7、深度学习在作物胁迫研究中的应用

深度学习在作物胁迫研究中的应用

1. 现有文献情况

在相关研究中，数据来源和规模是重要的基础。数据来源主要分为图像数据和结构化数值数据，其中图像数据占比最大。图像数据集的获取又可分为自行采集和使用公共数据集两类。
| 数据类型 | 来源 | 样本大小 |
| ---- | ---- | ---- |
| 图像数据 | 公共数据集 | 3,000∼96,867 |
| 图像数据 | 在线收集 | 400∼3,000 |
| 图像数据 | 无人机和航空摄影 | 10∼5,200 |
| 图像数据 | 相机 | 600∼40,000 |
| 图像数据 | 高光谱成像 | 40∼284 |

自行采集图像数据的方式多样，包括使用遥感、地面相机、搭载相机的无人机进行航空摄影、高光谱成像、近红外光谱仪等。公共数据集则通常来自一些知名的公共标准库，如Oxford - 17 flower、Oxford - 102 flower、PlantVillage、ICL、Flavia等。结构化数值数据主要通过非视觉传感器获得。构建高质量的作物胁迫数据集需要付出大量努力，因为许多胁迫在早期阶段并无明显症状。同时，多项研究表明，在识别非生物胁迫时可运用迁移学习来降低训练成本。

从每年研究论文的数量来看，深度学习与作物胁迫相结合的研究在过去两年中增长迅速。2020年和2021年共有43项研究，占比超过72%。

graph LR
    A[数据来源] --> B[图像数据]
    A --> C[结构化数值数据]
    B --> B1[自