Mit dem Fortschritt der Fernerkundungsbilder und multimodalen Sensortechnologien hat sich die Überwachung von Pflanzenmerkmalen als ein kritisches Forschungsgebiet in der modernen Landwirtschaft herausgestellt. Traditionelle Ansätze, die auf handgefertigten Merkmalen und flachen Modellen basieren, haben Schwierigkeiten, die in hochdimensionalen und multisource Daten inhärente Komplexität effektiv anzugehen. Im Gegensatz dazu hat Deep Learning, mit seiner End-to-End-Funktionsextraktion und den nichtlinearen Modellierungsfähigkeiten, die Überwachungsgenauigkeit und Automatisierung erheblich verbessert. Diese Übersicht fasst die jüngsten Entwicklungen bei der Anwendung von Deep Learning-Methoden zusammen – einschließlich CNNs, RNNs, LSTMs, Transformern, GANs und VAEs – für Aufgaben wie Wachstumsüberwachung, Ertragsschätzung, Schädlings- und Krankheitsidentifikation sowie phänotypische Analyse. Weiterhin werden herausragende Forschungsthemen wie multimodale Datenfusion, Transferlernen und Modellinterpretierbarkeit untersucht. Darüber hinaus werden wesentliche Herausforderungen in Bezug auf Datenknappheit, Modellgeneralisierung und den Einsatz in der realen Welt erörtert. Schließlich skizziert die Übersicht mögliche Richtungen für zukünftige Forschung, mit dem Ziel, die Integration von Deep Learning in Phenomik und intelligente IoT-Systeme zu fördern und die Pflanzenüberwachung in Richtung größerer Intelligenz und Hochdurchsatzfähigkeiten voranzutreiben.
Han et al. (Fri,) haben diese Frage untersucht.