Die zeitnahe und präzise Erfassung von Informationen über die räumliche Verteilung landwirtschaftlicher Anbauflächen ist für die Überwachung des Pflanzenwachstums, die Vorhersage der Lebensmittelproduktion, die Planung und Verwaltung der landwirtschaftlichen Produktion von großer Bedeutung und stellt eine wichtige Datenunterstützung für die Ernährungssicherheit dar. Derzeit erfüllen Studien zur Klassifizierung von landwirtschaftlichen Anbauflächen nach der Ernte nicht die Anforderungen an die Aktualität, weshalb allmählich die Erforschung der frühzeitigen Klassifizierung von landwirtschaftlichen Anbauflächen in Angriff genommen wird. Um den Einstiegspunkt und die Entwicklungsperspektiven der frühzeitigen Klassifizierung landwirtschaftlicher Anbauflächen zu klären, stützt sich diese Studie auf die Datenbanken Web of Science und CNKI, um seit 2014 relevante Forschungen zur frühzeitigen Klassifizierung von Anbauflächen abzurufen und zusammenzufassen. Methoden der Daten- und Vorverarbeitung, der Auswahl von Proben, der Merkmalsauswahl, der Klassifizierungsstrategien und der Genauigkeitsbewertung wurden zusammengefasst, und viele ungelöste Probleme der aktuellen Forschung wurden identifiziert, indem die Wiederherstellung und Ergänzung früher Daten, die Verbesserung früher Merkmale und die zuverlässige Auswahl von Proben vorgeschlagen wurden, was zukünftige Schwerpunkte und Schwierigkeiten der frühzeitigen Klassifizierung von Anbauflächen sind. Diese Studie kann als Grundlage für das Verständnis der Methoden und Strategien der frühzeitigen Klassifizierung von Anbauflächen dienen, um die Herausforderungen und Entwicklungsperspektiven der frühzeitigen Klassifizierung zu erfassen und die Theorie und Technologie der frühzeitigen Klassifizierung von Anbauflächen voranzutreiben.

Fernerkundung; Identifizierung landwirtschaftlicher Anbauflächen; frühzeitige Klassifizierung; Zeitreihen; kritische Wachstumsphasen; maschinelles Lernen; Deep Learning