时处理HSI数据。所有这些都最终有助于更好地将该技术用于更广泛的现场应用。