[论文总结] 深度学习在农业领域应用论文笔记

文章目录

• 1. 深度学习
• • 1.1 图像分类
  • • 1. A Neural Network Method for Classification of Sunlit and Shaded Components of Wheat Canopies in the Field Using High-Resolution Hyperspectral Imagery
    • 2. Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks
    • 3. Data augmentation for automated pest classification in Mango farms
    • 4.Data augmentation for automated pest classification in Mango farms
    • 5. An attribution-based pruning method for real-time mango detection with YOLO network
    • 6. Predicting pasture biomass using a statistical model and machine learning algorithm implemented with remotely sensed imagery
    • 7.Irrigation water infiltration modeling using machine learning
    • 8. Short term soil moisture forecasts for potato crop farming: A machine learning approach
    • 9. Wild blueberry yield prediction using a combination of computer simulation and machine learning algorithms
    • 10. Citrus advisory system: A web-based postbloom fruit drop disease alert system
    • 11. Automated crop plant counting from very high?resolution aerial imagery
    • 12. EfficientNet-B4-Ranger: A novel method for greenhouse cucumber disease recognition under natural complex environment
    • 13.Automatic vegetable disease identification approach using individual lesion features
    • 14. Comparison of convolution neural networks for smartphone image based real time classification of citrus leaf disease
  • 1.2 语义分割
  • • 1. Establishing a model to predict the single boll weight of cotton in northern Xinjiang by using high resolution UAV remote sensing data
    • 2. Tomato leaf segmentation algorithms for mobile phone applications using deep learning
    • 3. Biophysical parameters of coffee crop estimated by UAV RGB images
    • 4. Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques
    • 5. Accuracy of carrot yield forecasting using proximal hyperspectral and satellite multispectral data
    • 6. Evaluation of cotton emergence using UAV-based imagery and deep learning
    • 7. Deep learning techniques for automatic butterfly segmentation in ecological images
    • 8. Improving segmentation accuracy for ears of winter wheat at flowering stage by semantic segmentation 利用语义分割提高冬小麦穗开花期的分割精度
  • 2.3 目标检测
  • • 1. Brown rice planthopper (Nilaparvata lugens Stal) detection based on deep learning
    • 2. Identification of olive fruit, in intensive olive orchards, by means of its morphological structure using convolutional neural networks
• 2. 机器学习
• • • 1. A random forest ranking approach to predict yield in maize with uav-based vegetation spectral indices
• 3. 其他
• • • 1. DropLeaf: A precision farming smartphone tool for real-time quantification of pesticide application coverage
    • 2. Underutilised crops database for supporting agricultural diversification
    • 3. Replacing traditional light measurement with LiDAR based methods in orchards
    • 4. A cyber-physical intelligent agent for irrigation scheduling in horticultural crops
    • 5. Biophysical parameters of coffee crop estimated by UAV RGB images
    • 6. A satellite-based ex post analysis of water management in a blueberry orchard
    • 7.A 3D white referencing method for soybean leaves based on fusion of hyperspectral images and 3D point clouds
    • 8. Assessing winter wheat foliage disease severity using aerial imageryacquired from small Unmanned Aerial Vehicle (UAV)

1. 深度学习

1.1 图像分类

1. A Neural Network Method for Classification of Sunlit and Shaded Components of Wheat Canopies in the Field Using High-Resolution Hyperspectral Imagery

总结： 这篇论文运用的是图像分类的方法。线性判别分析（LDA），以找到表征预选类别（阴影叶片（SHL），阴影耳朵（SHE），阳光叶片（SL），阳光耳朵（SE）和背景（ BG） 的特征的线性组合。. RGB数据由620 nm（红色），535 nm（绿色）和445 nm（蓝色）三个波段组成。带注释的数据是从不同作物生长阶段的23个小麦品种的高光谱图像中收集的。SL，SE，SHL，SHE和BG的5类注释数据的总数分别为119,447、164,223、11,644、4361和227,232像素（这个地方应该是指照片）。使用了平均准确度（AA），F评分和召回评分，将CNN模型与梯度下降和支持向量机分类进行了比较。 优点：该研究由实际的拍摄装置，有充分的大田实验和较大的数据集。缺点：看完这篇论文不知道解决了一个什么样的实际问题。参考价值：2分。

2. Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks

总结： 在整个研究过程中，七个不同的预先训练的CNN模型(VGG-16, VGG-19, ResNet-50，开端- v3，Xception、MobileNet、SqueezeNet)使用适当的迁移学习和微调策略，对40个类的公开D0数据集进行了修改和再培训。随后，通过最大概率和策略对性能最好的三个CNN模型Inception-V3、Xception和MobileNet进行集成以提高分类性能，该模型被命名为SMPEnsemble。然后，利用加权投票的方法对这些模型进行整合。遗传算法综合考虑三个CNN模型的成功率和预测稳定性，确定权重，模型命名为GAEnsemble。GAEnsemble在D0数据集上获得了98.81%的最高分类精度。为了增强集成模型的鲁棒性，在不改变D0上初始性能最好的CNN模型的情况下，使用另外两个数据集，即10类的小数据集和102类的IP102数据集重复这个过程。的准确性GAEnsemble的值为95.15%的小数据集和67.13%的IP102。优点： 不突出，论文很普通。 缺点：数据集小。参考价值： 2分。

3. Data augmentation for automated pest classification in Mango farms

4.Data augmentation for automated pest classification in Mango farms

总结：芒果虫害分类框架，该框架由15个类别组成，根据对VGG-16 络的改进，划分16类害虫和健康叶片。提出的ML技术扩展了预先训练好的VGG-16深度学习模型，用一个两层的全连接 络训练来补充最后一层。有效训练深度学习 络的数据集可用性的稀疏性是通过应用数据增强过程来解决的，该过程能够准确地重现农民所面临的条件，并实时接收可能影响芒果生产的害虫类别的分类输出。优点：最后开发了一个基于安卓的APP。缺点：我不知道。个人感觉没什么亮点，也只有一个 页界面，并没有说开发的APP解决了什么问题。参考价值：3分。

5. An attribution-based pruning method for real-time mango detection with YOLO network

总结：该研究提出了一种易于微调的剪枝检测 络广义归因方法检测芒果。通过设计信道和空间掩码来推广归因方法，可以检测出原始YOLOv3-tiny 络中与特定目标输出紧密相关的卷积核。然后，对不相关的核进行逐层的通道维剪枝。在对修剪后的 络进行微调之前，采用锚点大小、数据增强和学习率衰减来检测芒果。实验结果表明，得到的 络是一个规模和旋转不变的芒果检测 络，在2.6 GFLOPs (giga-浮点运算)下获得了f1得分0.944。与未进行剪枝的精调 络相比，我们的 络计算量减少了68.7%，而准确率提高了0.4%。与使用相同mango数据集训练的最先进 络相比，该算法的计算量减少了83.4%，精度损失仅2.4% 左右。所提出的剪枝方法可以从大规模检测 络中剥离一个子 ，以满足移动设备低功耗处理器的实时性要求，例如ARM Cortex-A8执行约4.0 GFLOPS (giga-浮点运算每秒)。训练过的 络和测试代码可供比较研究**。优点**：这篇论文是2019年7月就投稿了。提出了微调和剪枝。缺点： 奇怪的是说是芒果检测，但我没有找到论文中的芒果数据集，也没有大田实验。更像是一篇一般的工学论文想发到农学不错的期刊。参考价值：2分，和我们做的差不多，但没我们做的好。

6. Predicting pasture biomass using a statistical model and machine learning algorithm implemented with remotely sensed imagery

总结：本研究的目的是测试一个集成方法的性能结合获得的遥感图像与多光谱相机安装在无人机(UAV),统计模型(GAM全面相加模型)和机器学习算法(随机森林,RF)实现与公开的数据来预测未来的牧草生物量的负载。本研究表明，利用草地生长观测、环境变量和草地管理变量，GAM和RF两种模型均可预测放牧前草地生物量产量，平均误差在20%以下。优点：该论文有实际的天气数据，施肥数据以及无人机飞行数据。缺点：只有训练集和测试集。没有用新的方法。参考价值 ：2分。

7.Irrigation water infiltration modeling using machine learning

总结：本研究提出了五个标准的人工智能模型包括人工神经 络(ANN),自适应神经模糊推理系统(ANFIS) 分组的数据处理方法(GMDH) , 多元线性回归和**支持向量回归(SVR)以及它们的综合模型结合萤火虫算法（FA)**预测沟中的渗透水的灌溉系统。在构建综合模型时，FA是一种优化工具。评估这些模型的数据是收集自发表的文献和在伊朗科曼斯布克大学研究农场进行的实地实验。模型的输入参数为沟长(L)、入渗速率(Q)、沟尾提前时间(TL)、入渗横断面面积(Ao)和入渗机会时间(To)。采用均方根(RMSE)、平均绝对误差(MAE)、相关系数(R2)、Nash-Sutcliffe效率指数(NSE)和一致性指数(IA)对模型的预测效果进行评价。结果表明，FA能够提高模型的精度，在ANFIS、GMDH、MLPNN和SVR中RMSE值分别提高5%、1%、4%和47%。综合综合指数(SI)的计算值表明，SVR和FA的结合显著提高了标准SVR模型的性能达97%。优点：用了多种模型以及FA算法预测水的灌溉系统。缺点：没有显示数据集大小。参考价值：3分。

8. Short term soil moisture forecasts for potato crop farming: A machine learning approach

总结：这篇论文介绍了使用传感器利用3年的数据，在多种场景下进行了实验。3个土壤深度，每年测10次。和天气变化数据以及参考了其他文献的数据。。优点：丰富的实验数据。缺点：相比大数据而言，数据还是少了。用的方法为特征提取，支持向量机以及神经 络。参考价值：3分。

9. Wild blueberry yield prediction using a combination of computer simulation and machine learning algorithms

总结：这项研究中，我们使用的数据产生的野生蓝莓传粉模型是一种空间显式的模拟模型，通过近30年美国缅因州的野外观测和实验数据验证了该模型（仿真模型）的有效性。本研究的主要目的是评价蜜蜂种类组成和天气因子在调节野生蓝莓农业生态系统中的相对重要性。具体来说，我们试图揭示蜜蜂种类组成和天气如何影响产量，并预测最佳产量。利用计算机模拟和机器学习算法实现最佳产量的蜜蜂种类组成和天气条件。多元线性回归(MLR)、增强决策树(BDT)、随机森林(RF)和极端梯度增强(XGBoost) 作为预测工具进行评估。在向学习算法提交数据之前，我们还进行了预测器选择。这样，我们就可以在不显著降低预测精度的情况下减少输入的维数。结果表明，无性系大小、蜜蜂、大黄蜂、雄蜂种类、雌蜂种类、最高高温范围、降水日数是预测结果的最优变量。结果表明,XGBoost优于其他算法在所有措施模型预测性能的野生蓝莓的收益率达到确定系数(R2) 0.938,均方根误差(RMSE)为343.026,206年的平均绝对误差(MAE)和相对均方根误差的5.444%。优点：用了的仿真模型。缺点：方法上没觉得有创新。参考价值：4分。

10. Citrus advisory system: A web-based postbloom fruit drop disease alert system

11. Automated crop plant counting from very high?resolution aerial imagery

总结：在这项研究中，提出了一种自动方法，用于从超高分辨率无人机图像中对植物进行计数。拟议的方法使用机器视觉-过量绿色指数和大津的方法-并使用卷积神经 络进行转移学习以识别和计数植物。集成方法已被实施，以在表面积为3.2公顷的实验田中对10周龄的菠菜植物进行计数。植物计数的验证数据可用于表面积的1/8。结果表明，所提出的方法论可以在面积达172 m2的区域中以8 mm /像素的空间分辨率对植物进行计数，准确度为95％。此外，当空间分辨率降低50％时，获得的最大附加计数误差为0.7％。最终，在3.5公顷的面积中计算出170,000株植物的总误差为42.5％。研究表明，使用基于无人机的现成产品对单个植物进行计数是可行的，并且通过机器视觉/学习算法，可以将图像数据转换为非专家的实用信息。优点：工作做的挺好的。做了很多的大田实验也有实际数据。逻辑合理。缺点：方法用的是AlexNet和迁移学习，较为一般。参考价值：3.5分。

12. EfficientNet-B4-Ranger: A novel method for greenhouse cucumber disease recognition under natural complex environment

13.Automatic vegetable disease identification approach using individual lesion features

总结：本研究提出了一种从单个褪绿和坏死病变中提取局部特征的方法，最大限度地减少特征冗余和向量大小。颜色一致性载体(CCV)，一个特征，描绘不同的同质模式相对于疾病进展是从褪绿区域提取。另一方面，从坏死区域提取局部二值模式(LPB)。将这些单个的病变特征连接起来，形成用于疾病识别的病理特征向量，从而使特征大小最小化，并避免处理表面描述符的可能性。为了验证所提方法的有效性，我们使用不同的传统分类器（支持向量机、朴素贝叶斯、KNN）来测试这些特征在精确分类植物病害时的质量和效率。结果表明，该方法在所有案例中均获得了较高的准确率和召回率，召回率超过99%，与其他文献 道的方法相比，准确率有所提高。AlexNet的最后三个完全连接的层被修剪，并被新的层所取代，这些层将划分为EB、LB和HL三个等级。这样，来自其他层的特征就被保留了，也就是，转移的层权重。然而，新层的权重和偏差增加了10倍,学习速度变快。ResNet与AlexNet迁移学习中应用的过程类似，这一层和输出层都被新的层取代，输出的数量等于疾病类别的数量。然而，在这种情况下，当较早的层的权值被重新初始化时， 络的前十层的权值通过将其学习速率设置为0而被冻结。这加快了 络训练，因为这些层中的梯度不会更新。结论：单个褪绿和坏死疾病区域模式的使用导致产生有效的病理特征描述符，使特征向量长度最小化，并改进了识别结果。此外，在只有4个颜色特征的情况下，SVM分类器能够达到99.33%的整体精度，AUC为0.99。在总共15个特征描述符中，仅使用7个子集也获得了类似的结果。这强烈地强调了将疾病区域定位为褪绿和坏死的重要性，以及CCV的颜色时刻在疾病鉴定中的重要性。

个人总结：方法上没有创新，结构合理，逻辑也合理。参考

14. Comparison of convolution neural networks for smartphone image based real time classification of citrus leaf disease

1.2 语义分割

1. Establishing a model to predict the single boll weight of cotton in northern Xinjiang by using high resolution UAV remote sensing data

总结：利用无人机获取的多时相高分辨率可见光遥感数据，建立了单铃重量预测模型。对新疆昌吉、石河子和沙湾地区29块农田的开花期和铃期遥感数据进行了研究。在每个田间选取5个半径为1 m的圆形区域作为地面调查区，采集棉铃样本。作为模型的因变量，利用全卷积神经 络对遥感图像进行像素级语义分割，提取图像中的棉花段，消除土壤像元对模型精度的影响。相关分析是由结合VDVI (可见频带植被指数) 在开花和结铃阶段,VDVI棉子开放阶段,VDVI吐絮领域(FCN提取)和RGB值,然后使用最小二乘线性回归和BP神经 络模型对上,中间,低棉层计算调查地区平均单铃重。随后，进行K-fold交叉验证以评估结果。结果表明，最小二乘线性回归结果(R2 = 0.8162)与BP神经 络(R2 = 0.8170)几乎相等。开花期和结铃期的面积开铃率和VDVI与上部单铃重高度相关。本研究提出了一种实现单铃重大规模预测的方法，为棉花产量预测和育种筛选提供了新的思路。优点： 有大田实验和专门的设备。缺点：数据量不大，工作量也不大。就是用了无人机跑了一周得到的数据。然后用了测定了不同参数与单铃重量的相关系数，确定他们之间的相关性，达到预测产量的目的。参考价值：3分。，为本研究收集了1408张具有挑战性的叶片图像。由于以下几个原因，本研究获得的结果是新颖的:(1)我们已经证明,准确自动背景去除叶子图像捕获使用FCNNs场条件下是可能的,(2)我们已经表明,语义分割 络可以用来执行实例分割对象的一个实例提供目标主导图像即使图像包含其他相似但不太突出对象。

2. Tomato leaf segmentation algorithms for mobile phone applications using deep learning

3. Biophysical parameters of coffee crop estimated by UAV RGB images

总结：这项工作旨在评估使用SfM点云的摄影测量技术的准确性，该点云用于通过无人机用RGB（红色，绿色，蓝色）获得的航拍图像估算咖啡树的高度（h）和树冠直径（d）相机并将结果与??12个月现场测量的144棵树的数据进行比较。旋翼无人机用于自动飞行模式，并与常规相机连接，以30m的高度飞行，图像重叠率为80％，速度为3m / s。使用PhotoScan软件处理图像，并在Qgis中进行分析。在野外获得的h值与通过无人机获得的h值之间的相关性为87％，在野外获得的d值与通过无人机获得的值之间的相关性为95％。使用通过RGB数码相机获取的UAV–SfM图像，可以获得诸如咖啡树的h和d之类的属性的大量估计值。优点：有一年的数据。缺点：他这个咖啡树的高度和树径的评估预测，不能概括为是生理数据这么大范围。用的分析方向是相关性分析。参考价值：2分。

4. Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques

总结：通过结合植被指数（VI）来感知作物的健康状况并通过计算机视觉获得植被分数覆盖率（Fc）来预测最终产量，以衡量植物的活力。从无人飞行器（UAV）获得的多光谱图像可用于获取VI和Fc，并与人工神经 络（ANN）一起使用，以对VI，Fc和产量之间的关系进行建模。所提议的方法被应用在葡萄园中，在该葡萄园中使用了不同的灌溉和施肥剂量。结果表明，在精密的葡萄栽培中，使用计算机视觉技术区分冠层和土壤是获得准确结果的必要条件。此外，结合使用VIs（反射法）和Fc（几何法）来预测葡萄园的产量会带来更高的准确性（均方根误差（RMSE）= 0.9千克藤蔓-1和相对误差（RE）= 21.8％）与接近使用VI相比（RMSE = 1.2 kg vine-1和RE = 28.7％）。机器学习技术的实施比线性模型（RMSE = 0.5 kg vine-1和RE = 12.1％）产生的结果更准确。优点：该研究有一年生理实验的多个处理数据，大量的大田实验与对照实验来检验无人机拍摄的图片预测葡萄产量的结果。逻辑清楚，结构合理。缺点：运用的方法在计算机方面确实不新。参考价值：4分。

5. Accuracy of carrot yield forecasting using proximal hyperspectral and satellite multispectral data

总结：近端和远端传感器已经证明了它们对许多不同作物的一些生物物理和生物化学变量的估计，包括产量的有效性。对它们在蔬菜作物中的准确性评价是有限的。本研究探讨了近端高光谱和卫星多光谱传感器(Sentinel-2和WorldView-3)在不同作物配置、季节和土壤条件下对胡萝卜根产量的预测精度。采集了澳大利亚西澳大利亚州(WA)、昆士兰州(Qld)和塔斯马尼亚州(Tas) 24个田414个样点的地上生物量(AGB)、冠层反射率和相应的产量测量值。以不同植被指数(VIs)与产量的总决定系数(overall determination coefficient between yield and different vegetation index, VIs)最高为最佳传感器(高光谱或多光谱)，以线性和非线性模型为最佳传感器(linear and nonlinear models)，确定最佳传感器(VIs)及其对空间分辨率的影响。每个区域的最佳回归拟合用于将点源测量值外推到每个采样作物的所有像素，从而产生一个预测产量图，并估计作物水平上的平均胡萝卜根产量(t/ha)。后者与从种植者获得的商品胡萝卜根产量(t/ha)进行比较，以确定预测的准确性。实测产量在17 ~ 113 t/ha之间变化，平均产量预测的总体精度(%误差)在WA为9.2%，Qld为10.2%，Tas为12.7%。来自高光谱传感器的VIs产生的产量相关系数(R2 优点：有丰富的大田实验，采用了不同地域的田地进行了综合分析，判断预测的准确率。 缺点：实际效果不佳。参考价值：3.5分。

6. Evaluation of cotton emergence using UAV-based imagery and deep learning

总结：本研究旨在开发一种新型的无人机图像处理方法，以实现无人机图像的近实时处理。本研究利用无人机成像系统采集棉花幼苗的RGB图像帧，以评价林分数量和冠层大小。对图像进行预处理，以纠正失真，计算地面样本距离和图像中的地理参考棉花行数。利用预训练的深度学习模型resnet 18在每个图像帧中估计棉花幼苗的林分数量和冠层大小。结果表明，在试验数据集上，该方法能够准确估计林分数，R2 = 0.95。在测试数据集中，冠层尺寸的估算精度为R2 = 0.93，也得到了类似的结果。对每个作物行都有地理参照的2000 M像素图像帧的处理时间为2.22 s(包括预处理的1.80 s)，比传统的基于拼接的图像处理方法效率更高。开发了一个开放源代码的自动图像处理框架，用于棉花出苗率评估，并可向 区提供有效的数据处理和分析。本研究利用基于无人机的RGB图像和深度学习技术，开发一个有效的图像数据处理和分析框架，用于及时评估棉花的出现。本研究不同于以往发表的研究，其方法是直接处理单个图像帧，而不是开发正构图像以减少处理时间。具体目标包括:(1)开发预处理管道，在每个单独的图像帧中分割和地理参考作物行;(2)实现深度学习模型，以估计棉花数量和冠层大小;(3)建立基于地理信息的棉花应急地图自动生成框架。优点:大量的大田实验和无人机监测图片。缺点：不知道。参考价值：2分。因为我们没有设备也没有实验地。

7. Deep learning techniques for automatic butterfly segmentation in ecological images

这项工作的主要贡献概括如下：（1）我们提出了一个HCDC模块，以捕获更多的高级功能并获得高分辨率的输出； （2）我们将提出的HCDC块与编码器-解码器结构集成在一起，以构建一种称为“扩展编码器 络”（DE-Net）的新型 络结构； （3）据我们所知，这是使用深度学习对复杂蝴蝶生态图像进行分割的首次尝试。在我们的实验中，针对自然图像分割设计的五种最先进的深度学习方法被应用于利兹蝴蝶数据集，以与所提出的方法进行比较。实验结果表明，该方法的准确性优于最新方法。 （4）提出的DE-Net比蝶形生态图像分割问题小1.2到6倍，可以实现比大型模型更好的学习能力，从而节省了存储空间并提高了模型的可移植性。

个人总结：该论文运用的是 络数据集。语义分割的方法。不知道方法是否创新。结构合理，逻辑合理。参考价值：4分。

8. Improving segmentation accuracy for ears of winter wheat at flowering stage by semantic segmentation 利用语义分割提高冬小麦穗开花期的分割精度

摘要：在这项研究中，提出了一种基于语义分割的方法，即EarSegNet，以执行像素级分类，以从实地条件下捕获的冠层图像中分割出小麦的耳朵。 EarSegNet集成了编码器-解码器结构和扩展卷积，旨在进一步提高冬小麦耳朵的分割精度和效率。结果表明，提出的EarSegNet能够从花期捕获的冠层图像中实现小麦耳朵的精确分割（分割质量= 0.7743，F1得分= 87.25％，结构相似度= 0.8773）。为了验证所提出的方法，将所提出的EarSegNet的性能与广泛使用的分割方法（即SegNet，两阶段方法和Panicle-SEG）进行了比较。结果表明，所提出的EarSegNet优于已比较的方法，从而成为了一种强大的有效工具，可根据在播种期捕获的树冠图像对冬小麦的耳朵进行分割。泛化测试表明，所提出的EarSegNet的性能优于比较方法，表明EarSegNet在现场应用方面具有巨大的潜力。所得结果表明，编码器的深度（即VGG16）对EarSegNet的性能没有显着影响，但是，加深VGG16可以提高EarSegNet的召回评估指标的性能。方法：得到每个生长季节36张原始图像。这些图像的像素分辨率为5184 × 3456，然后手工裁剪并重塑为2500 × 2500像素分辨率。由于每个小区有3幅ROI图像，因此随机从每个小区中选取2幅ROI图像构建语义分割 络，左边一幅用于性能评价，即48幅用于构建模型，24幅用于性能评价。最后图片扩增到3000张。个人总结：结构清晰，逻辑合理。好像是有一点创新。可参考价值：4分。

2.3 目标检测

1. Brown rice planthopper (Nilaparvata lugens Stal) detection based on deep learning

2. Identification of olive fruit, in intensive olive orchards, by means of its morphological structure using convolutional neural networks

2. 机器学习

1. A random forest ranking approach to predict yield in maize with uav-based vegetation spectral indices

总结：提出了一种基于排序的方法来增强RF方法对玉米产量预测的潜力。该方法基于单个植被指数(VIs)的相关参数。VIs是根据一个价值指标进行单独排名的，该指标通过使用RF对比基线方法来衡量皮尔逊相关系数的改进。因此，只有最相关的VIs被认为是射频模型的输入特征。我们使用了从多光谱无人机(无人机)图像中提取的33个VIs。利用Sequoia和MicaSense两种不同的传感器生成多光谱数据;分别为2017/2018和2018/2019作物季。在所有评价指标中，NDVI、NDRE和GNDVI排名前三，它们与RF的结合提高了玉米产量预测。结论是：基于排序的植被恢复策略指数（VIs）可以实现随机森林（RF）算法的潜在化仅使用多光谱无人机图像预测玉米产量。优点：有2年时间的数据，用无人机拍摄的图像。有11个玉米品种，且有33个相关指标。数据量大。缺点：大田实验数据的结果并没有在文中出现。而操作方法也挺简单的。

3. 其他

1. DropLeaf: A precision farming smartphone tool for real-time quantification of pesticide application coverage

总结： 这项工作介绍并实验评估了一种新型工具，该工具可用作基于智能手机的移动应用程序，名为DropLeaf-Spraying Meter。使用DropLeaf进行的测试表明，尽管操作简便，但仍可以高精度估算农药的覆盖率。我们的方法基于定制图像分析软件的开发，用于实时评估水敏纸的喷涂沉积。所建议的工具可以被携带常规智能手机的农民和农艺师广泛使用， DropLeaf可轻松用于各种方法的喷雾漂移评估，包括新兴的无人机和智能喷雾器。这篇论文讲了一个开发的APP，名字为DropLeaf。可以用于评估农药喷洒的覆盖率。优点：开发了可用的APP。缺点：市面上已有类似的APP。 参考价值：2分。

2. Underutilised crops database for supporting agricultural diversification