数字农业与前沿技术

提出融合GLCM纹理特征与CNN的集成深度学习框架，实现土壤pH等级图像分类。

提出自适应AI决策支持系统，用轻量网络与特征优化实现精准农业实时图像分析与决策。

综述植物可穿戴传感器，按侵入性分类比较，提出选择框架。

用机器学习预测自动喷雾机的流量、喷幅、角度和重叠，实现精准农业。

提出IoT-AM-EFGNN框架，结合IoT传感与图神经网络实现高精度作物推荐。

综述AI与IoT在精准农业中的集成技术、应用与挑战，提出未来研究方向。

提出一种集成AI、IoT和嵌入式系统的自主多作物除草与养分管理机器，实现精准农业。

综述智能农学新兴技术与可持续实践，重点评述第13章未来农学趋势与挑战。

探讨数字技术对农业企业创新发展的影响，分析效益与障碍并提出改进路径。

开发基于IoT的土壤监测系统，支持西爪哇精准可持续农业，提高灌溉效率并增产。

Advances in electrochemical sensors for smart farming and precision agriculture: a focus on phytohormone quantification。Analytical and Bioanalytical Chemistry

通过文献计量分析，梳理精准农业与林业的研究趋势、主题结构和热点方向。

综述AI在气候智慧农业中的应用，涵盖产量预测、天气预报、灌溉管理和病虫害检测。

提出两种任务分配技术，利用时空冗余优化无线多媒体传感器网络，提升能效和寿命。

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。

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]

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: 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。

比较CNN（经典基线）、量子支持向量分类器与变分量子分类器（VQC）在航拍田间作物-杂草区分任务中的表现。CNN测试峰值准确率约94%，QML为85%-89%；CNN推理速度约10ms/图像，量子模型为数百毫秒；QML模型可训练参数仅数十到上百个，远低于CNN的百万级。结论：经典深度学习仍是当前最可靠方案，QML随硬件/算法进步有望加速追赶。