Integration of Hyperspectral Imaging and AI Techniques for Crop Type Mapping: Present Status, Trends, and Challenges
Notice bibliographique
Résumé
Accurate and efficient crop maps are essential for decision-makers to improve agricultural monitoring and management, thereby ensuring food security. The integration of advanced artificial intelligence (AI) models with hyperspectral remote sensing data, which provide richer spectral information than multispectral imaging, has proven highly effective in the precise discrimination of crop types. This systematic review examines the evolution of hyperspectral platforms, from Unmanned Aerial Vehicle (UAV)-mounted sensors to space-borne satellites (e.g., EnMAP, PRISMA), and explores recent scientific advances in AI methodologies for crop mapping. A review protocol was applied to identify 47 studies from databases of peer-reviewed scientific publications, focusing on hyperspectral sensors, input features, and classification architectures. The analysis highlights the significant contributions of Deep Learning (DL) models, particularly Vision Transformers (ViTs) and hybrid architectures, in improving classification accuracy. However, the review also identifies critical gaps, including the under-utilization of hyperspectral space-borne imaging, the limited integration of multi-sensor data, and the need for advanced modeling approaches such as Graph Neural Networks (GNNs)-based methods and geospatial foundation models (GFMs) for large-scale crop type mapping. Furthermore, the findings highlight the importance of developing scalable, interpretable, and transparent models to maximize the potential of hyperspectral imaging (HSI), particularly in underrepresented regions such as Africa, where research remains limited. This review provides valuable insights to guide future researchers in adopting HSI and advanced AI models for reliable large-scale crop mapping, contributing to sustainable agriculture and global food security.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».