产量预测能否完全数字化?系统综述


发布时间:

2023-10-17

来源:

本站

作者:

PhenoTrait

本文基于已往的工作,通过系统的文献综述,探讨了卫星、无人机和地面传感器在农业产量预测中的应用。它涵盖了这一主题的多个方面,包括作物类型、主要传感器平台、数据分析技术以及估产性能。为此,我们分析了 Scopus 和 Web of Science 的数据集,对检索到的 1429 篇出版物中的 269 篇进行了全面评述。我们的研究显示,中国(93 篇文章,引用次数超过 1800 次)和美国(58 篇文章,引用次数超过 1600 次)在这一领域做出了突出贡献;而卫星是主要的遥感平台(62%),其次是机载(30%)和近距离传感器(27%)。此外,157 篇文章使用了统计方法,60 篇文章使用了基于模型的方法,而机器学习和深度学习分别在 142 篇文章和 62 篇文章中使用。在对各种方法进行比较时,机器学习和深度学习方法在作物产量预测方面表现出较高的准确性,而其他技术也取得了成功,但这取决于具体的作物平台和所采用的方法。这项研究的结果为研究人员和农民提供了一个全面的路线图,使他们能够做出数据驱动的决策,并优化农业实践,为实现完全数字化的产量预测铺平道路。

 

图1 选择文章的系统性审查程序。

 

图2 2002年至2022年期间每年出版的出版物数量。

 

图3 2002年至2022年出版量排名前十的国家。

 

图4 所有入选文章引文的地理分布(2002-2022)。

 

图5 2002年至2022年间文献中包含的作物类别。

 

图6 每种作物类别和作物的研究数量。

 

图7 文献中使用的产量预测遥感平台。

 

图8 (a)文献中使用的产量预测卫星平台;(b)文献中使用的地面产量预测平台;(c)文献中使用的用于产量预测的机载平台。

 

图9 研究方法概览。

 

图10 用于作物产量预测的最广泛使用的植被指数。

 

来 源

Darra N, Anastasiou E, Kriezi O, et al. Can Yield Prediction Be Fully Digitilized? A Systematic Review[J]. Agronomy, 2023, 13(9): 2441.

https://doi.org/10.3390/agronomy13092441

 

编辑

小王博士在努力

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。