摘要
Obtenir rapidement et avec précision des informations sur la répartition spatiale des cultures agricoles revêt une importance capitale pour la surveillance de la croissance des cultures, la prévision de la production céréalière, la planification et la gestion de la production agricole, et constitue un soutien essentiel pour garantir la sécurité alimentaire. À l'heure actuelle, les recherches sur la classification des cultures agricoles après la saison ne peuvent plus répondre aux exigences de rapidité susmentionnées, c'est pourquoi nous avons commencé à explorer progressivement les tâches de classification des cultures tôt dans la saison. Afin de clarifier les points d'entrée et les orientations de la recherche sur la classification précoce des cultures agricoles, ce document s'appuie sur une recherche et une exploration de la classification précoce des cultures agricoles basées sur les bases de données Web of Science et CNKI depuis 2014. Des conclusions et synthèses ont été tirées des aspects relatifs aux données et aux méthodes de prétraitement, à la sélection des échantillons, à la sélection des caractéristiques, à la stratégie de classification et aux indicateurs d'évaluation de la précision dans les recherches actuelles, qui ont permis de révéler de nombreux problèmes difficiles qui restent à résoudre, et de proposer que la reconstruction et l'appointement précoces des données, le renforcement précoce des caractéristiques et la sélection fiable des échantillons soient des orientations majeures et difficiles de la recherche future sur la classification des cultures agricoles tôt dans la saison. Cette étude peut constituer une base pour comprendre les méthodes et stratégies de classification précoce des cultures agricoles, appréhender les problèmes de classification précoce et les orientations de développement, et promouvoir le développement de la théorie et de la technologie de classification précoce des cultures agricoles.
关键词
remote sensing;crop classification;early-season;time-series analysis;key phenological period;machine learning;deep learning