Журнал

О журнале Новости Редколлегия Информация для авторов и рецензентов Публикационная этика Дискуссия Контакты ЛИЧНЫЙ КАБИНЕТ:
отправка и рецензирование статей
Архив
Том 23, 2026
Номер 1 Номер 2 Номер 3
Том 22, 2025
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 21, 2024
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 20, 2023
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 19, 2022
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 18, 2021
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 17, 2020
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 16, 2019 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 15, 2018 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 14, 2017 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6 Номер 7
Том 13, 2016 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 12, 2015 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5 Номер 6
Том 11, 2014 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 10, 2013 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 9, 2012 г.
Номер 1 Номер 2 Номер 3 Номер 4 Номер 5
Том 8, 2011 г.
Номер 1 Номер 2 Номер 3 Номер 4
Том 7, 2010 г.
Номер 1 Номер 2 Номер 3 Номер 4
Выпуск 6, 2009 г.
Том 1 Том 2
Выпуск 5, 2008 г.
Том 1 Том 2
Выпуск 4, 2007 г.
Том 1 Том 2
Выпуск 3, 2006 г.
Том 1 Том 2
Выпуск 2, 2005 г.
Том 1 Том 2
Выпуск 1, 2004 г.
Том 1
Поиск
Найти:
Подписка/отписка
на рассылку новостей
Ваш e-mail:
подписаться отписаться
English version
ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2026. Т. 23. № 3. С. 9-24

Искусственный интеллект и дистанционное зондирование Земли в сельском хозяйстве: обзор

А.Н. Сафонова 1 , Ю.А. Маглинец 2 , Д.И. Каплун 1 
1 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина), Санкт-Петербург, Россия
2 Сибирский федеральный университет, Красноярск, Россия
Одобрена к печати: 24.10.2025
DOI: 10.21046/2070-7401-2026-23-3-9-24
В третьем десятилетии XXI в. развитие методов искусственного интеллекта позволило вывести соответствующие алгоритмы, в частности, основанные на моделях глубокого обучения (ГО), на первые позиции при анализе данных ДЗЗ в агромониторинге, позволяя повысить точность и эффективность при решении задач обнаружения объектов и их классификации, анализа изменений и др. Было опубликовано около тысячи статей, включая около 69 обзорных. Однако ни одно исследование не пыталось охватить весь спектр достижений в приложениях ГО с ДЗЗ в агромониторинге. Цель данного обзора заключается в выявлении основных трендов и пробелов в знаниях при разработке приложений дистанционного агромониторинга посредством изучения соответствующих обзоров. Следуя рекомендуемым руководящим принципам, были выявлены 37 обзорных исследований, опубликованных в период с 2020 по март 2024 г. В выбранных обзорах обсуждаются различные задачи агромониторинга и методы их решения, включая такие аспекты, как архитектуры ГО, источники данных, оценка производительности моделей, возникающие проблемы. Используя библиометрический анализ, настоящее исследование выявило общие темы, выделило производительность моделей ГО, пробелы в знаниях и тенденции развития этой области знаний. Насколько нам известно, в этой статье представлен наиболее полный обзор данной области и обозначены будущие направления исследований.
Ключевые слова: искусственный интеллект, глубокое обучение, дистанционное зондирование Земли, агромониторинг, сельское хозяйство, обзор
Полный текст

Список литературы:

  1. Abbas A., Zhang Z., Zheng H. et al. Drones in plant disease assessment, efficient monitoring, and detection: A way forward to smart agriculture // Agronomy. 2023. V. 13. Iss. 6. Article 1524. 26 p. DOI: 10.3390/agronomy13061524.
  2. Ariza-Sentís M., Vélez S., Martínez-Peña R. et al. Object detection and tracking in Precision Farming: a systematic review // Computers and Electronics in Agriculture. 2024. V. 219. Article 108757. 19 p. DOI: 10.1016/j.compag.2024.108757.
  3. Arjoune Y., Sugunaraj N., Peri S. et al. Soybean cyst nematode detection and management: a review // Plant Methods. 2022. V. 18. Iss. 1. Article 110. 39 p. DOI: 10.1186/s13007-022-00933-8.
  4. Arksey H., O’Malley L. Scoping studies: towards a methodological framework // Intern. J. Social Research Methodology. 2005. V. 8. Iss. 1. P. 19–32. DOI: 10.1080/1364557032000119616.
  5. Astolfi G., Pache M. C. B., Menezes G. V. et al. Combining syntactic methods with LSTM to classify soybean aerial images // IEEE Geoscience and Remote Sensing Letters. 2021. V. 18. Iss. 12. P. 2182–2186. DOI: 10.1109/LGRS.2020.3014938.
  6. Bouguettaya A., Zarzour H., Kechida A., Taberkit A. M. Deep learning techniques to classify agricultural crops through UAV imagery: a review // Neural Computing and Applications. 2022. V. 34. P. 9511–9536. DOI: 10.1007/s00521-022-07104-9.
  7. Cao Z., Kooistra L., Wang W. et al. Real-time object detection based on UAV remote sensing: A systematic literature review // Drones. 2023. V. 7. Iss. 10. Article 620. 29 p. DOI: 10.3390/drones7100620.
  8. Darra N., Anastasiou E., Kriezi O. et al. Can yield prediction be fully digitalized? A systematic review // Agronomy. 2023. V. 13. Iss. 9. Article 2441. 53 p. DOI: 10.3390/agronomy13092441.
  9. Darwin B., Dharmaraj P., Prince S. et al. Recognition of bloom/yield in crop images using deep learning models for smart agriculture: A review // Agronomy. 2021. V. 11. Iss. 4. Article 646. 22 p. DOI: 10.3390/agronomy11040646.
  10. El Sakka M., Mothe J., Ivanovici M. Images and CNN applications in smart agriculture // European J. Remote Sensing. 2024. V. 57. Iss. 1. Article 2352386. 29 p. DOI: 10.1080/22797254.2024.2352386.
  11. García-Berná J. A., Ouhbi S., Benmouna B. et al. Systematic mapping study on remote sensing in agriculture // Applied Sciences. 2020. V. 10. Iss. 10. Article 3456. 29 p. DOI: 10.3390/app10103456.
  12. Haddaway N. R., Page M. J., Pritchard C. C., McGuinness L. A. PRISMA2020: An R package and Shiny app for producing PRISMA 2020-compliant flow diagrams, with interactivity for optimised digital transparency and Open Synthesis // Campbell Systematic Reviews. 2022. V. 18. Iss. 2. Article e1230. 12 p. DOI: 10.1002/cl2.1230.
  13. Hunt D. A., Tabor K., Hewson J. H. et al. Review of remote sensing methods to map coffee production systems // Remote Sensing. 2020. V. 12. Iss. 12. Article 2041. 23 p. DOI: 10.3390/rs12122041.
  14. Jiang W. Object-based deep convolutional autoencoders for high-resolution remote sensing image classification // J. Applied Remote Sensing. 2018. V. 12. Iss. 3. Article 035002. DOI: 10.1117/1.JRS.12.035002.
  15. Joshi A., Pradhan B., Gite S., Chakraborty S. Remote-sensing data and deep-learning techniques in crop mapping and yield prediction: A systematic review // Remote Sensing. 2023. V. 15. Iss. 8. Article 2014. 26 p. DOI: 10.3390/rs15082014.
  16. Jozdani S., Chen D., Pouliot D., Johnson B. A. A review and meta-analysis of generative adversarial networks and their applications in remote sensing // Intern. J. Applied Earth Observation and Geoinformation. 2022. V. 108. Article 102734. 22 p. DOI: 10.1016/j.jag.2022.102734.
  17. Jurado J. M., López A., Pádua L., Sousa J. J. Remote sensing image fusion on 3D scenarios: A review of applications for agriculture and forestry // Intern. J. Applied Earth Observation and Geoinformation. 2022. V. 112. Article 102856. 23 p. DOI: 10.1016/j.jag.2022.102856.
  18. Kattenborn T., Leitloff J., Schiefer F., Hinz S. Review on convolutional neural networks (CNN) in vegetation remote sensing // ISPRS J. Photogrammetry and Remote Sensing. 2021. V. 173. P. 24–49. DOI: 10.1016/j.isprsjprs.2020.12.010.
  19. Kouadio L., El Jarroudi M., Belabess Z. et al. A review on UAV-based applications for plant disease detection and monitoring // Remote Sensing. 2023. V. 15. Iss. 17. Article 4273. 23 p. DOI: 10.3390/rs15174273.
  20. Kuswidiyanto L. W., Noh H.-H., Han X. Plant disease diagnosis using deep learning based on aerial hyperspectral images: A review // Remote Sensing. 2022. V. 14. Iss. 23. Article 6031. 24 p. DOI: 10.3390/rs14236031.
  21. Levac D., Colquhoun H., O’Brien K. K. Scoping studies: advancing the methodology // Implementation Science. 2010. V. 5. Iss. 1. Article 69. 9 p. DOI: 10.1186/1748-5908-5-69.
  22. Li K., Yang S., Dong R. et al. Survey of single image super resolution reconstruction // IET Image Processing. 2020. V. 14. Iss. 11. P. 2273–2290. DOI: 10.1049/iet-ipr.2019.1438.
  23. Li J., Cai Y., Li Q. et al. A review of remote sensing image segmentation by deep learning methods // Intern. J. Digital Earth. 2024. V. 17. Iss. 1. Article 2328827. 34 p. DOI: 10.1080/17538947.2024.2328827.
  24. Liu J., Xiang J., Jin Y. et al. Boost precision agriculture with unmanned aerial vehicle remote sensing and edge intelligence: A survey // Remote Sensing. 2021. V. 13. Iss. 21. Article 4387. 31 p. DOI: 10.3390/rs13214387.
  25. Mesías-Ruiz G. A., Pérez-Ortiz M., Dorado J. et al. Boosting precision crop protection towards agriculture 5.0 via machine learning and emerging technologies: A contextual review // Frontiers in Plant Science. 2023. V. 14. Article 1143326. 22 p. DOI: 10.3389/fpls.2023.1143326.
  26. Messina G., Modica G. The role of remote sensing in olive growing farm management: A research outlook from 2000 to the present in the framework of precision agriculture applications // Remote Sensing. 2022. V. 14. Iss. 23. Article 5951. 40 p. DOI: 10.3390/rs14235951.
  27. Mohamed E. S., Belal A. A., Abd-Elmabod S. K. et al. Smart farming for improving agricultural management // The Egyptian J. Remote Sensing and Space Sciences. 2021. V. 24. Iss. 3. P. 971–981. DOI: 10.1016/j.ejrs.2021.08.007.
  28. Nawaz S. A., Li J., Bhatti U. A. et al. AI-based object detection latest trends in remote sensing, multimedia and agriculture applications // Frontiers in Plant Science. 2022. V. 13. Article 1041514. 21 p. DOI: 10.3389/fpls.2022.1041514.
  29. Neupane K., Baysal-Gurel F. Automatic identification and monitoring of plant diseases using unmanned aerial vehicles: A review // Remote Sensing. 2021. V. 13. Iss. 19. Article 3841. 23 p. DOI: 10.3390/rs13193841.
  30. Ouhami M., Hafiane A., Es-Saady Y. et al. Computer vision, IoT and data fusion for crop disease detection using machine learning: A survey and ongoing research // Remote Sensing. 2021. V. 13. Iss. 13. Article 2486. 24 p. DOI: 10.3390/rs13132486.
  31. Radočaj D., Plaščak I., Jurišić M. Global navigation satellite systems as state-of-the-art solutions in precision agriculture: A review of studies indexed in the Web of Science // Agriculture. 2023. V. 13. Iss. 7. Article 1417. 17 p. DOI: 10.3390/agriculture13071417.
  32. Rakhmatulin I., Kamilaris A., Andreasen C. Deep neural networks to detect weeds from crops in agricultural environments in real-time: A review // Remote Sensing. 2021. V. 13. Iss. 21. Article 4486. 24 p. DOI: 10.3390/rs13214486.
  33. Rejeb A., Abdollahi A., Rejeb K., Treiblmaier H. Drones in agriculture: A review and bibliometric analysis // Computers and Electronics in Agriculture. 2022. V. 198. Article 107017. 19 p. DOI: 10.1016/j.compag.2022.107017.
  34. Rethlefsen M. L., Kirtley S., Waffenschmidt S. et al. PRISMA-S: an extension to the PRISMA statement for reporting literature searches in systematic reviews // Systematic Reviews. 2021. V. 10. Iss. 1. Article 39. 19 p. DOI: 10.1186/s13643-020-01542-z.
  35. Rosle R., Che’Ya N. N., Ang Y. et al. Weed detection in rice fields using remote sensing technique: A review // Applied Sciences. 2021. V. 11. Iss. 22. Article 10701. 25 p. DOI: 10.3390/app112210701.
  36. Safonova A., Ghazaryan G., Stiller S. et al. Ten deep learning techniques to address small data problems with remote sensing // Intern. J. Applied Earth Observation and Geoinformation. 2023. V. 125. Article 103569. 17 p. DOI: 10.1016/j.jag.2023.103569.
  37. Shahi T. B., Xu C.-Y., Neupane A., Guo W. Recent advances in crop disease detection using UAV and deep learning techniques // Remote Sensing. 2023. V. 15. Iss. 9. Article 2450. 29 p. DOI: 10.3390/rs15092450.
  38. Sharma R., Mishra D. R., Levi M. R., Sutter L. A. Remote sensing of surface and subsurface soil organic carbon in tidal wetlands: a review and ideas for future research // Remote Sensing. 2022. V. 14. Iss. 12. Article 2940. 21 p. DOI: 10.3390/rs14122940.
  39. Shi W., Zhang M., Zhang R. et al. Change detection based on artificial intelligence: State-of-the-art and challenges // Remote Sensing. 2020. V. 12. Iss. 10. Article 1688. 35 p. DOI: 10.3390/rs12101688.
  40. Tanaka T. S. T., Wang S., Jørgensen J. R. et al. Review of crop phenotyping in field plot experiments using UAV-mounted sensors and algorithms // Drones. 2024. V. 8. Iss. 6. Article 212. 21 p. DOI: 10.3390/drones8060212.
  41. Teixeira I., Morais R., Sousa J. J., Cunha A. Deep learning models for the classification of crops in aerial imagery: A review // Agriculture. 2023. V. 13. Iss. 5. Article 965. 24 p. DOI: 10.3390/agriculture13050965.
  42. Wang R., Ma L., He G. et al. Transformers for remote sensing: a systematic review and analysis // Sensors. 2024. V. 24. Iss. 11. Article 3495. 23 p. DOI: 10.3390/s24113495.
  43. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: a meta-review // Remote Sensing of Environment. 2020. V. 236. Article 111402. DOI: 10.1016/j.rse.2019.111402.
  44. Westphaln K. K., Regoeczi W., Masotya M. et al. From Arksey and O’Malley and beyond: Customizations to enhance a team-based, mixed approach to scoping review methodology // MethodsX. 2021. V. 8. Article 101375. 14 p. DOI: 10.1016/j.mex.2021.101375.
  45. Yu F., Wang M., Xiao J. et al. Advancements in utilizing image-analysis technology for crop-yield estimation // Remote Sensing. 2024. V. 16. Iss. 6. Article 1003. 30 p. DOI: 10.3390/rs16061003.
  46. Zheng J., Song X., Yang G. et al. Remote sensing monitoring of rice and wheat canopy nitrogen: A review // Remote Sensing. 2022. V. 14. Iss. 22. Article 5712. 29 p. DOI: 10.3390/rs14225712.