油棕精准农业专家系统：十年回顾

制作和主办：Elsevier沙特国王大学学报油棕精准农业专家系统：十年系统回顾Xiao Jian Tana，Xiao，Wai Loon Cheorb，Kwok Shien Yeoc，Wai Zhe Leowda马来西亚吉隆坡53300 Setapak Genting Kelang路东姑阿都拉曼大学学院（TARUC）b马来西亚玻璃市大学电子工程技术学院（UniMAP），02600 Arau，玻璃市，马来西亚c部门 电气和电子工程，工程和技术学院，东姑阿都拉曼大学学院（TARUC），Jalan Genting Kelang，Setapak，53300 Kuala Lumpur，Malaysiad马来西亚玻璃市阿劳大学电气工程技术学院（UniMAP），02600，马来西亚阿提奇莱因福奥文章历史记录：收到2021年2022年1月23日修订2022年2月8日接受2022年2月24日在线提供保留字：油棕油棕专家系统A B S T R A C T油棕（Elaeis guineensisJacq.）是热带世界，特别是东南亚最有利可图和最广泛的商业高树作物。本研究的目的是提供一个简短的，但广泛的概述不同的应用专家系统（ES）在油棕精准农业（PA），专注于三个主要的通用类别：作物，水和土壤管理。这项研究旨在回顾过去十年（2011-2020年）的研究文章。根据检索策略和纳入标准，纳入了108篇文章进行综合。研究结果揭示了过去十年中环境服务系统在油棕PA中应用的模式、网络、关系和趋势。从合成活动中获得的广泛见解用于确定油棕PA未来的可能道路。这项研究的结果对研究界和利益相关者可能是有用和有益的缩略语：ABW，果串平均重量; Acc，准确度; AdaBoost，自适应增强; AI，人工智能; AISA，应用机载成像光谱仪; ALOS，高级陆地观测卫星; ANN，人工神经网络; AP，有效磷;ASD，分析光谱仪; ASW，平均轮廓宽度; BMP，最佳管理做法; BSR，茎基腐烂病; BUNCH_HA，每公顷平均果串数; CA，细胞自动机; CART，分类和回归树; CBS，中央统计局;CCVd，椰子cadang-cadang类病毒; CDA-ME，坐标下降算法-错误建模效应; CLM-Palm，社区土地模型Palm; CNN，卷积神经网络; DA，判别分析; DECR，廖内省地产作物部门;DRIS，诊断和推荐综合系统; DT，决策树; EA，严重砍伐森林; EM，基于误差矩阵的模型辅助; ES，专家系统; ET，蒸散量; ET O，参考蒸散量; ETM+，增强型专题制图仪; EVI，增强型植被指数; FELDA，联邦土地开发署; FDM，模糊德尔菲法; FFB，新鲜水果串; FOTO，傅里叶变换纹理排序; GANN，遗传算法神经网络; GEE，谷歌地球引擎; GHG，温室气体; GIS，地理信息系统; GLCM，灰度共生矩阵; GME，微生物酶活性的几何平均值; GPS，全球定位系统; GUI，图形用户界面; HOG，定向梯度直方图; I4，工业4.0; JNB，Jenks自然间断带; KC，作物系数; KNN，K-最近邻; LCI，生命周期清单; LF，两次采伐森林; LMT，逻辑模型树; LDA，线性判别分析; MADAN，多级注意域适应网络; MARE，平均绝对相对误差; MC，马尔可夫链; MCE，多标准评价; MD，Mahalanobis距离; ML，机器学习; MLC，最大似然分类器; MMD，马来西亚气象局; MoC，水分含量; MODIS，中分辨率成像光谱仪; MOPPD，马来西亚油棕榈种植园数据集; MPOB，马来西亚棕榈油委员会; NB，朴素贝叶斯; ND，归一化差异; NIR，近红外波段; OB，对象库; OIF，最佳指数因子; OLI，实用陆地成像仪; PA，精确农业;PALSAR，相控阵型L波段合成孔径雷达; PC，像素计数; PCA，主成分分析; PCR，主成分回归; QDA，二次判别分析; R 2，决定系数; RCANet，剩余通道注意力网络; RCBD，随机完全区组设计; REMAP，远程生态系统监测评估管道; RF，随机森林; RGB，红色，绿色和蓝色; RiF，河岸森林; RMSE，均方根误差; IfSAR，干涉孔径雷达; IoT，物联网; SAR，合成孔径雷达;SfM，运动结构; SMOTE，合成少数过采样技术; SPI，标准化降水指数; SPAD，土壤-植物分析开发; SPOT，地球观测卫星; PB，基于像素; SR，简单比率; SVM，支持向量机; SVM-FS，支持向量机特征选择; SVR，支持向量回归; SWAT，土壤水分评估工具; TM，专题制图仪; UAV，无人驾驶航空器; UGV，无人驾驶地面车辆; UNIANOVA，单变量方差分析; USV，无人水面车辆; UK-DMC 2，来自英国的灾害监测星座2; VHR，超高分辨率; WEF，水-能源-食品; WFEN，水-食品-能源关系。*通讯作者。沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2022.02.0061319-1578/©2022作者。由Elsevier B.V.代表沙特国王大学出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comX.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1570精准农业系统书目调查在确定过去十年中油棕PA的ES进展和趋势方面，有助于全面了解研究差距，潜在市场，相关优势，未来道路，并有助于进一步系统研究（深化或拓宽）。©2022作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY许可下的文章（http://creativecommons.org/licenses/by/4.0/）。内容1.导言15701.1.精准农业15711.2.专家系统15711.3.研究的目的和概要2.三个属类的简要说明15722.1.作物管理15722.2.水管理15732.3.土壤管理15733.系统性文献检索方法15733.1.研究计划15733.1.1.研究问题15733.1.2.搜索策略15743.1.3.入选标准。..........................................................................................................................................................................................................................15743.1.4.数据提取15743.1.5.数据报告15743.2.文献中使用的性能指标的定义4.结果15764.1.按属类对物品进行分类15764.2.捐助组织的地理分布和网络分析4.3.贡献最大的期刊分布15774.4.贡献最大的出版商的分布15784.5.时间分布分析15794.6.主题领域分析15794.7.关键词共现映射15794.8.合著网络分析15795.讨论、限制和建议15795.1.讨论15795.2.限制15815.3.建议1581条6.结论1582竞争利益声明附录A. .............................................................................................................................................................................................................................................................1582参考文献15911. 介绍油棕（Elaeis guineensisJacq.）是热带世界最有利可图和最广泛的商业高树作物。在在过去的十年中，油棕榈行业在东南亚如印度尼西亚和马来西亚典型地显示出显著的扩张（Luke等人，2020; Said等人，2021年）。随着时间的推移，印尼和马来西亚的油棕价值链显著增加，复杂性满足了全球巨大的市场需求。作为初级生产国印度尼西亚和马来西亚在2019年分别录得2.4563亿吨和9907万吨，超过了第二高的大宗商品产量（即，水稻和稻谷）的比例分别为4.50和34.02倍（FAO，2021）。与2015年相比，印度尼西亚和马来西亚的油棕榈的产量增加了7.44和4.83倍（Pacheco等人，2017年），并且十年来一直是这些国家中最大的商品生产国（即，2010年至2019年）（粮农组织，2021年）。油棕原产于西非，20世纪初满足了欧洲市场的需求。然而，尽管如此，西非的油棕业并没有像印度尼西亚和马来西亚（Pacheco等人，2017年）。20世纪30年代以前，西非油棕的发展一直保持稳定，战后经历了天花板效应，发展停滞。然而，马来西亚在战后时期表现出稳定的发展（即，20世纪50年代），因为州政府与私营公司的合作极大地促进了油棕的发展和扩张。马来西亚政府改变政策，将橡胶种植园改为联邦土地开发署（FELDA）下的油棕种植园，进一步促进了油棕的扩张。该政策和油棕种植园项目是成功和有利可图的。1966年，东南亚在油棕商品生产方面超过西非，主导了全球市场，直到今天仍然是主要生产国。虽然油棕的发展始于马来西亚，并由于政府和私营公司的联合合作而经历了蓬勃的发展，但在20世纪70年代，油棕开始在印度尼西亚的国有公司下发展。20世纪80年代，油棕产业成为印尼政府的主要各种有吸引力的政策（例如，政府推出的油棕榈种植园廉价土地）成功吸引了私营公司的注意X.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1571开创了一个新的、有利可图的油棕种植园时代。多年来，印尼的油棕业蓬勃发展，并在商品产量方面超过马来西亚。迄今为止，油棕部门仍然是印度尼西亚的主要商品生产部门，农业收入丰厚。随着大规模城市化带来的人口增长，土地、土壤和水不再是取之不尽的资源。这导致可耕地减少，对农业的压力随着时间的推移而增加。在20世纪90年代初，PA的概念被引入，以解决资源有限的紧迫问题。这种压力在多年生作物如油棕榈中尤其显著，其中作物轮作超过25年（Luke等人，2020年）。PA的主要目的在于减少浪费和损失，同时优化可用资源的利用和盈利能力（Thorp，2014; Luke等人，2020; Yost等人，2017年）。为了实现这些，ES被采用并用于各种类别以检测、监测、分析和预测作物，从而提高PA的效率和可靠性。1.1. 精准农业1997年，美国众议院首次提出并提出了PA的概念PA被定义为一个集成的信息和生产导向的农场系统，旨在提高长期的、特定地点的和整体的农业生产，通常是在生产力、效率和可行性方面，同时最大限度地减少对环境和野生动物的不利影响。多年来，专家们允许进一步解释PA的定义，其中包括环境可持续性和经济等概念。表1按时间顺序记录了多年来出现的PA的一些主要定义。根据表1，可以从PA的主要定义中识别出几个独特的要素：技术、应用和可持续性。总之，PA的重点是：（1）采用技术来识别（例如，检测、监测、分析和预测）空间和时间特定地点信息，（2）结合面向应用的技术，（3）最大限度地利用可用资源，最大限度地减少浪费和对环境的负面影响。不可否认，PA极大地提高了作物的盈利能力，优化了可用资源，并最大限度地减少了浪费和损失。然而，到目前为止，PA的实施率较低，低于预期（Mcconnell，2019; Pathak等人，2019年）。PA技术和系统的实施是一项长期投资，通常涉及大量成本，种植园公司的财务压力此外，新的PA技术和系统需要特定的技术技能来操作和维护相应的技术或系统，以获得最佳效益。 由于个人之间的技术技能集的巨大变化，PA技术和系统的完全采用是非常具有挑战性的（Pathak等人，2019年）。到目前为止，有大量以技术为导向的模块和解决方案可以在农业的各个领域提供帮助然而，需要高度的工程知识来将这样的模块和解决方案集成到ES中（Higgins等人，2017年）。建议以渐进方式实施PA技术和系统。这可以避免农业工作流程中代价高昂的变化，可以雇用或培训有能力的个人来操作和管理PA技术和系统。1.2. 专家系统ES被定义为基于模拟由人类专家执行的决策和/或问题解决过程的知识的交互式面向计算机的系统（Oyedeji等人，2019; Saibene等人， 2021年）。早在20世纪50年代末，ES就引起了医学专家的注意，专家们提出，计算机有朝一日将在辅助医疗决策，特别是诊断和患者管理过程中发挥不可或缺的作用（Durkin，1990）。ES在20世纪60年代中期首次开发（Liao，2005），并且ES的定义随着新技术解决方案和知识的出现而随着时间的推移而演变（Singla等人，2014; Abu Naser和Shaath，2016; Tavana和Hajipour，2020）。尽管如此，ES的核心随着时间的推移保持不变：（1）ES是一个面向知识的系统，使得系统不断收集和包含基本信息（Oyedeji等人，2019年）。这些信息是解决特定问题过程的基本构建块，（2）ES模仿人类专家执行的决策和/或解决问题过程（Mirmozaffari，2019）。决策过程通过推理机基于从收集的信息形式化的一组规则来执行，(3)专家系统是一种面向人工智能的应用。 ES倾向于执行数据收集，系统建模，并提供技术/工程解决方案。由于ES旨在解决现实世界的工程问题，并模拟人类专家执行的决策/解决问题的过程，因此，确保相应ES的可靠性和适用性非常重要。在一般情况下，所有ES都应表现出以下特征：（1）一致性，即ES能够在给定相同输入的情况下提供相同的输出;（2）全面性，即ES表1多年来，PA的定义引用年PA的定义（皮尔斯·诺瓦克，1999年）1999PA是利用技术和方法来控制农业生产生产，以提高作物性能和环境质量。技术进步使PA成为可能（Kirchmann Thorvaldsson，2000PA是一门旨在提高农业管理效率的学科PA涉及新的开发（2000年）技术，旧技术的修改，以及在农场一级整合监测和计算，具体目的。（Zhang等人，（2002年）2002PA是基于系统的方法来重组整个农业系统，以实现低投入，高效率，长期，长期可持续性。（Bongiovanni Lowenberg-2004巴勒斯坦权力机构可以协助对农业生产投入进行生态上负责的管理。Deboer，2004）（McBratney等人，（2005年）2005这种类型的农业，增加了数量（正确）判断每单位面积的土地每单位时间与相关的网络好处（Tey Brindal，2012年）2012PA是一种作物管理方法，考虑到田间变异性以及特定地点的变量。PA技术是可以单独使用或组合使用以实现PA的任何技术（Pierpaoli等人， 2013年度）2013PA（STOA，2016）2016PA是一种当代农业管理理念，它利用数字化工具来跟踪和优化农业生产流程.X.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1572ES能够从各种人类专家收集/获得基本信息，并将这些信息纳入决策过程。专家系统应能够为特殊问题提供相关的技术解决方案，以及（3）可用性，即专家系统应具备必要的内置信息，可随时使用，无需大量的专家培训。图 1显示了ES的基本结构。ES由知识库、工作记忆和推理机组成（Liao，2005）。知识库是专家系统的核心，所有与特定问题有关的基本信息都被很好地定义和存储。核心信息是使个体成为现实世界中的人类专家的专业知识或专家领域知识。在大多数情况下，基本信息是形式化的，并使用称为规则的技术表示。规则是一组与已知专业知识密切相关的“IF/ THEN”结构。这些规则旨在模仿人类专家如何制定他们的专业知识来解决一个特殊的问题。工作记忆包括输入信息（即，案例事实）和系统信息（即，”（《明史》卷102）“以事为鉴，以事为鉴。工作记忆可以从传感器、电子表格和数据库中获取额外的信息。推理机是专家系统中的推理模块。推理机的主要功能是借助于专门知识（从知识库获得）、案例事实、推断事实（两者都从工作存储器获得）和附加信息（从传感器、电子表格和数据库获得）导出关于特殊问题的新信息，以执行推理并得出结论（即，技术解决方案）。1.3. 研究的目的和概要图2显示了油棕保护区的三个主要类别：作物、水和土壤管理。根据最近两篇专门研究农业的文献（Liakos等人，2018; Benos等人，2021年）。多年来，ES和个人（专家或非专家用户）的协同作用已经证明在效率和可靠性方面改进了PA中的工作流程和管理过程（Liaghat等人，2014; Habib等人，2020; Septiarini等人，2020年）。考虑到广泛的领域，可以实施的ES，本研究旨在专注于ES特别是在上述三请注意，作物管理类别可以进一步分为四个领域：检测、监测、分析和预测。这些域是基于表1中PA的主要定义来制定的。图二.油棕中的三个主要属类。由于世界各国对使用专家系统来帮助和支持各种特殊问题的兴趣日益增长，以及PA实施的迫切需要，在图2所示的三大类中提出了一个系统的书目调查。特别是，这项研究的重点是回顾过去十年（2011年至2020年）所做的相关工作。本研究的主要目的是确定：（1）在石油棕榈PA的ES中最多探索的属类，（2）投稿组织的地理分布分析，（3）最具贡献的期刊和出版商，以及（4）纳入文章的时间分布和文献计量学分析。本研究旨在为所有利益相关者提供一个有益的和有用的指导，特别是在过去十年中油棕PA的ES的进展和趋势，并有助于确定研究差距，潜在的市场，相关的优势，未来的道路，并有助于进一步系统研究（深化或拓宽）在这个主题。本研究的组织如下：第2节提供了三个主要的遗传类别：作物，水和土壤管理的简要描述。在第3节中，详细介绍了用于进行系统综述的方法。文献中使用的研究计划和性能指标定义见第3节。在第4节中，从研究中获得的综合结果与相应的数字，表格和图表一起记录。第5节讨论了一些关键方面，从这项研究中获得的广泛见解。第5.2节和第5.3节分别提供了限制和建议。最后，研究结论见第6。2. 三个通用类别2.1. 作物管理作物管理的概念于1997年提出，随着全球价值链的不断增加，油棕世界的蓬勃发展，一种多样的、多方面的和相互关联的农业实践（Marshall等人，1997年）。作物管理包含以下理念：图1.一、ES的基本结构（改编自Liao（2005））。X.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1573优化资源利用，提高产量，减少浪费和损失，这与PA的目标是一致的。多年来，作物管理被公认为PA的关键组成部分（Liakos等人，2018; Benos等人， 2021年）。 作物管理是指管理作物的物理、生物和化学环境的农业技术的逻辑组合，目的是达到定性和定量目标（Yvoz等人， 2020年）。在这项研究中，作物管理的特点分为四个领域：检测，监测，分析和预测，其中包括在这一一般类别的优势分支检测涉及多方面，并且意味着突出显示、标记、识别和/或以任何其他方式直接关注输出数据（例如，图像）以根据应用揭示感兴趣对象的存在多年来，以检测为重点的环境服务逐步发展，涵盖了油棕作物管理的大多数基本方面如今，ES在害虫、果实、树干、授粉、叶鳞、疾病（例如，茎基腐病（BSR）和柑桔斑点病）和成熟度检测。传统上，上述检测由人类专家通过现场侦察来执行 考虑到大规模油棕榈种植与少量训练有素的人类专家，各种应用中的检测过程是繁琐、麻烦、耗时和劳动密集型的（Liakos等人，2018; Benos等人，2021年）。技术解决方案的集成促进了高精度和快速吞吐量，有助于减少损失并最大限度地提高产量。预计ES将以可靠的效率简化所有位点特异性检测过程分类涉及长期观察，通常以规则的间隔，收集基本信息，并记录随着时间的推移感兴趣的活动。养分和景观监测以及遥感是这一领域的一些典型例子。由于无人机（UAV），无人地面车辆（UGV）和无人水面车辆（USV）技术的出现，使用遥感数据进行监测的作用现在无处不在，并成为该领域研究的主流（Yang，2020; Zakeri和Mariethoz，2021）。遥感在大规模种植（如油棕种植园）中通常是重要和普遍的。多年来，已经开发了许多ES以基于遥感数据来提取、处理和内插信息（Chemura等人，2015; Dong例如，2020; Amirruddin等人，2020年b）。随着新的技术解决方案的出现，预计在不久的将来，环境服务在监测方面的进展，特别是在遥感方面的进展将持续增长（Ma等人，2019; Rizaludin Mahmud例如， 2020年）。分析是一项彻底的研究，涉及对复杂、多元和相互关联的元素的全面检查，旨在识别基本特征并发现其中的分析在巴勒斯坦权力机构中具有突出的作用，特别是在一段时间后对巴勒斯坦权力机构的执行情况进行反思。多年来，大量的技术解决方案已被集成为ES，并在油棕PA中广泛实施考虑到越来越多的关于油棕PA ES的文献，ES的适用性和可行性已经得到了很好的认可（Chong例如，2017年;Khan等人， 2021年）。重要的是，每个油棕基地都要评估、识别和缩小各自特定基地PA的差距，以促进可持续性、健全的环境管理、遵守相关标准和行为守则、促进持续改进并提高盈利能力。这种面向分析的ES可以在工业4.0（I4），可持续性和油棕扩张等应用中找到。预测是指基于知识、数据库、经验和/或任何其他数据收集方法的特定活动的预测和估计（Chlingaryan等人，2018年）。哈-植被、耕作、病害、生物量和产量预测是该领域的一些典型例子。预测在油棕PA中具有突出的作用。早期发现导致特定限制的问题和瓶颈在资源和随后的利润优化方面发挥着重要作用，同时最大限度地减少浪费和损失。预测并不是一个琐碎的活动。在大多数情况下，预测需要从多变量和相互关联的输入中收集大量数据集以及高性能模块/算法，以实现准确的预测（Mancipe-Castro和Gutiérrez-Carvajal，2021）。2.2. 水管理油棕榈种植园是相当水密集型的种植，作物轮作超过25年（Luke等人，2020;Jaroenkietkajorn和Gheewala，2020）。因此，从水和作物生产可持续性的角度来看，水管理在油棕PA中至关重要。由于油棕榈的生长高度依赖于水的供应，有效的水管理可以提高产量，特别是油棕榈的鲜果串（FFB）。水质、灌溉系统、蒸散量、土壤含水量、水通量、水足迹和水利用效率等是水资源管理领域的研究热点。如前所述，环境服务有着广泛的应用，可在水管理的所有主要方面的不同层面加以实施。例如，ES可用于收集数据并精确识别水足迹。该信息然后可以用作后续ES的输入（例如，自适应灌溉）作为知识库，以帮助灌溉规划，其目的是根据特定地点的天气条件来监测、预测和改变供水。最终，在水管理中结合不同的ES可以导致产量优化和节水（Ortega-Reig等人，2014; Nikkels等人，2019年）。2.3. 土壤管理土壤是异质性的自然资源，承载着调节和维持生态系统功能的不同群落。已经发现土壤管理对油棕榈产量、作物健康和资源利用效率具有直接影响（El Mujtar等人，2019; Amadu等人，2021年）。多年来，研究人员普遍探索了土壤保持和土壤质量方面的应用（Liakos等人，2018; Benos等人，2021年）。土壤性质需要诸如土壤温度、质地、密度、孔隙度等的信息（Likulunga等人，2021年）。土壤性质的准确信息对于选择耕地和扩大油棕基地至关重要。土壤质量主要关注土壤的养分水平，这些养分水平有助于耕作、种子生长和作物健康，目的是获得有希望的高产等级。传统上，土壤评估方法，如土壤采样是昂贵和耗时的，涉及人类专家和繁琐的现场样品提取。随着技术解决方案的出现，各种环境系统的整合可有助于评估程序，并通过可靠的产出缓解这一问题。3. 系统文献检索方法3.1. 学习规划3.1.1. 研究问题本研究的主要研究问题是：过去十年油棕PA中涉及的ES是什么（2011-2020年）？研究问题是有意制定在一个广泛的方式，X.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1574确保包含三个通用类别中可用的ES的所有方面。3.1.2. 搜索策略这项研究的重点是在过去十年中油棕PA中的ES（即，2011- 本研究按照系统综述和荟萃分析的首选报告项目（PRISMA）指南进行（Pageet al.，2021年）。为了识别与油棕榈PA中的ES有关的相关文章，使用搜索引擎，例如Web of Science、ScienceDirect、Google Scholar、Scopus、PubMed和多学科数字出版研究所（MDPI）。通过在两个维度（即，ES和油棕（表2））与使用以下关键词的三个通用类别相结合：“作物管理”、“水管理”和“土壤管理”。 三个主要的属类涵盖了油棕PA的多方面，并且是基于最近的两篇专门研究农业的文献选择的（Liakos等人，2018; Benos等人，2021年）。在这项研究中，3.1.3. 入选标准检索到相关文献后，筛选相应文献的参考文献，以检索在初始检索中未识别出的新相关研究重复该过程，直到没有发现新的相关研究在表2搜索字符串。操作者尺寸关键词、同义词和替代术语和ES人工智能或人工智能或机器学习OR深度学习OR专家系统油棕OR油棕表3附录A中的表格列表。表格目录A1作物管理：检测A2作物管理：作物化A3作物管理：分析A4作物管理：预测A5水管理A6土壤管理第一阶段，只有期刊文章被认为是合格的。因此，硕士和博士论文和/或学位论文、书籍、书籍章节、综述论文、会议论文、简短通讯、应用笔记、教程、非英语材料和重复材料被排除在外。本研究的最后一次检索于2021年10月9日进行。在第二阶段，首先评估每篇文章的摘要。接下来，对其余文章进行全文筛选，以进一步评价合格性。在筛选过程中，特别是在全文筛选中，共同作者之间进行了全面讨论。不符合纳入标准的文章将从本研究中排除。纳入标准为：（1）文章被归类为图3所示的三大类之一。 2，(2)这些文章集中于油棕PA中的ES，因此，当且仅当文章集中于与油棕有关但与PA无关的ES，或者文章集中于油棕PA但与ES无关时，将被分类为不相关。图3总结了基于PRISMA指南的搜索过程的流程图（Page等人，2021年）。共首次识别出1326篇文章。实施排除标准（第1阶段）后，对1222篇文章进行了摘要筛选/评估（即，排除标准（阶段2））。209篇文章符合全文筛选条件。随后，本研究纳入了109篇文章，其中109篇和108篇文章分别纳入定性综合和定量综合（荟萃分析）。3.1.4. 数据提取为了回答研究问题，对所有纳入的文章进行了研究，并提取了应用、输入数据、主要功能、模块/算法、主要特征、输出/关键发现和文献计量学数据。对提取的数据进行了全面分析。然后用图表、图形和表格对数据进行组织和制表。3.1.5. 数据报告使用描述性方法报告了从数据分析中获得的结果。三个主要通用类别中不同ES的信息以叙述方式进行合成，并辅以图表，图形和表格，以便于理解，同时突出关键发现/特征。使用Microsoft Excel 2019进行统计计算和编辑，而使用Windows的VOSViewer 1.6.17软件进行文献计量分析（Perianes-Rodriguez et al.，2016年）。统计结果，如根据三个主要类别对纳入文章进行分类，使用面团图进行说明，而贡献最大的期刊和出版商，表4每一组中主要作者的简要信息集群作者研究领域组织地理区域1Helmi Zulhaidi bin MohdShafri地理信息学;遥感马来西亚普特拉大学马来西亚2沙特里·曼苏尔遥感;地理信息系统;地理空间布特拉大学马来西亚3卡斯图里·德维·卡尼亚碳循环;陆地植被;大气气溶胶马来西亚Universiti Teknologi马来西亚4西瓦·巴拉松数字农业马来西亚布特拉大学马来西亚5Wan Azlina Binti Wan Ab燃料技术;废物管理和转化技术;化学品马来西亚布特拉大学马来西亚卡里姆·加尼工程马来西亚6Farrah Melissa MuharamPA;遥感布特拉大学马来西亚7巴哈雷·卡兰塔机器学习;遥感与地理信息系统;图像处理;环境马来西亚RIKEN日本8Biswajeet Pradhan建模;目标检测。随机分析和建模;自然灾害;环境工程大学澳大利亚建模;地理信息系统;摄影测量和遥感悉尼科技X.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1575图三.基于PRISMA指南的选择过程的流程图（Page等人， 2021年）。见图4。 简化的混淆矩阵（Benos等人， 2021年）。以及时间分布分析，用堆叠条形图说明。利用文献计量学网络、世界地图和树形图对文献计量学分析进行可视化。 使用表格列出了与三个主要属类中不同环境服务有关的所有基本信息。3.2. 文献中使用的性能指标定义与大多数机器学习（ML）方法不同，ES可以或可以使用诸如混淆矩阵（Benos等人， 2021年）。主要原因是ES是基于模拟人类专家执行的决策过程的知识而形式化的，其中一些ES非常具体地解决特殊问题。当且仅当可以访问具有已知规则和预期结果的知识库时，才可以对这种ES进行评估。这种方法被称为验证和确认，它在20世纪80年代早期引入，与短语“评估”大致同义（Boehm，1981; Suen等人，1990; O 'Keefe和Lee，1990）。 在定量性能度量方面，混淆矩阵（Benos等人，2021），通常是准确度（Acc）和F1-测量，相关系数的平方（R2）（Benos等人， 2021）和均方根误差（RMSE）（Sinambela等人，2020年）使用。混淆矩阵是性能评估中最常用的定量度量，通常用于分类问题，其中分类的输出至少是二进制类。混淆矩阵是使用分解为不同类别的计数值的预测结果的汇总。 图4示出了一个简化的混淆矩阵，X.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1576¼¼¼-1/4P·P·不BTTt1/2Zt·Xt-PT不t1/2CT Z t Z t T X t2x2，即“实际”和“预测”。 计数值已损坏vut1XT2下标记为真阳性（TP）、真阴性（TN）、假阳性（TP）、假阴性（TN）。正（FP）和假阴性（FN），使得TP表示正确预测的事件值，TN表示正确预测的RMSE¼T·t¼1Zð6Þ无事件值，FP表示错误预测的事件值，FN表示错误预测的无事件值。基于所获得的TP、TN、FP和FN，可以计算诸如Acc、召回率、精确度和F1度量的性能指标。从这些性能指标中获得的高值/百分比表明模型性能更好，在本研究中更可取。Acc、查全率、查准率和F1-measure的公式如下：其中Z（t）和X（t）分别表示实际值和预测值。而T和t分别表示每个点在R2中，接近1的值是理想的。这表示回归曲线有效拟合数据的模型性能更好。在RMSE方面，较小的值意味着更好的拟合，这反映了模型预测的高精度，在本研究中是优选的。AccTPTNTPTNFPFN召回TPTPFFN精密TP公司简介F1测度2ω召回率ω精度召回和精确度ð1Þð2Þð3Þð4Þ4. 结果4.1. 物品的属类分类基于图3，结合其他关键词的正式检索查询（表2）已得到108篇文章进行荟萃分析。随后，这些文章被分为三个主要的类：作物管理，水管理，和土壤管理。请注意，作物管理范畴可以进一步分为四个领域：检测、监测、分析和预测。图五是分类--R2是线性回归中的一个有用度量，其中R2可以用来反映一个变量中可以由另一个变量解释的变异的分数。RMSE是Mean Square Error的平方根。RMSE表示沿垂直线测量的特定数据点与拟合线的平均距离。RMSE是比相关系数更有希望的拟合优度指标，因为RMSE可以直接用测量单位。等式（5）和（6）分别显示了R2和RMSE0的情况。- 是的Σ12RZtXt2t1/2在通用类别和各自领域方面对所审查的文章进行分类。 根据图 5、作物管理类是油棕PA 生态系统研究的主导方向， 占研究总数的79.9%。其次是水管理和土壤管理，分别占12.8%和7.3%。仅考虑作物管理类别，监测领域受到研究人员的最高关注，占总数的35.8%。其次是检测（25.8%），预测（11.9%）和分析（6.4%）。总体而言，文章集中在分析（下作物管理）和土壤管理是相对稀缺的对应整个身体文学。这可能是由于高度的异质性1/4B@sP2。ffiffiffi ffiPffiffiffiffiffiffiffiffiffiffi ffi ffiffi ffiΣffiffi ffi2ffiffisffiffiffiffiffiffi ffiPffiffiffiffiffiffiffiffiffiffiffiffi ffi ffiffiffiffi ffi2ffiffiffiffiffiffiffi ffi.ffiffiffiffiPffiffiffi ffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffi2ffiffiCA和复杂性的领域，其中分析和建模多-经常涉及变量和相互关联的参数。·t1/t2双螺杆挤出机-t1/2双螺杆泵·t1/t2你好，t1/2ðÞð5Þ值得注意的是，所有综述文章均在附录A中详细描述，并在表A1-A6中总结对于每个表，从左到右，列显示参考-图五、根据三个主要属类和各自领域对综述文章进行分类不不不X.J. Tan，W.L. Cheor，K.S. Yeo等人沙特国王大学学报1577评估、应用、输入数据、功能、模块/算法、主要特征和输出/关键发现。由于本研究中包含大量ES，因此出于简洁起见，在缩略语部分给出了缩略语列表。表3总结了附录A中的上述表格以及相应的内容。4.2. 捐助组织本节的主要目的是分析所有纳入文章的贡献组织的地理分布和网络。在地理分布方面，使用世界地图图表来可视化所包括的arti- cles在全球的延伸。图6显示了地理分布情况的贡献组织。对于每篇文章，只考虑相应作者的地理区域。对于一篇有多个通讯作者的文章，每个地理区域允许在最终的世界地图图表中贡献一次。 基于图 6、对油棕生态系统的研究和调查主要集中在东南亚国家，其中马来西亚和印度尼西亚的贡献最大，分别占48.1%（52篇）和10.2%（11篇）。2011年至2020年。其次是中国（7.4%，8篇文章）、泰国(5.6%，6篇文章）和英国（4.6%，5篇文章）。马来西亚和印度尼西亚的显著贡献可归因于这些国家的大规模油棕榈种植园的可用性，这些种植园通常促进了现场数据收集的工作，并作为各种环境系统验证的试验平台和验证目的。值得注意的是，西非是油棕的起源地，对油棕PA的ES贡献最小，2011年至2020年仅发现尼日利亚的1.9%（2篇文章）。在地理网络分析方面，描述了国家之间的协同作用。图7显示了捐助组织的地理网络。根据图7，很明显，马来西亚在所有22个国家中拥有最强大和最大的网络，这通过最大的节点反映出来。其次是英国和印度尼西亚。根据图6，虽然英国只贡献了4.6%（5篇文章），然而，作为发起人，英国的组织与马来西亚、尼日利亚、丹麦、肯尼亚、中国、美国和荷兰等国的共同作者建立了强大的然而，对于印度尼西亚，合作网络在澳大利亚、日本、菲律宾和新加坡等国家中找到。 值得注意的是，马来西亚和印度尼西亚之间的合作网络很薄弱，尽管这两个国家都位于东南亚，油棕榈是主要商品。 从图 例如，马来西亚等发展中国家与联合王国等发达国家密切合作。在印度尼西亚（发展中国家）和日本以及澳大利亚（发达国家）之间也发现了类似的网络。这可以归因于发达国家积极的知识吸收，促进新兴技术的整合，产生互补的结果，导致更好的可靠性和适用性在各种环境系统中。4.3. 贡献最大的期刊的分布图 8显示