DOI: https://doi.org/10.3389/frsen.2025.1622884
تاريخ النشر: 2025-06-24
المؤلف: Aliasghar Bazrafkan وآخرون
الموضوع الرئيسي: الاستشعار عن بعد وتطبيقات LiDAR
نظرة عامة
تمثل دمج أنظمة الطائرات بدون طيار (UAS) وصور الأقمار الصناعية تقدمًا كبيرًا في الزراعة الدقيقة، كما هو موضح في هذا الاستعراض. يتناول طرق الدمج المختلفة—المعتمدة على البكسل، والمعتمدة على الميزات، والمعتمدة على القرار—وتقنيات تحسينها، مع التأكيد على فوائد دمج البيانات عالية الدقة من كلا المصدرين. تشمل النتائج الرئيسية تحسين تقدير الكتلة الحيوية، وتحسين اكتشاف إجهاد النيتروجين في الذرة، ورسم خرائط أنواع المحاصيل بدقة من خلال الدمج متعدد الأوقات. يبرز البحث أهمية المعلومات الطيفية من بيانات UAS والأقمار الصناعية في مراقبة المحاصيل الفعالة وتقدير الكتلة الحيوية.
علاوة على ذلك، يتناول الاستعراض التحديات المتعلقة بالدقة المكانية والزمنية، والمعايرة الإشعاعية، وتزامن البيانات، وتقنيات المعالجة، مقترحًا حلولًا عملية لهذه القضايا. يؤكد على تأثير دمج بيانات UAS والأقمار الصناعية على الزراعة الدقيقة، مما يعزز قدرات المراقبة وتخصيص الموارد. تكشف التحليلات المقارنة عن مزايا البيانات المدمجة، خاصة للمحاصيل المحددة، مع تفضيل ملحوظ لطرق الدمج المعتمدة على البكسل بين الباحثين. تشير النتائج إلى اتجاهات البحث المستقبلية، بما في ذلك استكشاف منهجيات الدمج المتقدمة وتطبيق خوارزميات التعلم الآلي لتوسيع نطاق تطبيق الرؤى عبر محاصيل مختلفة.
مقدمة
تستعرض مقدمة هذه الورقة البحثية التأثير التحويلي للزراعة الدقيقة على صناعة الزراعة، مدفوعة بالحاجة إلى إدارة الموارد المستدامة وزيادة الإنتاجية. تستفيد الزراعة الدقيقة من التكنولوجيا، وخاصة الاستشعار عن بعد عبر الأقمار الصناعية وأنظمة الطائرات بدون طيار (UAS)، لتعزيز إنتاجية الزراعة، وتقليل هدر الموارد، وضمان الأمن الغذائي لعدد متزايد من السكان العالميين. بينما توفر الأقمار الصناعية رؤى واسعة وعامة للمناظر الطبيعية الزراعية، فإن قيودها في الدقة المكانية والزمنية تستدعي دمج UAS، التي تقدم صورًا عالية الدقة ولكن تغطي مناطق أصغر. تهدف هذه العلاقة التكميلية إلى سد الفجوة بين المنظورات الكبيرة والصغيرة في مراقبة المحاصيل.
تؤكد الورقة على الفوائد المحتملة لدمج UAS وصور الأقمار الصناعية، والتي يمكن أن تحسن دقة تصنيف المحاصيل وتقييم صحتها، مما يمكّن من اتخاذ قرارات أكثر استنارة للمزارعين والباحثين. ومع ذلك، لا تزال التحديات مثل اختلافات تنسيق البيانات، وتباين الدقة، ومشكلات المعايرة قائمة، مما يستدعي مزيدًا من البحث لتحسين هذا الدمج. قام المؤلفون بإجراء مراجعة منهجية للأدبيات (SLR) لمعالجة الأسئلة البحثية الرئيسية المتعلقة بأنواع المستشعرات، وطرق الدمج، والتطبيقات، والتحديات، والاتجاهات المستقبلية في دمج UAS والأقمار الصناعية للزراعة الدقيقة. تهدف هذه المراجعة إلى تقديم ملخص شامل للتطورات الأخيرة، مع التركيز على أداء طرق الدمج عبر المهام الزراعية الحرجة وتقديم رؤى قابلة للتنفيذ لتعزيز عمليات اتخاذ القرار للمعنيين في هذا المجال.
الطرق
في هذا القسم، يوضح المؤلفون المنهجيات المستخدمة في مراجعتهم لدمج أنظمة الطائرات بدون طيار (UAS) وصور الأقمار الصناعية لمراقبة المحاصيل، باستخدام نهج مراجعة الأدبيات المنهجية (SLR). أسفرت عملية البحث الأولية عن إجمالي 482 منشورًا عبر قواعد بيانات مختلفة، بما في ذلك Google Scholar وWeb of Science وScopus. بعد إزالة التكرارات وإجراء تقييم صارم للأهلية بناءً على أهداف الدراسة المحددة مسبقًا، تم اختيار 56 مقالة ذات صلة للتحليل التفصيلي، مما شكل أساسًا للمراجعة.
كما يناقش المؤلفون طرق دمج البيانات، التي تتضمن دمج أنواع مختلفة من الصور لتعزيز الدقة المكانية والطيفية لتحليل خصائص النباتات بشكل أفضل. يصنفون هذه التقنيات إلى ثلاثة مستويات: دمج على مستوى البكسل، ودمج على مستوى الميزات، ودمج على مستوى القرار، كما هو موضح في أدبيات الاستشعار عن بعد. يتم دمج البيانات على مستوى البكسل في مرحلة البيانات الخام، ويحدث دمج الميزات بعد استخراج الميزات، بينما يدمج دمج القرار المخرجات من نماذج مستقلة. يسهل هذا التصنيف فهمًا مقارنًا لتعقيد وأداء وقابلية تطبيق المنهجيات المختلفة في السياقات الزراعية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الاتجاه المتزايد في دمج أنظمة الطائرات بدون طيار (UAS) وصور الأقمار الصناعية للزراعة الدقيقة من 2014 إلى 2024، مع ذروة ملحوظة في الدراسات في عام 2020. يُعزى هذا النمو إلى التقدم في التكنولوجيا، بما في ذلك انخفاض تكلفة منصات UAS وبيانات الأقمار الصناعية عالية الدقة، بالإضافة إلى تحسينات في خوارزميات التعلم الآلي التي تسهل معالجة مجموعات البيانات المعقدة. وقد زادت الحاجة إلى ممارسات زراعية مستدامة استجابة لتقلبات المناخ من تعزيز البحث في هذا المجال. تؤكد الورقة على القدرات المتنوعة للمستشعرات المستخدمة في أنظمة UAS والأقمار الصناعية، والتي تلبي تحديات زراعية مختلفة، مثل مراقبة المحاصيل وتحليل التربة، من خلال استخدام نطاقات طيفية من 400 نانومتر إلى 2,122 نانومتر ودقة مكانية من 3 مم إلى 60 م.
كما تصنف القسم طرق الدمج بناءً على المستويات المنهجية، مما يبرز قابلية تكيف المستشعرات مع أهداف البحث المحددة، مثل مراقبة نمو المحاصيل وتقدير النيتروجين. يظهر أن دمج بيانات UAS والأقمار الصناعية يعزز دقة تقدير الكتلة الحيوية وتوقعات العائد من خلال دمج صور UAS عالية الدقة مع تغطية أقمار صناعية أوسع. تحدد الورقة أنظمة UAS ذات الأجنحة الثابتة كأكثر المنصات استخدامًا، مع تفضيل مستشعرات RGB والمتعددة الطيف بسبب فعاليتها من حيث التكلفة وملاءمتها للتطبيقات الزراعية. يتم تسليط الضوء على Sentinel-2 كخيار الأقمار الصناعية السائد بسبب دقته الطيفية والمكانية المواتية، بالإضافة إلى الوصول المجاني. بشكل عام، توضح النتائج الإمكانات الكبيرة لتكامل UAS وصور الأقمار الصناعية في تلبية المتطلبات المعقدة للزراعة الدقيقة، مما يمكّن من تحسين مراقبة المحاصيل، وتقدير العائد، وإدارة الموارد.
DOI: https://doi.org/10.3389/frsen.2025.1622884
Publication Date: 2025-06-24
Author(s): Aliasghar Bazrafkan et al.
Primary Topic: Remote Sensing and LiDAR Applications
Overview
The integration of unmanned aerial systems (UAS) and satellite imagery represents a significant advancement in precision agriculture, as highlighted in this review. It examines various fusion methods—pixel-based, feature-based, and decision-based—and their optimization techniques, emphasizing the benefits of combining high-resolution data from both sources. Key findings include enhanced biomass estimation, improved nitrogen stress detection in maize, and refined crop type mapping through multi-temporal fusion. The study underscores the importance of spectral information from UAS and satellite data in effective crop monitoring and biomass estimation.
Moreover, the review addresses challenges related to spatial and temporal resolutions, radiometric calibration, data synchronization, and processing techniques, proposing practical solutions to these issues. It emphasizes the impact of integrated UAS and satellite data on precision agriculture, enhancing monitoring capabilities and resource allocation. A comparative analysis reveals the advantages of combined data, particularly for specific crops, with a noted preference for pixel-based fusion methods among researchers. The findings suggest future research directions, including the exploration of advanced fusion methodologies and the application of machine learning algorithms to broaden the applicability of insights across different crops.
Introduction
The introduction of this research paper outlines the transformative impact of precision agriculture on the agricultural industry, driven by the need for sustainable resource management and increased productivity. Precision agriculture leverages technology, particularly satellite remote sensing and unmanned aerial systems (UAS), to enhance agricultural yield, minimize resource waste, and ensure food security for a growing global population. While satellites provide broad, macroscopic views of agricultural landscapes, their limitations in spatial and temporal resolution necessitate the integration of UAS, which offer high-resolution imagery but cover smaller areas. This complementary relationship aims to bridge the gap between macro and micro perspectives in crop monitoring.
The paper emphasizes the potential benefits of integrating UAS and satellite imagery, which can improve crop classification accuracy and health assessments, thereby enabling more informed decision-making for farmers and researchers. However, challenges such as data format discrepancies, resolution variations, and calibration issues persist, necessitating further research to optimize this integration. The authors conducted a systematic literature review (SLR) to address key research questions regarding sensor types, fusion methods, applications, challenges, and future directions in UAS-satellite integration for precision agriculture. This review aims to provide a comprehensive synthesis of recent developments, focusing on the performance of fusion approaches across critical agricultural tasks and offering actionable insights to enhance decision-making processes for stakeholders in the field.
Methods
In this section, the authors outline the methodologies employed in their review of the integration of Unmanned Aerial Systems (UAS) and satellite imagery for crop monitoring, utilizing a systematic literature review (SLR) approach. The initial search yielded a total of 482 publications across various databases, including Google Scholar, Web of Science, and Scopus. After removing duplicates and conducting a rigorous eligibility assessment based on predefined study goals, 56 relevant articles were selected for detailed analysis, forming the foundation for the review.
The authors also discuss data fusion methods, which involve the combination of different types of imagery to enhance spatial and spectral resolution for improved analysis of plant traits. They categorize these fusion techniques into three levels: pixel-level, feature-level, and decision-level fusion, as established in remote sensing literature. Pixel-level fusion integrates data at the raw data stage, feature-level fusion occurs post-feature extraction, and decision-level fusion merges outputs from independent models. This classification facilitates a comparative understanding of the complexity, performance, and applicability of various methodologies in agricultural contexts.
Discussion
The discussion section of the research paper highlights the increasing trend in the integration of Unmanned Aerial Systems (UAS) and satellite imagery for precision agriculture from 2014 to 2024, with a notable peak in studies in 2020. This growth is attributed to advancements in technology, including the affordability of UAS platforms and high-resolution satellite data, as well as improvements in machine learning algorithms that facilitate the processing of complex datasets. The need for sustainable agricultural practices in response to climate variability has further fueled research in this area. The paper emphasizes the diverse sensor capabilities employed in UAS and satellite systems, which cater to various agricultural challenges, such as crop monitoring and soil analysis, by utilizing spectral ranges from 400 nm to 2,122 nm and spatial resolutions from 3 mm to 60 m.
The section also categorizes fusion approaches based on methodological levels, underscoring the adaptability of sensors for specific research objectives, such as crop growth monitoring and nitrogen estimation. The integration of UAS and satellite data is shown to enhance the accuracy of biomass estimation and yield predictions by combining high-resolution UAS imagery with broader satellite coverage. The paper identifies fixed-wing UAS as the most commonly used platform, with RGB and multispectral sensors being favored for their cost-effectiveness and suitability for agricultural applications. Sentinel-2 is highlighted as the predominant satellite choice due to its favorable spectral and spatial resolutions, along with its cost-free access. Overall, the findings illustrate the significant potential of UAS and satellite imagery synergy in addressing the multifaceted requirements of precision agriculture, enabling improved crop monitoring, yield estimation, and resource management.