科尔多瓦大学和塞维利亚大学的一项研究开发了一种方法，可以轻松快速地验证橄榄种植园是传统型、集约型还是超集约型。

传统的橄榄树林，树木高大且间隔良好，正在被更高密度的种植园所取代，例如集约化或超集约化种植园，树木之间的空间被缩小。这类集约化和超集约化种植园的生产力有所提高，但其对水等资源的消耗也随之增加。

由于这种转变不仅会对农艺和环境产生影响，还会对经济和社会文化产生影响，公共行政部门需要制定政策并发放援助来调节这种转变。为此，他们需要随时掌握最新信息，了解每种种植园的面积以及变化速度。

科尔多瓦大学与塞维利亚大学合作开发了一种基于卷积网络(一种神经元网络)的方法，该方法能够满足这一需求。该方法利用来自“哨兵2号”卫星的免费开放卫星图像，自动识别橄榄树中的这些模式。该研究成果发表在《农业计算机与电子技术》杂志上。

“我们面临的问题是，到目前为止，我们拥有这些信息，这要归功于 PNOA(国家航空正射影像计划)的图像，这些图像具有很高的空间分辨率，但它们每 3 年更新一次，因此我们拥有的信息非常过时，”UCO 图形和测绘工程系的研究员 Isabel Castillejo 解释道。

为了解决这个问题，团队开始使用 Sentinel-2 卫星图像(欧空局开发的地球观测任务)，这些图像每 5 天免费提供一次。然而，这些图像的空间分辨率较低，由于无法直接在图像中观察到树梢，因此识别模式更加困难。这时，卷积神经网络 (CNN) 应运而生，它是一种深度学习分析技术，用于数据中的高级模式识别任务。

“我们训练了 3 种不同的学习算法，利用这些卫星图像检测种植系统，发现三种算法中最好的一种(方法 B)的准确率为 80%，考虑到问题的难度和输入图像的分辨率，这个准确率非常高，”UCO 电子与计算机工程系研究员 Cristina Martínez 解释道。

研究人员指出了该方法的另一个关键优势，那就是一切都自动化了。“只需输入包含地块代码或地籍编号的文本文件，就能定义地块及其边界，并根据这些信息识别、下载所需时间段的卫星图像，并将其输入到网络中，最终确定橄榄树的类型，所有操作均自动化完成。”

这种创新方法消除了对传统方法的依赖，这些方法通常需要实地考察和随机抽样，从而为橄榄园的管理和监测提供了一种更高效、更精确的替代方案。该团队目前正在开展研究，利用神经网络和卫星图像进行此类处理，以研究和预测橄榄园的水分胁迫。

更多信息： Cristina Martínez-Ruedas 等人，《基于 CNN 的橄榄种植系统识别方法评估》(利用 Sentinel-2 图像)，《农业计算机与电子技术》(2025 年)。