数字农业与前沿技术

提出深度学习框架，非侵入性量化活体肉鸡翅膀和脚部表型。

MDPI AgriEngineering 2026, 8(6), 249。精准农业越来越依赖应用于无人机(UAV)采集的高分辨率数据的机器学习来支持作物监测、胁迫检测和产量预测。本综述提出了无人机赋能精准农业机器学习方法的结构化综述,在一个由感知模态、数据类型、模型家族和分析任务四个维度定义的统一分类法中组织100多项同行评议研究。该分类法能够在RGB、多光谱、高光谱、LiDAR和IoT数据源之间进行系统比较,并在经典机器学习、深度学习、混合顺序模型和新兴基于Transformer的架构之间进行系统比较。分析建模选择如何与数据特征相互作用以影响鲁棒性、跨环境泛化、计算效率和UAV及边缘平台上的部署可行性。识别新兴研究方向,包括数据高效学习、表示级多模态融合、域自适应、轻量级架构和不确定性感知决策支持。

MDPI Agriculture 2026, 16(17), 1826, 2026年8月26日发表。江苏大学低空技术学院与电气信息工程学院联合综述,提出从低级数据增强和静态空间认知再到高级动态时空推理的渐进分析框架。气候变化、土地退化和资源稀缺驱动精准农业成为确保全球粮食安全的战略必然。传统人工检查主观且不可扩展;计算机视觉为精准作物和牲畜管理提供非侵入式解决方案,但在农业实际场景中的应用面临严重遮挡、光照剧变和生物目标非刚性形变等特定挑战。深度学习已成为克服这些限制的主流范式,CNN、Vision Transformers (ViTs)和Graph Neural Networks (GNNs)等架构学习海量数据中的自适应层次表示。识别四个优先研究方向:架构效率、数据级标注效率、部署级隐私和仿真、信任级安全。

Frontiers in Artificial Intelligence 2026年8月31日综述。研究对2023年1月至2026年1月Scopus、IEEE Xplore、ScienceDirect和SpringerLink数据库中的文章进行系统检索,使用IoT and machine learning and agriculture、crop recommendation、plant disease detection、precision farming等关键词组合,30篇文章符合实证方法、定量性能报告和清晰数据集描述的标准。结果表明,随机森林( Random Forest)、支持向量机(SVM)和决策树等集成方法与传统机器学习方法在作物产量预测中准确率达到99.9%;CNN和ResNet深度学习模型病害检测准确率超过98%;GRU和LSTM时间序列模型天气条件预测准确率范围94-98%。IoT系统在精准农业应用方面显著改善资源利用,实现60-96%的节水、25%的增产和36-38%的除草剂减量。

International Journal for Multidisciplinary Research (IJFMR) 2026年第8卷第4期(2026-08-28发表):基于FAO全球农业数据集(覆盖212个国家和地区、10种主要作物、1961-2016年56,717条记录),比较线性回归、随机森林、XGBoost三种机器学习模型。80:20 train-test split,Random Forest取得最佳性能:R²=0.9586、MAE=6724.19 hg/ha、RMSE=13829.60 hg/ha;XGBoost: R²=0.8115;线性回归:R²=0.0608。特征重要性分析识别作物类型(Item Code)为最具影响力预测因子,其次是地理区域和时间因素。[注:本论文使用2016年截止数据,模型泛化能力可能存在边界]

山东农业大学经济管理学院与山东女子大学商学院发表于《Symmetry》2026年第18卷第9期1435(7月7日投稿、8月21日修订、8月25日接收、8月27日发表)。针对数字农业多准则决策分析(MCDA)中难以表示不确定专家判断、捕捉因子间影响结构、整合互补权重信息的难题,构建集成Pythagorean Neutrosophic Sets(PNS)–Weighted Influence Non-linear Gauge System(WINGS)–Analytic Hierarchy Process(AHP)–Entropy Weight Method(EWM)框架。应用于数字农业案例识别关键影响因素并确定发展优先级,结果显示经济发展水平(W1)排名第一,其次是数字技术水平(W6)和数字基础设施(W5);WINGS分析揭示因子间感知影响结构,数字基础设施(W5)为网络中最强净影响因子。

2026年8月26日发表于Elsevier期刊《Artificial Intelligence in Agriculture》的系统综述(PRISMA 2020框架),纳入2021—2025年95项同行评议研究:机器学习模型诊断植物病害准确率>99%,灌溉控制器提取88%水分利用效率,机器人能看、数、收作物。51.58%论文发表于Q1期刊,36.84%为Q2期刊,JCR影响因子2.2-14.0。主题分布:环境监测23.15%、温室控制与保护栽培21.05%、病虫害检测21.05%、水培16.84%、产量预测13.68%。方法学:经典机器学习25.26%、IoT/AIoT 22.11%、深度学习与计算机视觉13.68%。审稿人指出多数研究仅通过单地点单季节的train-test或k-fold交叉验证,缺乏独立外部验证,发布准确率可能高估实际适用性。[预印本边界说明:已发表于同行评审期刊]

唐华俊、李会宾、苏宝峰、范蓓蕾、胡琼、叶剑秋、张帅、吴文斌、余强毅、史云、段玉林、李文娟、钱建平、宋茜、夏浪发表论文。本研究构建基于形态指纹特征的耕地遥感监测轻量化大模型,通过强化注意力机制以聚焦和捕获耕地形态的重要特征,并基于这些特征构建轻量化多模态模型,服务于耕地遥感监测应用场景。

Serge Kernbach 发表论文。本研究评估大语言模型(LLM)在复杂生物系统中的应用,从数据分析演进到AI引导的自主实验。框架由49通道植物传感器网络数据驱动,涵盖多光谱、电化学和介电模态。在最少时间模式下,系统将生产周期缩短35%;在能源优化模式下,通过利用光脉冲的生理惯性,降低能源消耗18%。最后,代理自主开发了黑暗诱导叶绿素积累策略,实现67.9%的节能。本框架将LLM转变为数字农业的自主副驾驶,改善成本-价值比,降低计算和专家劳动力约束。

Ying Yang、Zenghui Huo(中国计量大学经济管理学院)、Fuqiao Chen(中国农业科学院茶叶研究所)、Zhongming Zhang 发表论文。基于江苏省农村地区微观调查数据和县级数字基础设施指数,构建"缓冲能力-自组织能力-学习能力-心理适应能力"生计韧性衡量框架,采用OLS回归、U型回归模型、HLM分层线性模型和中介效应模型,实证分析数字基础设施对农户生计韧性的影响及机制。数字基础设施总体显著增强农户生计韧性,但呈现U型非线性影响;数字信息和数字金融参与是主要传导机制;高收入家庭、全职与兼业农户、非经济困难村的U型赋能效应更显著。本研究为乡村振兴与数字乡村建设融合推进提供实证证据与政策建议。

Benjian Wu, Xing Huang, Bo Zhou, Jianmin Li, Lifang Hu (中国农业科学院/中国农业大学/南京大学等) 共同发表论文。基于2010—2024年中国700个县的县级面板数据,将"数字农业创新与应用基地"试点视为准自然实验,采用双重机器学习模型考察智慧农业建设对城乡土地利用效率差距的影响。研究发现:(1)智慧农业建设显著缩小了城乡土地利用效率差距,机制渠道指向农业技术进步、资本配置优化、农业产业升级;(2)政策效应在原贫困县、土地流转率高、数字基础强的县更显著;(3)分解结果显示差距缩小主要由农村追赶驱动,而非城市衰退。本研究澄清了智慧农业建设如何通过要素再配置平衡城乡土地利用。

原文标题:Application of Precision Agriculture and IoT-Based Smart Irrigation in Greenhouse Vegetable Production。作者:Zeeshan Ahmed、Muhammad Taimur Maqbool Muhammad、Abbas Khan Muhammad、Zain Ul Abideen、Abdul Haq。DOI: 10.63163/jpehss.v4i1.1226。该综述综合分析了精准农业(PA)和基于物联网(IoT)的智能灌溉在温室蔬菜生产中的集成,涉及土壤湿度、EC、pH、微气候监测器等物联网传感器与数据分析(AI/ML模型)及自动执行器在番茄、黄瓜、辣椒等作物实时资源管理中的整合。关键组件包括使用ZigBee/LoRa协议的无线传感器网络、低延迟边缘/雾计算和预测算法(如LSTM、SVM),可减少20-50%用水量,同时提高10-30%产量和养分效率。来自中国、欧洲和印度的案例展示了变量灌溉(VRI)和施肥系统的实际应用,实现高达40%的能源节约和最小化淋失。

原文标题:AI-Enabled IoT-Based Hydroponic Farming with Embedded Automation and Nutrient Prediction。作者:Jehangir Arshad、Fawad Azeem、Ayesha Butt、Maha Chaudhary、Rana Saad Safdar、M. Kamran Joyo、Izanoordina Ahmad、Prajoona Valsalan、Husham M. Ahmed(COMSATS University Islamabad等)。DOI: 10.3390/fi18090446。论文构建一个由Raspberry Pi控制、完全监测并持续评估的水培农业模拟器,采用多种传感器、数据管理与处理以及自动化环境调节。该智能水培系统采用双模型机器学习流水线:一个通过图像分析识别植物病害,另一个基于传感器数据评估植物营养水平。两个模型的数据通过云端数字孪生(DT)合并,实现远程访问并提供闭环控制,用于水培环境中的灌溉、营养剂量和所有环境因子管理。该研究展示了将物联网传感、机器学习和数字孪生模拟组合成可运行超物理系统来开发可扩展、数据驱动的精准农业解决方案的能力。

原文标题:数字乡村建设对农业新质生产力的影响效应与作用机制。作者:杜一鸣、贾慧静、王强(西安交通大学马克思主义学院等)。基于2012—2023年中国30个省份的面板数据,采用双向固定效应模型,实证检验数字乡村建设对农业新质生产力的影响,并引入中介效应模型和调节效应模型考察农村创新创业活跃度的中介作用以及农村产业融合的调节效应。研究结果表明:数字乡村建设可以显著促进农业新质生产力提升,且这种促进作用在'胡焕庸线'以东地区、非粮食主产区及农业新质生产力水平较高的地区更为显著;农村创新创业活跃度发挥了部分中介作用;农村产业融合对数字乡村建设与农业新质生产力之间的关系具有显著的正向调节作用。

原文标题: Digital villages and agricultural green total factor productivity。作者: Guo Hui、Wang Xinyi、Xia He、Jiang Wenjie。DOI: 10.3389/fsufs.2026.1831978。本文采用super-efficiency SBM-DDF-GML模型，运用2014—2023年中国县级面板数据测算AGTFP，并以国家数字乡村试点为准自然实验，运用DID方法评估数字乡村发展对AGTFP的影响、机制与空间溢出效应。研究发现：①数字乡村发展显著提升AGTFP，效应主要源于绿色技术进步而非绿色技术效率改善；②机制上通过优化劳动力配置、激发农业创业活力、扩大消费需求；③异质性上，距省会近、地形起伏度高、路网密度低的地区政策效应更显著；④空间效应以虹吸为主，但绿色技术进步随时间推移呈现溢出迹象。

原文标题: Artificial Intelligence Empowering Modern Agricultural Biological Breeding。作者: 徐启玉、郑波、钟上威（北京大学现代农业研究院、潍坊市科技创新促进中心、北京大学生命科学学院）。DOI: 10.12133/j.smartag.SA202602016。本文系统探究AI驱动植物育种范式变革的底层逻辑，梳理智慧育种的代际演变及其在表型解析、基因组预测和分子设计等关键环节的技术进展，并深入探讨育种大模型对育种全流程的重构作用，以期为中国种业科技实现自立自强提供理论参考。重点阐述AI在种质资源高效挖掘、高通量表型精准解析、全基因组选择模型预测及分子设计育种等关键环节的技术逻辑与实证案例，并针对跨学科数据壁垒、深度学习算法的可解释性不足、复杂变动环境下的模型泛化能力弱等核心挑战进行了深入分析。

原文标题: AI-driven approaches in precision agriculture for strawberry production: A systematic literature review。作者: Effrosyni Bitakou、Svetlana Vujić et al.本文系统综述了人工智能在精准农业中应用于草莓生产的研究进展，覆盖机器学习、深度学习、计算机视觉与机器人等技术在草莓产量预测、果实品质分级、病虫害早期诊断、灌溉施肥精准调控、采收机器人等核心场景的应用。研究发现AI方法可显著提升草莓生产效率与资源利用率，但田间多站点外部验证仍不足，未来研究应进一步关注数据异质性、模型可解释性、田间部署成本与农户接受度。本文为草莓产业从传统经验种植向数据驱动智能生产转型提供路线图与未来研究方向。

原文标题：Smart Agriculture Construction and the Urban-Rural Gap in Land Use Efficiency: Evidence from Digital Agriculture in China。该研究系同篇Land 15(9)1531的数字乡村政策评估版本，扩展论证数字农业试点对城乡土地利用效率差距缩小的因果效应；识别策略包括双重机器学习、置换检验与子样本稳健性检验。研究为评估十五五数字乡村战略提供量化基准。

原文标题：Digital Rural Construction and Agricultural Technological Choice Under Land Constraints: Evidence from China。基于2011-2024年中国28省面板数据，首先基于归一化要素增广CES生产函数测度资本-土地与劳动-土地偏向型技术进步，进而构建多维度数字乡村建设指数。实证结果显示数字乡村建设显著促进资本-土地与劳动-土地偏向型技术进步，对资本-土地维度效应更强，表明数字乡村建设主要通过资本体现与数字赋能技术推动农业技术选择。机制分析显示资本-土地效应主要由价格效应驱动，劳动-土地效应主要由规模效应驱动；异质性分析显示正向效应在东部地区更为显著。本研究为促进农业转型、改善土地利用可持续性与加强农业数字治理提供证据。

原文标题：Smart Agriculture Construction and the Urban-Rural Gap in Land Use Efficiency: Evidence from Digital Agriculture in China。基于2010-2024年700个中国县的面板数据，将数字农业创新与应用基地试点项目作为准自然实验，应用双重机器学习模型检验智慧农业建设对城乡土地利用效率差距的影响。结果显示智慧农业建设显著缩小城乡土地利用效率差距，渠道证据指向农业技术进步、资本配置改善、农业产业升级；政策效应仅在原贫困县、土地流转率较高县、数字基础较强县显著；分解结果显示该计划提升农村土地利用效率及农村资本与劳动边际收益而城市指标统计不变，表明所观察到的趋同主要源于农村追赶而非城市衰退。本研究从要素配置视角阐明智慧农业建设如何再平衡城乡土地利用并识别异质性与渠道证据的统计边界。