遥感与农情监测

融合无人机多源遥感特征与深度学习，高精度估算茶树生物量与氮素积累量。

利用无人机多光谱成像与机器学习检测作物胁迫并优化产量。

结合Sentinel-1 SAR和Sentinel-2光学数据，绘制作物图并评估洪水淹没对农业的影响

融合多源遥感数据改进水云模型，实现柑橘园土壤水分和冠层含水量高精度反演。

基于无人机多模态遥感数据，构建综合高光效表型指数并精准估算，用于小麦育种材料筛选。

提出 PhenoStream 网络基础设施，自动化航空影像作物性状提取全流程。

综述遥感与机器学习在印度园艺作物精准管理中的应用，涵盖原理、方法、案例与挑战。

评估遥感模型在不同水稻基因型间的可转移性，用于氮肥监测和产量预测。

提出迁移学习与多分支中间融合深度网络，利用多尺度多模态遥感监测小麦氮浓度。

基于无人机遥感的茶梢类别检测。研究利用UAV遥感图像对茶树新梢进行自动分类检测,支持茶园精细化管理与产量预测。通过深度学习方法识别不同生长阶段的茶梢,助力茶叶采摘决策与品质分级,为茶产业数字化转型提供技术支撑。