隨著農業生產方式的轉變，傳統橄欖園中樹木稀疏且間距較大，逐漸被樹木密度更高的密集及超集約種植取代，這種轉變雖提升了產量，但也增加了水資源等農業投入，對環境與經濟社會均帶來影響。

　　西班牙科爾多瓦大學(University of Córdoba)與塞維利亞大學(Universities of Seville)研究團隊利用歐洲太空總署（ESA）提供的Sentinel-2衛星影像，這些影像免費且每五天更新一次，雖然解析度較低，難以直接觀察樹冠細節，但團隊運用卷積神經網絡（CNN）深度學習技術，成功從低解析度影像中辨識出不同橄欖園的種植模式。研究人員訓練了三種不同的學習模型，最終選出準確率達80%的最佳方案，這在影像解析度有限的情況下已屬高效。該系統能自動根據地籍資料確定地塊範圍，自動下載並分析相應時期的衛星影像，實現橄欖園類型的快速判定，完全自動化流程大幅提升了監測效率。

　　研究發現該演算法能有效區分橄欖園的三種主要種植類型，為政府部門提供了及時且準確的土地利用資訊。這不僅有助於評估農業生產效率與資源消耗，也為水資源管理與環境保護提供了科學依據。團隊目前正進一步研究將類似技術應用於橄欖園水分壓力的監測與預測，擴展其在農業永續管理中的應用範圍。

　　此項研究發表在2025年《Computers and Electronics in Agriculture》期刊，研究貢獻在於突破了傳統高解析度影像更新慢、成本高的瓶頸，利用免費且高頻率更新的衛星影像結合深度學習，實現了橄欖園種植類型的自動化、快速且準確識別。這不僅提升了農業監測的時效性與精度，也為智慧農業管理提供了新工具，促進了農業資源的永續利用，並為未來類似技術在全球的推廣奠定了基礎。

【延伸閱讀】- 結合衛星影像及機器學習繪製肯亞土地利用地圖，以支援土地管理及規劃決策