《Smart Agricultural Technology》：Remote Sensing-Based Approaches for Automatic Vineyard Area Identification: A Systematic Review
编辑推荐：
本综述系统梳理了从传统技术到人工智能的葡萄园自动识别遥感方法，揭示了技术从像素级分析向深度学习与3D重建的演进路径。文章指出，无人机与哨兵-2数据已成为多尺度监测的核心，但模型可移植性与计算成本仍是瓶颈。通过构建领域适应性偏倚风险评估框架，为精准葡萄栽培的遥感应用提供了方法学规范与发展路线图。
本文系统回顾了基于遥感技术的葡萄园自动识别方法，涵盖从区域尺度到单株水平的多层次应用。通过PRISMA框架对截至2025年7月的108项研究进行筛选，最终纳入80项实证研究进行合成分析。研究发现，技术发展呈现明显代际演进：早期依赖中分辨率卫星影像的像素基方法，逐渐转向融合超高分辨率无人机影像、三维重建与深度学习的新范式。
在数据层面，无人机平台凭借0.01-0.05米级分辨率主导行级与植株级分析，而哨兵-2凭借5天重访周期成为区域尺度多时相监测的主力。光谱模态从RGB、多光谱向高光谱与热红外扩展，其中厘米级RGB数据在冠层分割任务中表现出不逊于多光谱数据的潜力。方法学上，对象基图像分析（OBIA）通过整合空间上下文信息显著提升分类精度，而卷积神经网络（CNN）与视觉变换器（ViT）在复杂场景下的冠层分割精度普遍超过90%。值得注意的是，三维点云技术通过结构特征提取有效解决了陡坡梯田葡萄园的行线检测难题，其中基于密度聚类的算法实现100%行线识别率。
技术应用呈现显著的空间尺度特征：区域尺度（组R）研究以10-30米卫星影像为主，侧重葡萄园地块分类与弃耕监测，哨兵-2时间序列结合随机森林算法可达96%总体精度；地块尺度（组A）聚焦边界 delineation，结合U-Net分割与OBIA后处理使Dice系数达0.94；行尺度（组B）利用无人机影像实现冠层参数提取，Mask R-CNN对单株检测的F1分数达92%；植株尺度（组C）通过YOLO等检测模型实现缺株定位，精度达96.12%。值得关注的是，多源数据融合成为突破瓶颈的关键路径，如将无人机提取的冠层掩膜与哨兵-2光谱融合，可显著改善混合像元问题，使NDVI估算误差降低至0.03（MAE）。
研究同时揭示了四大核心挑战：模型时空可移植性不足，在跨区域验证中性能下降显著；标注数据依赖性强，深度学习模型需要大量高质量样本；复杂地形与塑料覆盖等特殊场景识别精度不稳定；计算成本高昂限制业务化应用。针对这些挑战，综述提出三维信息嵌入深度学习流水线、多传感器时序融合、以及开发轻量化模型等未来方向。
通过引入适配农业领域的偏倚风险评估框架（PROBAST-AI/QUADAS-2原则），研究指出当前文献在验证严谨性（29%研究存在高偏倚风险）与可移植性报告（仅12%进行跨区域验证）方面存在明显不足。建议未来研究加强地理独立验证、明确操作适用范围，并通过数据共享促进方法可比性。最终，通过方法标准化与多尺度集成，遥感技术将支撑葡萄栽培向数据驱动的精准管理范式转型。
