1.研究背景
农业研究的主题便是增加食品生产和提高食品质量，以满足快速增长的人口需求。因此，收集大量、多来源的农业数据有助于在各个层面优化生产决策，以提高农产品产量和质量，惠及个体农户和国家集体。同时，深度学习在许多不同的研究领域中获得了广泛关注，并被广泛应用。卫星遥感影像的数量呈前所未有的增长，推动了农业资源与环境研究的深度拓展。深度学习模型对数据的渴求以及农业领域内庞大数据量之间似乎实现了完美契合。但如何更全面地分析深度学习在农业遥感领域的应用及其发展前景，需要我们对过去的研究进行一个系统化和综合性的分析。
2.创新之处
本研究回顾了以往的193个研究成果，详细分析了深度学习算法在农业遥感任务中的受益情况，并指出了尚未从中获益的任务。土地利用/土地覆盖研究已广泛应用深度学习算法，但其他农业遥感任务的研究采用深度学习算法的情况却相对较少。这种深度学习应用率低的现象似乎是由于这些农业遥感任务普遍缺乏标注数据集。因此，我们建议加强对更大规模数据集的收集与构建。
此外，卫星遥感图像与基于地面的图像在多个方面存在显著差异，这导致了对卫星图像解译、需求的大幅增长。基于此，本研究进一步引入了一种分类方法对数据输入形状进行划分，并阐释了这些形状如何被解译，以便于更简洁地传达算法类型，同时推进定量遥感分析的实现。
3.关键图表
图1遥感数据通过不同的方式进行解释以适应使用不同的模型
图2作物分割中较常见的方法之一是将时空数据视为4D图像立方体
图3对土壤健康、植物生理和作物病害检测最常见方法是对每个遥感影像像素进行独立运算，并将像素视为一个无序的特征集合。
4.主要结论
在本综述中，我们观察到深度学习方法过去几年中在农业遥感领域迅速流行。这一趋势可能会持续下去，因为这类研究似乎正在借鉴计算机视觉领域的研究成果。然而，通用计算机视觉研究的进展在一定程度上依赖于大型公开基准数据集的推动，但这些数据集在本综述中提到的农业遥感任务中，尤其是在土壤健康监测、植物生理学和作物损害检测方面仍然严重缺乏。在缺乏可访问的大型数据集的情况下，各种基于深度学习的农业遥感方法难以有效开展和相互比较，而农业遥感领域的深度学习研究主要依赖于那些拥有资源开展大规模实地调查的研究者。
5.发表信息
Victor B, Nibali A, He Z. A systematic review of the use of Deep Learning in Satellite Imagery for Agriculture[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024. 10.1109/JSTARS.2024.3501216
6.声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。另外，十分欢迎专家学者推荐好文和直接投稿。
