这是用户在 2025-7-11 11:39 为 https://app.immersivetranslate.com/pdf-pro/8d5dbeb3-6975-4c7c-b269-09b9a09ea0ec/ 保存的双语快照页面，由 沉浸式翻译 提供双语支持。了解如何保存？

人工智能驱动的未来农业：实现气候智能与可持续农业

Karishma Kumari 1 1 ^(1){ }^{\mathbf{1}} ，Ali Mirzakhani Nafchi 1 , 2 , ∗ 1 , 2 , ∗ ^(1,2,**){ }^{\mathbf{1}, \mathbf{2}, \boldsymbol{*}} ，Salman Mirzaee 1 1 ^(1){ }^{\mathbf{1}} 和 Ahmed Abdalla 1 1 ^(1){ }^{\mathbf{1}} 1 南达科他州立大学农业、食品与环境科学学院农学、园艺与植物科学系，美国南达科他州布鲁金斯，邮编 57007；karishma.kumari@jacks.sdstate.edu（K.K.）2 南达科他州立大学农业、食品与环境科学学院农业与生物系统工程系，美国南达科他州布鲁金斯，邮编57007* 通讯作者：ali.nafchi@sdstate.edu；电话：+1-(605)-688-4774

学术编辑：Lilong Chai
收到日期：2024年12月24日
修订日期：2025年2月28日
接受日期：2025年3月12日
发表日期：2025年3月20日
引用：Kumari, K.; Mirzakhani Nafchi, A.; Mirzaee, S.; Abdalla, A. AI 驱动的未来农业：实现气候智能和可持续农业。AgriEngineering 2025, 7, 89. https://doi.org/10.3390/ agriengineering7030089
版权：© 2025 作者版权所有。许可方 MDPI，瑞士巴塞尔。本文为开放获取文章，依据知识共享署名（CC BY）许可协议（https://creativecommons.org/ licenses/by/4.0/）进行分发。

  摘要

农业作为经济扩展的重要驱动力，面临着在气候不确定性和资源有限的背景下维持不断增长的全球人口的问题。因此，利用先进的人工智能（AI）支持自主决策的“智能农业”变得越来越受欢迎。本文探讨了物联网（IoT）、人工智能（AI）、机器学习（ML）、遥感和变速率技术（VRT）如何协同作用，推动农业转型。研究的主要应用包括利用复杂算法预测土壤状况、改进农业产量预测、通过传感器数据诊断水分胁迫、通过图像识别识别植物病害和杂草、作物制图以及 AI 指导的作物选择。此外，VRT 精准施用水、农药和肥料，优化资源利用，提高可持续性和效率。为了有效满足全球粮食需求，本研究预测了结合 AI 驱动方法与传统方法的可持续农业未来。

关键词：气候智能；人工智能（AI）；机器学习（ML）；物联网（IoT）；变速率技术（VRT）

  1. 引言

全球人口的快速增长，预计到2050年将达到97亿，给农业部门带来了巨大的挑战，主要体现在可持续性和效率方面[1]。近年来，由于气候变化影响的加剧，农业面临着越来越多的挑战[2]。天气模式的变化、更大的变异性以及新害虫和疾病的出现，显著增加了传统农业系统的脆弱性[3]。将智能自动化、预测算法和互联设备等先进技术整合到农业实践中，提供了有前景的解决方案，使农业向更可持续和高效的方式转变。本文讨论了这些现代技术的全面应用，通过精准农业和智慧农业举措，革新农业，提高生产力和可持续性。传统农业实践虽然过去取得了成功，但由于环境和经济压力的增加，现已面临诸多限制。 可持续农业作为一种关键方法应运而生，倡导保护环境质量、提升土壤肥力、节约用水以及保护生物多样性。这种农业形式不仅仅是改变技术，更是转变整个食品系统以实现长期可持续发展[4]。农业中自动化和智能设备的引入为实现这些目标提供了有希望的途径。这些
先进且高效的技术通常被称为精准农业或智能农业。精准农业代表了传统农业方法的一次重大转变。它整合了先进技术，创造出一种更精确且可控的农业形式，节约使用水、养分和农药等资源，从而降低成本和环境影响[5]。这些技术，包括人工智能和物联网，为农民提供基于数据的洞察，帮助优化农业操作，通过预测天气状况、分析土壤健康以及实时监测作物健康。精准农业的基础技术包括全球定位系统（GPS）和地理信息系统（GIS），它们能够实现精准的农业制图和管理。这些技术有助于管理田间的空间变异性，这种变异性可能由多种因素引起，包括土壤成分、水分水平和历史作物表现[6]。产量监测器和变率技术（VRT）允许对肥料、农药和水等投入品进行详细监测和响应式施用。 这对于减少浪费及其对环境的负面影响至关重要，同时还能提高资源使用效率[7]。人工智能（AI）和机器学习（ML）正处于将农业转变为更数据驱动和预测性领域的早期阶段。这些技术分析来自卫星图像、传感器和物联网设备的大量数据，以提供作物健康状况的洞察、预测产量并优化资源分配。历史上，农业中数据的使用始于 1990 年代的土壤和产量地图。随后发展为精准管理实践，利用网格采样技术优化土壤肥力和 pH 值[8]。到 2010 年，集成了 GPS 和自动转向技术的自动化和大型农机设备变得普及。这些进步减轻了操作负担并增强了数据收集能力[9]。大约在 2012 年，“决策农业”出现，引入了联网的拖拉机和收割机。这些创新使得实时数据分析成为可能，从而优化农业操作[10]。在此期间，数字工具和大数据平台逐渐流行起来。 它们实现了无缝的数据整合与分析，提升了农场管理的决策能力。机器学习模型的应用展示了现代农业的先进功能。这些模型通过分析数据来预测害虫袭击和疾病，使农民能够提前采取预防措施[11]。此外，物联网技术在精准农业中发挥着关键作用。它连接了田间的各种传感器，持续监测土壤湿度、pH 值、温度和作物健康状况。这个强大的传感器网络不断收集数据，并将其发送到集中系统进行处理和分析，使农业管理能够做出明智的决策[12]。此外，物联网应用还包括智能灌溉系统，能够准确地在需要的时间和地点供水，大幅节约水资源并提升可持续性[13]。除了传感器技术，现代农机还配备了与互联网集成的调制解调器，嵌入在工业互联网的更大框架中。 这种连接涵盖了农业的各个方面，将农场转变为互联互通、数据驱动的环境。虽然广泛的数据收集应用并非新事物，但它正在革新全球农业运营，改变农业实践的范式。此外，农业决策得到了先进的数据挖掘和管理工具的支持。作物模型模拟包括来自不同来源的数据，如土壤和天气状况，以及施肥等管理措施，帮助估算潜在产量。这些模型对农民非常有价值，尤其是在与天气预测模型结合使用时。这些模型利用大量数据集准确预测天气模式和降水情况。这类预测对于规划农机和劳动力的部署非常重要[14]。农业大数据的趋势通过一个结构化的四部分过程展开，提升了学习和实际应用的效果。农民首先上传从各种来源收集的数据，
例如无人机、机械和地面传感器。然后，农业技术提供商（ATP）将这些数据整合，结合其他重要数据集，并应用复杂算法进行详细分析。随后，ATP 基于这些分析提供定制的解决方案和建议。凭借这些洞察，农民可以做出战略决策，优化其农业、经济和管理方面的运营[15]。尽管有这些技术进步，农业中新开发技术的广泛应用仍面临诸多重大障碍。要充分发挥这些创新的潜力，必须解决重要挑战。这些挑战包括技术成本高昂、农民培训需求大、数据安全问题以及支持人工智能和物联网融入日常农业实践所需的强大技术基础设施[16]。实现这些目标不仅需要技术进步，还需要支持性政策和基础设施投资，以确保所有农民都能从这些创新中受益[17]。 这些工具的持续进步有望解决诸如粮食安全、可持续实践和气候韧性等紧迫的全球挑战。随着技术的发展，它可能有助于解决包括全球变暖、可持续性和粮食安全在内的重要全球问题。然而，这些技术的成功实施将依赖于政府、技术提供者和农业社区之间的协作努力，以确保技术驱动农业优势的全球推广。本文全面探讨了先进技术在农业中的整合，首先回顾了农业实践的历史演变及技术创新的初步采用。文章强调了遥感数据的变革性作用，详细介绍了基于卫星的技术、图像预处理技术以及光谱指数在害虫和疾病预测、土壤健康分析、资源优化和自动化等领域的应用。 讨论扩展到人工智能、机器学习和深度学习的现代应用，强调它们在预测分析、作物建模、压力检测和智能收获方面的贡献。此外，分析了物联网在精准农业中的关键作用以及智能农业中变速率技术的应用，以展示它们提升效率和可持续性的潜力。本文最后探讨了这些进展所带来的机遇与挑战，提供了对气候智能型和可持续农业未来的见解。

2. 方法与结果

2.1. 农业与技术的演变

农业技术的发展经历了四个主要阶段。大约始于 10 , 000 BC 10 , 000 BC 10,000BC10,000 \mathrm{BC} ，农业1.0依赖于人力、畜力和简单的设备，导致操作效率低下，生产力较低。19世纪出现的农业2.0引入了收割机、拖拉机等机械设备以及化学投入品，虽然提高了生产力，但由于资源利用不当也带来了弊端。通过自动化、机器人和基于计算机的系统，农业3.0在20世纪和21世纪改善了农业生产。然而，这些技术的智能水平相对较低，导致精准度有限。为了提升资源管理和决策能力，农业4.0现阶段强调智能设备和系统，整合了无人机、物联网和人工智能驱动的分析等技术。但这一现代阶段也带来了额外的担忧，尤其是在数据安全和隐私方面。 该时间线突出了农业方法的发展，展示了向智能化和自动化解决方案的持续转变，同时解决了各阶段的低效和困难（图1）。
图1. 农业升级。

2.1.1. 传统农业实践

传统农业实践几个世纪以来一直是农业的支柱，主要依靠手工劳动和简陋的工具来种植作物和饲养牲畜。为了保持土壤肥力，这些做法依赖于降雨、有机肥料和轮作技术等自然资源。耕地、播种、除草和收割等技术主要通过手工或借助动物完成。这种对体力劳动和有机投入的依赖，虽然在过去有效，但限制了规模化和效率，而这在当今人口增长和粮食需求增加的背景下尤为关键。

2.1.2. 农业中技术的早期应用

20世纪初，农业技术的最初整合始于犁地和脱粒等基本任务的机械化。拖拉机和联合收割机的出现极大地提高了这些作业的规模和速度，带来了显著的生产力提升。随后几十年，合成农药和化肥的开发进一步提高了产量，同时也引发了关于环境可持续性的问题。20世纪70年代和80年代，水培和受控环境农业的发展开始展示技术不仅可以提高生产力，还能节约资源。

2.1.3. 向数据驱动农业的转变

然而，在 20 世纪末和 21 世纪初，数据驱动的农业开始兴起，标志着一场真正革命的开始。此时引入了 GIS 和 GPS 技术，使得农场的精细化绘图和分析成为可能。当前的精准农业概念在很大程度上得益于这一技术。精准农业利用信息技术和各种工具，包括传感器、无人机和互联网平台，来跟踪和改善作物生长及土壤健康。数据驱动的农业结合这些技术，创建了田间变异性的详细地图，从而实现农业投入的精准施用，减少浪费并提高效率。为了有效管理关键的自然资源，精准农业（PA）和环境责任是现代农业的重要组成部分。PA 中的“五个 R”原则强调适当的投入、最佳的时机、正确的位置、充足的数量和恰当的施用方法，这被称为现场特定管理。这种方法应对了传统农业系统所加剧的挑战。
全球市场竞争。精准农业依赖来自多种来源的大量数据集，全面分析土壤状况、作物健康和田间环境，是一个数据密集型领域，如图2所示。例如，土壤传感器可以检测水分和养分水平，实时调整灌溉和施肥。收割机上的产量监测器可以评估田间不同区域的作物表现，有助于优化后续季节的种植策略和投入水平。
图2. 精准农业中的信息流。

2.2. 遥感数据

  2.2.1. 卫星

从远处测量反射和发射辐射以识别和追踪物理特征位置的过程，通常使用卫星进行，称为遥感。该过程需要在不同电磁频谱频率下收集信息。20 世纪 60 年代末，为天气分析发射的先进高质量辐射计气象卫星是遥感领域的重要突破。70 年代初，启动了 Landsat 项目，用于自然资源监测和制图。火箭技术和传感器设计的进步使得各种卫星数据得以获取。这些空间和光谱分辨率的提升拓展了遥感的应用，实现了精确的环境监测和数字图像分析。然而，Landsat 和 Sentinel 卫星通过提供全面且免费的地球观测数据，在农业监测和管理中发挥着重要作用[18,19]。自 1972 年以来，NASA 和美国地质调查局（USGS）运营 Landsat 系列卫星（Landsat 1 至 9），提供空间分辨率为 30 米、16 天重访周期的多光谱图像。 每个场景覆盖的区域为 185 km × 180 km 185 km × 180 km 185kmxx180km185 \mathrm{~km} \times 180 \mathrm{~km} （https://www.usgs.gov/（访问时间：2024 年 12 月 24 日））。此外，作为欧盟哥白尼计划一部分的哨兵卫星，自 2015 年 6 月 23 日起提供高分辨率数据，并频繁更新（https://www.esa.int/Applications/Observing_the_Earth/Copernicus/The_Sentinel_missions（访问时间：2024 年 12 月 24 日））。哨兵-2 卫星提供高频次的地球观测，重访时间约为 5 天，实现全面的地表监测[ESA, 2015]。哨兵-2 因其覆盖电磁光谱广泛的 13 个光谱波段及 10 至 60 米的空间分辨率，特别适合精确的土地覆盖分类、植被研究及其他需要高空间精度的应用[20]。

2.2.2. 图像预处理

几何和辐射校正是提升卫星影像精度和质量的关键步骤。所有卫星图像均进行地理参考校正，以纠正几何畸变，采用全球定位系统（GPS）控制点进行校正。
此外，还应用了辐射定标校正，以减少传感器、处理过程和大气条件引入的噪声。该过程首先将图像的原始数字值 DN ( λ ) DN ( λ ) DN(lambda)\mathrm{DN}(\lambda) 转换为辐射率，具体如以下公式所示[21-23]：
L ( λ ) = Grain ( λ ) + DN ( λ ) + Offset ( λ ) L ( λ ) = Grain ( λ ) + DN ( λ ) +  Offset  ( λ ) L(lambda)=Grain(lambda)+DN(lambda)+" Offset "(lambda)\mathrm{L}(\lambda)=\operatorname{Grain}(\lambda)+\mathrm{DN}(\lambda)+\text { Offset }(\lambda)
其中， λ λ lambda\lambda 代表波长（ μ m μ m mum\mu \mathrm{m} ），Grain（ λ λ lambda\lambda ）为波段特定的重标定增益因子 [ ( W / m 2 W / m 2 [(W//m^(2):}\left[\left(\mathrm{W} / \mathrm{m}^{2}\right.\right. sr μ m ) / DN ] μ m / DN {: mum)//DN]\left.\left.\mu \mathrm{m}\right) / \mathrm{DN}\right] ，Offset（ λ λ lambda\lambda ）为波段特定的重标定偏移量[ W / ( m 2 μ m W / m 2 μ m W//(m^(2)mu(m):}\mathrm{W} /\left(\mathrm{m}^{2} \mu \mathrm{~m}\right. sr ) ) )) ]， L ( λ ) L ( λ ) L(lambda)\mathrm{L}(\lambda) 为辐射率 [ W / ( m 2 μ m sr ] W / m 2 μ m sr [W//(m^(2)mu(m)sr]:}\left[\mathrm{W} /\left(\mathrm{m}^{2} \mu \mathrm{~m} \mathrm{sr}\right]\right. 。随后使用以下公式计算地表反射率 ( ρ ( λ ) ) ( ρ ( λ ) ) (rho(lambda))(\rho(\lambda)) 。
ρ ( λ ) = ( ( ( L ( λ ) − ( L ( DP , λ ) ) × D ∧ 2 × π ) / ( E ( λ ) × cos ⁡ ( θ ) ) ρ ( λ ) = L ( λ ) − ( L ( DP , λ ) ) × D ∧ 2 × π / ( E ( λ ) × cos ⁡ ( θ ) ) rho(lambda)=(((L(lambda)-(L(DP,lambda))xxD^2xx pi)//(E(lambda)xx cos(theta)):}\rho(\lambda)=\left(\left(\left(\mathrm{L}(\lambda)-(\mathrm{L}(\mathrm{DP}, \lambda)) \times \mathrm{D}^{\wedge} 2 \times \pi\right) /(\mathrm{E}(\lambda) \times \cos (\theta))\right.\right.
ρ ( λ ) ρ ( λ ) rho(lambda)\rho(\lambda) 为地表光谱反射率（无单位）， L ( DP , λ ) L ( DP , λ ) L(DP,lambda)\mathrm{L}(\mathrm{DP}, \lambda) 表示从暗目标获得的光谱辐射率 [ W / ( m 2 μ m W / m 2 μ m [W//(m^(2)mu(m):}\left[\mathrm{W} /\left(\mathrm{m}^{2} \mu \mathrm{~m}\right.\right. sr ) ] ) {:)]\left.)\right] ，D 代表地日距离（天文单位）， π π pi\pi 为数学常数 3.14159， E ( λ ) E ( λ ) E(lambda)\mathrm{E}(\lambda) 表示平均大气外太阳辐照度 [ W / ( m 2 μ m ) ] W / m 2 μ m [W//(m^(2)mu(m))]\left[\mathrm{W} /\left(\mathrm{m}^{2} \mu \mathrm{~m}\right)\right] ， θ θ theta\theta 为太阳天顶角（度）。

2.2.3. 文献中的光谱指数

光谱指数是特定波段的组合，用于检测和量化各种地表特性。研究人员开发了多种光谱指数来评估环境参数，包括植被健康状况、盐分浓度和土壤特性。每种指数都突出特定的特征，提高了遥感在环境监测中的准确性。表1提供了科学文献中重要光谱指数的综合总结。
表1. 文献中常用的光谱指数。
  类型   指数   公式   参考文献
  植被指数 NDVI ( ρ NIR − ρ R ) / ( ρ NIR + ρ R ) ρ NIR  − ρ R / ρ NIR  + ρ R (rho_("NIR ")-rho_(R))//(rho_("NIR ")+rho_(R))\left(\rho_{\text {NIR }}-\rho_{R}\right) /\left(\rho_{\text {NIR }}+\rho_{R}\right) [24]
SAVI 2 ( ρ NIR − ρ R ) / ( ρ NIR + ρ R + 1 ) 2 ρ NIR  − ρ R / ρ NIR  + ρ R + 1 2(rho_("NIR ")-rho_(R))//(rho_("NIR ")+rho_(R)+1)2\left(\rho_{\text {NIR }}-\rho_{\mathrm{R}}\right) /\left(\rho_{\text {NIR }}+\rho_{\mathrm{R}}+1\right) [25]
VSSI 2 ρ G − 5 ( ρ R + ρ NIR ) 2 ρ G − 5 ρ R + ρ NIR  2rho_(G)-5(rho_(R)+rho_("NIR "))2 \rho_{\mathrm{G}}-5\left(\rho_{\mathrm{R}}+\rho_{\text {NIR }}\right) [26]
EVI 2.5 ( ρ NIR − ρ R ) / ( ρ NIR + 6 ρ R + 7.5 ρ B + 1 ) 2.5 ρ NIR  − ρ R / ρ NIR  + 6 ρ R + 7.5 ρ B + 1 2.5(rho_("NIR ")-rho_(R))//(rho_("NIR ")+6rho_(R)+7.5rho_(B)+1)2.5\left(\rho_{\text {NIR }}-\rho_{\mathrm{R}}\right) /\left(\rho_{\text {NIR }}+6 \rho_{\mathrm{R}}+7.5 \rho_{\mathrm{B}}+1\right) [27]
NLVI ( ρ NIR 2 − ρ R ) / ( ρ NIR 2 + ρ R ) ρ NIR  2 − ρ R / ρ NIR  2 + ρ R (rho_("NIR ")^(2)-rho_(R))//(rho_("NIR "^(2))+rho_(R))\left(\rho_{\text {NIR }}{ }^{2}-\rho_{R}\right) /\left(\rho_{\text {NIR }^{2}}+\rho_{R}\right) [28]
DVI ρ NIR − ρ R ρ NIR  − ρ R  rho_("NIR ")-rho_("R ")\rho_{\text {NIR }}-\rho_{\text {R }} [29]
GRVI ρ NIR / ρ G ρ NIR  / ρ G rho_("NIR ")//rho_(G)\rho_{\text {NIR }} / \rho_{\mathrm{G}} [30]
  盐度指数 SIT ( ρ R / ρ NIR ) 100 ρ R / ρ NIR  100 (rho_(R)//rho_("NIR "))100\left(\rho_{\mathrm{R}} / \rho_{\text {NIR }}\right) 100 [31]
SI ( ρ B × ρ R ) 0.5 ρ B × ρ R 0.5 (rho_(B)xxrho_(R))^(0.5)\left(\rho_{\mathrm{B}} \times \rho_{\mathrm{R}}\right)^{0.5} [32]
SI (1) ( ρ G × ρ R ) 0.5 ρ G × ρ R 0.5 (rho_(G)xxrho_(R))^(0.5)\left(\rho_{\mathrm{G}} \times \rho_{\mathrm{R}}\right)^{0.5} [33]
SI (2) ( ρ G 2 + ρ R 2 + ρ NIR 2 ) 0.5 ρ G 2 + ρ R 2 + ρ NIR 2 0.5 (rho_(G)^(2)+rho_(R)^(2)+rho_(NIR^(2)))^(0.5)\left(\rho_{\mathrm{G}}{ }^{2}+\rho_{\mathrm{R}}{ }^{2}+\rho_{\mathrm{NIR}^{2}}\right)^{0.5} [34]
SI (3) ( ρ G 2 + ρ NIR 2 ) 0.5 ρ G 2 + ρ NIR  2 0.5 (rho_(G)^(2)+rho_("NIR ")^(2))^(0.5)\left(\rho_{\mathrm{G}}{ }^{2}+\rho_{\text {NIR }}{ }^{2}\right)^{0.5} [35]
SI (4) ρ SWIR1 / ρ NIR ρ SWIR1  / ρ NIR  rho_("SWIR1 ")//rho_("NIR ")\rho_{\text {SWIR1 }} / \rho_{\text {NIR }} [32]
SI (7) ( ( ρ NIR × ρ R ) − ( ρ SWIR1 0.5 − ρ SWIR2 0.5 ) ) / ( ( ρ B 2 × ρ G 2 ) + ( ρ SWIR1 0.5 − ρ SWIR2 0.5 ) ) ρ NIR  × ρ R  − ρ SWIR1  0.5 − ρ SWIR2  0.5 / ρ B 2 × ρ G 2 + ρ SWIR1  0.5 − ρ SWIR2  0.5 ((rho_("NIR ")xxrho_("R "))-(rho_("SWIR1 ")^(0.5)-rho_("SWIR2 ")^(0.5)))//((rho_(B)^(2)xxrho_(G)^(2))+(rho_("SWIR1 ")^(0.5)-rho_("SWIR2 ")^(0.5)))\left(\left(\rho_{\text {NIR }} \times \rho_{\text {R }}\right)-\left(\rho_{\text {SWIR1 }}{ }^{0.5}-\rho_{\text {SWIR2 }}{ }^{0.5}\right)\right) /\left(\left(\rho_{\mathrm{B}}{ }^{2} \times \rho_{\mathrm{G}}{ }^{2}\right)+\left(\rho_{\text {SWIR1 }}{ }^{0.5}-\rho_{\text {SWIR2 }}{ }^{0.5}\right)\right) [23]
SI (I) ρ B / ρ R ρ B / ρ R rho_(B)//rho_(R)\rho_{\mathrm{B}} / \rho_{\mathrm{R}} [36]
  SI（II） ( ρ B − ρ R ) / ( ρ B + ρ R ) ρ B − ρ R / ρ B + ρ R (rho_(B)-rho_(R))//(rho_(B)+rho_(R))\left(\rho_{\mathrm{B}}-\rho_{\mathrm{R}}\right) /\left(\rho_{\mathrm{B}}+\rho_{\mathrm{R}}\right) [36]
  SI（III） ρ G × ρ R / ρ B ρ G × ρ R / ρ B rho_(G)xxrho_(R)//rho_(B)\rho_{\mathrm{G}} \times \rho_{\mathrm{R}} / \rho_{\mathrm{B}} [36]
SI (IV) ρ R × ρ NIR / ρ G ρ R × ρ NIR / ρ G rho_(R)xxrho_(NIR)//rho_(G)\rho_{\mathrm{R}} \times \rho_{\mathrm{NIR}} / \rho_{\mathrm{G}} [36]
SI (IV) ρ B × ρ R / ρ G ρ B × ρ R / ρ G rho_(B)xxrho_(R)//rho_(G)\rho_{\mathrm{B}} \times \rho_{\mathrm{R}} / \rho_{\mathrm{G}} [36]
ESRI ρ G 2 / ρ B × ρ SWIR 1 ρ G 2 / ρ B × ρ SWIR  1 rho_(G)^(2)//rho_(B)xxrho_("SWIR "1)\rho_{\mathrm{G}}{ }^{2} / \rho_{\mathrm{B}} \times \rho_{\text {SWIR } 1} [37]
CRSI ( ( ρ NIR × ρ R − ρ G × ρ B ) / ( ρ NIR × ρ R + ρ G × ρ B ) ) 0.5 ρ NIR  × ρ R − ρ G × ρ B / ρ NIR  × ρ R + ρ G × ρ B 0.5 ((rho_("NIR ")xxrho_(R)-rho_(G)xxrho_(B))//(rho_("NIR ")xxrho_(R)+rho_(G)xxrho_(B)))^(0.5)\left(\left(\rho_{\text {NIR }} \times \rho_{\mathrm{R}}-\rho_{\mathrm{G}} \times \rho_{\mathrm{B}}\right) /\left(\rho_{\text {NIR }} \times \rho_{\mathrm{R}}+\rho_{\mathrm{G}} \times \rho_{\mathrm{B}}\right)\right)^{0.5} [38]
  土壤指标 CI ρ SWIR1 / ρ SWIR2 ρ SWIR1  / ρ SWIR2  rho_("SWIR1 ")//rho_("SWIR2 ")\rho_{\text {SWIR1 }} / \rho_{\text {SWIR2 }} [39]
GI ( ρ SWIR 1 − ρ SWIR 2 ) / ( ρ SWIR 1 + ρ SWIR 2 ) ρ SWIR  1 − ρ SWIR  2 / ρ SWIR  1 + ρ SWIR  2 (rho_("SWIR "1)-rho_("SWIR "2))//(rho_("SWIR "1)+rho_("SWIR "2))\left(\rho_{\text {SWIR } 1}-\rho_{\text {SWIR } 2}\right) /\left(\rho_{\text {SWIR } 1}+\rho_{\text {SWIR } 2}\right) [40]
BI ( ρ G 2 + ρ B 2 ) 0.5 ρ G 2 + ρ B 2 0.5 (rho_(G)^(2)+rho_(B)^(2))^(0.5)\left(\rho_{\mathrm{G}}{ }^{2}+\rho_{\mathrm{B}}{ }^{2}\right)^{0.5} [31]
NMDI ρ NIR − ( ρ SWIR 1 − ρ SWIR2 ) / ρ NIR + ( ρ SWIR1 − ρ SWIR2 ) ρ NIR  − ρ SWIR  1 − ρ SWIR2  / ρ NIR  + ρ SWIR1  − ρ SWIR2  rho_("NIR ")-(rho_("SWIR "1)-rho_("SWIR2 "))//rho_("NIR ")+(rho_("SWIR1 ")-rho_("SWIR2 "))\rho_{\text {NIR }}-\left(\rho_{\text {SWIR } 1}-\rho_{\text {SWIR2 }}\right) / \rho_{\text {NIR }}+\left(\rho_{\text {SWIR1 }}-\rho_{\text {SWIR2 }}\right) [41]
Types Indices Formula References Vegetation Indices NDVI (rho_("NIR ")-rho_(R))//(rho_("NIR ")+rho_(R)) [24] SAVI 2(rho_("NIR ")-rho_(R))//(rho_("NIR ")+rho_(R)+1) [25] VSSI 2rho_(G)-5(rho_(R)+rho_("NIR ")) [26] EVI 2.5(rho_("NIR ")-rho_(R))//(rho_("NIR ")+6rho_(R)+7.5rho_(B)+1) [27] NLVI (rho_("NIR ")^(2)-rho_(R))//(rho_("NIR "^(2))+rho_(R)) [28] DVI rho_("NIR ")-rho_("R ") [29] GRVI rho_("NIR ")//rho_(G) [30] Salinity Indices SIT (rho_(R)//rho_("NIR "))100 [31] SI (rho_(B)xxrho_(R))^(0.5) [32] SI (1) (rho_(G)xxrho_(R))^(0.5) [33] SI (2) (rho_(G)^(2)+rho_(R)^(2)+rho_(NIR^(2)))^(0.5) [34] SI (3) (rho_(G)^(2)+rho_("NIR ")^(2))^(0.5) [35] SI (4) rho_("SWIR1 ")//rho_("NIR ") [32] SI (7) ((rho_("NIR ")xxrho_("R "))-(rho_("SWIR1 ")^(0.5)-rho_("SWIR2 ")^(0.5)))//((rho_(B)^(2)xxrho_(G)^(2))+(rho_("SWIR1 ")^(0.5)-rho_("SWIR2 ")^(0.5))) [23] SI (I) rho_(B)//rho_(R) [36] SI (II) (rho_(B)-rho_(R))//(rho_(B)+rho_(R)) [36] SI (III) rho_(G)xxrho_(R)//rho_(B) [36] SI (IV) rho_(R)xxrho_(NIR)//rho_(G) [36] SI (IV) rho_(B)xxrho_(R)//rho_(G) [36] ESRI rho_(G)^(2)//rho_(B)xxrho_("SWIR "1) [37] CRSI ((rho_("NIR ")xxrho_(R)-rho_(G)xxrho_(B))//(rho_("NIR ")xxrho_(R)+rho_(G)xxrho_(B)))^(0.5) [38] Soil Indices CI rho_("SWIR1 ")//rho_("SWIR2 ") [39] GI (rho_("SWIR "1)-rho_("SWIR "2))//(rho_("SWIR "1)+rho_("SWIR "2)) [40] BI (rho_(G)^(2)+rho_(B)^(2))^(0.5) [31] NMDI rho_("NIR ")-(rho_("SWIR "1)-rho_("SWIR2 "))//rho_("NIR ")+(rho_("SWIR1 ")-rho_("SWIR2 ")) [41]| Types | Indices | Formula | References | | :--- | :--- | :--- | :--- | | Vegetation Indices | NDVI | $\left(\rho_{\text {NIR }}-\rho_{R}\right) /\left(\rho_{\text {NIR }}+\rho_{R}\right)$ | [24] | | | SAVI | $2\left(\rho_{\text {NIR }}-\rho_{\mathrm{R}}\right) /\left(\rho_{\text {NIR }}+\rho_{\mathrm{R}}+1\right)$ | [25] | | | VSSI | $2 \rho_{\mathrm{G}}-5\left(\rho_{\mathrm{R}}+\rho_{\text {NIR }}\right)$ | [26] | | | EVI | $2.5\left(\rho_{\text {NIR }}-\rho_{\mathrm{R}}\right) /\left(\rho_{\text {NIR }}+6 \rho_{\mathrm{R}}+7.5 \rho_{\mathrm{B}}+1\right)$ | [27] | | | NLVI | $\left(\rho_{\text {NIR }}{ }^{2}-\rho_{R}\right) /\left(\rho_{\text {NIR }^{2}}+\rho_{R}\right)$ | [28] | | | DVI | $\rho_{\text {NIR }}-\rho_{\text {R }}$ | [29] | | | GRVI | $\rho_{\text {NIR }} / \rho_{\mathrm{G}}$ | [30] | | Salinity Indices | SIT | $\left(\rho_{\mathrm{R}} / \rho_{\text {NIR }}\right) 100$ | [31] | | | SI | $\left(\rho_{\mathrm{B}} \times \rho_{\mathrm{R}}\right)^{0.5}$ | [32] | | | SI (1) | $\left(\rho_{\mathrm{G}} \times \rho_{\mathrm{R}}\right)^{0.5}$ | [33] | | | SI (2) | $\left(\rho_{\mathrm{G}}{ }^{2}+\rho_{\mathrm{R}}{ }^{2}+\rho_{\mathrm{NIR}^{2}}\right)^{0.5}$ | [34] | | | SI (3) | $\left(\rho_{\mathrm{G}}{ }^{2}+\rho_{\text {NIR }}{ }^{2}\right)^{0.5}$ | [35] | | | SI (4) | $\rho_{\text {SWIR1 }} / \rho_{\text {NIR }}$ | [32] | | | SI (7) | $\left(\left(\rho_{\text {NIR }} \times \rho_{\text {R }}\right)-\left(\rho_{\text {SWIR1 }}{ }^{0.5}-\rho_{\text {SWIR2 }}{ }^{0.5}\right)\right) /\left(\left(\rho_{\mathrm{B}}{ }^{2} \times \rho_{\mathrm{G}}{ }^{2}\right)+\left(\rho_{\text {SWIR1 }}{ }^{0.5}-\rho_{\text {SWIR2 }}{ }^{0.5}\right)\right)$ | [23] | | | SI (I) | $\rho_{\mathrm{B}} / \rho_{\mathrm{R}}$ | [36] | | | SI (II) | $\left(\rho_{\mathrm{B}}-\rho_{\mathrm{R}}\right) /\left(\rho_{\mathrm{B}}+\rho_{\mathrm{R}}\right)$ | [36] | | | SI (III) | $\rho_{\mathrm{G}} \times \rho_{\mathrm{R}} / \rho_{\mathrm{B}}$ | [36] | | | SI (IV) | $\rho_{\mathrm{R}} \times \rho_{\mathrm{NIR}} / \rho_{\mathrm{G}}$ | [36] | | | SI (IV) | $\rho_{\mathrm{B}} \times \rho_{\mathrm{R}} / \rho_{\mathrm{G}}$ | [36] | | | ESRI | $\rho_{\mathrm{G}}{ }^{2} / \rho_{\mathrm{B}} \times \rho_{\text {SWIR } 1}$ | [37] | | | CRSI | $\left(\left(\rho_{\text {NIR }} \times \rho_{\mathrm{R}}-\rho_{\mathrm{G}} \times \rho_{\mathrm{B}}\right) /\left(\rho_{\text {NIR }} \times \rho_{\mathrm{R}}+\rho_{\mathrm{G}} \times \rho_{\mathrm{B}}\right)\right)^{0.5}$ | [38] | | Soil Indices | CI | $\rho_{\text {SWIR1 }} / \rho_{\text {SWIR2 }}$ | [39] | | | GI | $\left(\rho_{\text {SWIR } 1}-\rho_{\text {SWIR } 2}\right) /\left(\rho_{\text {SWIR } 1}+\rho_{\text {SWIR } 2}\right)$ | [40] | | | BI | $\left(\rho_{\mathrm{G}}{ }^{2}+\rho_{\mathrm{B}}{ }^{2}\right)^{0.5}$ | [31] | | | NMDI | $\rho_{\text {NIR }}-\left(\rho_{\text {SWIR } 1}-\rho_{\text {SWIR2 }}\right) / \rho_{\text {NIR }}+\left(\rho_{\text {SWIR1 }}-\rho_{\text {SWIR2 }}\right)$ | [41] |
NDVI：归一化植被指数；SAVI：土壤调节植被指数；VSSI：植被土壤盐分指数；EVI：增强型植被指数；NLVI：非线性植被指数；DVI：差异植被指数；GRVI：绿色比率植被指数；SI：盐分指数；ERSI：增强残留物土壤盐分指数；CRSI：冠层响应盐分指数；CI：粘土指数；GI：石膏指数；BI：亮度指数；NMDI：归一化多波段干旱指数。

2.2.4. 利用遥感技术改善农业实践

遥感系统在精准农业应用中发挥着重要作用。例如，Sadeghi 等人[42]应用 Sentinel-2 和 Landsat-8 数据来改进水资源管理。在一项相关研究中，他们研究了利用 Landsat 8 图像监测植被对干旱条件的时空响应。遥感技术也被用于疾病和害虫监测。通过这种方式，Sahabiev 等人[43]利用 Sentinel-2 和 Landsat-8 数据的信息来预测农用化学品特性。此外，遥感数据主要用于精准农业领域中监测作物生长和产量[44,45]。最近，Mirzaee 和 Nafchi[46]提出了一种创新方法来评估作物的氮需求。该方法利用 Sentinel-2 数据监测和检测作物对施用氮的响应。通过整合富氮生物传感点（NRBSs）和遥感数据，该方法表现出较高的性能。该方法有望提高作物产量，优化氮肥投入，并减少环境影响。

2.3. 现代农业中技术的应用

2.3.1. 人工智能在预测分析和决策中的应用

人工智能（AI）在农业领域代表着向更加数据驱动方法的转变，提升了生产力和可持续性。通过分析农场运营和环境条件的数据，智能系统提供预测性见解并支持自动化决策。这项技术有助于优化包括种植、灌溉、收获和病虫害管理在内的众多农业操作。表 2 列出了现代农业中使用的尖端技术及其用途、局限性和挑战。
表2. 现代农业中使用的先进技术汇总。
  序号   技术   应用 限制与挑战   参考文献
1. 人工智能（AI）
- 作物预测建模 - 害虫和疾病预测 - 土壤健康分析 - 自动化机械
- Predictive crop modeling - Pest and disease prediction - Soil health analysis - Automated machinery| - Predictive crop modeling | | :--- | | - Pest and disease prediction | | - Soil health analysis | | - Automated machinery |
 ✓ ✓ ✓\checkmark 实时数据集可用性的限制 [47-50]
✓ ✓ ✓\checkmark 缺乏数据集标准
✓ ✓ ✓\checkmark 近距离捕捉数据
✓ ✓ ✓\checkmark 识别细微症状
✓ ✓ ✓\checkmark 图像质量和光照的差异
✓ ✓ ✓\checkmark 疾病发展及各类别间的相似性
✓ ✓ ✓\checkmark 大数据集的计算难题
✓ ✓ ✓\checkmark 多模态数据的整合
2. 深度学习（DL）和机器学习（ML）模型
- 作物产量预测 - 病虫害检测 - 杂草识别与管理 - 精准灌溉管理 - 养分管理 - 作物品种选择 - 智能收割与优化：
- Crop yield prediction - Disease and pest detection - Weed identification and management - Precision irrigation management - Nutrient management - Crop variety selection - Intelligent harvesting and optimization:| - Crop yield prediction | | :--- | | - Disease and pest detection | | - Weed identification and management | | - Precision irrigation management | | - Nutrient management | | - Crop variety selection | | - Intelligent harvesting and optimization: |
 ✓ ✓ ✓\checkmark 模型失败是由小数据集引起的；多样化的真实世界田间图像至关重要 [51,52]
✓ ✓ ✓\checkmark 准确性和运行时间受输入的大小和类型影响（例如，背景去除、植被指数）
✓ ✓ ✓\checkmark 成本高、耗时且专业；需要对无监督技术进行研究
✓ ✓ ✓\checkmark 准确性和推理时间存在权衡；特定场地的数据集需要重新训练
✓ ✓ ✓\checkmark 处理开销大且依赖超参数调整
✓ ✓ ✓\checkmark 轻量级模型和边缘设备是模型的有吸引力的替代方案，而模型通常不切实际
✓ ✓ ✓\checkmark 需要农民的知识；通过物联网和强化学习可能实现自动化
S. No Technology Applications Limitations and Challenges References 1. Artificial intelligence (AI) "- Predictive crop modeling - Pest and disease prediction - Soil health analysis - Automated machinery" ✓ Limitations in real-time dataset availability [47-50] ✓ Absence of dataset standards ✓ Capturing data at close range ✓ Recognizing small symptoms ✓ Differences in image quality and lighting ✓ Disease development and similarities across classes ✓ Computational difficulties with big datasets ✓ Combining multimodal data 2. Deep learning (DL) and machine learning (ML) models "- Crop yield prediction - Disease and pest detection - Weed identification and management - Precision irrigation management - Nutrient management - Crop variety selection - Intelligent harvesting and optimization:" ✓ Model failures are caused by small datasets; varied, real-world field images are crucial [51,52] ✓ Accuracy and runtime are impacted by the size and type of input (e.g., background removal, vegetation indices) ✓ Costly, time-consuming, and specialized; unsupervised techniques require investigation ✓ Accuracy and inference time are traded off; site-specific datasets require retraining ✓ High processing overhead and reliance on hyperparameter adjustment ✓ Lightweight models and edge devices are attractive alternatives to models, which are frequently impractical ✓ Farmer knowledge is required; automation may be possible with IoT and reinforcement learning | S. No | Technology | Applications | | Limitations and Challenges | References | | :--- | :--- | :--- | :--- | :--- | :--- | | 1. | Artificial intelligence (AI) | - Predictive crop modeling <br> - Pest and disease prediction <br> - Soil health analysis <br> - Automated machinery | | $\checkmark$ Limitations in real-time dataset availability | [47-50] | | | | | $\checkmark$ | Absence of dataset standards | | | | | | $\checkmark$ | Capturing data at close range | | | | | | $\checkmark$ | Recognizing small symptoms | | | | | | $\checkmark$ | Differences in image quality and lighting | | | | | | $\checkmark$ | Disease development and similarities across classes | | | | | | $\checkmark$ | Computational difficulties with big datasets | | | | | | $\checkmark$ | Combining multimodal data | | | 2. | Deep learning (DL) and machine learning (ML) models | - Crop yield prediction <br> - Disease and pest detection <br> - Weed identification and management <br> - Precision irrigation management <br> - Nutrient management <br> - Crop variety selection <br> - Intelligent harvesting and optimization: | $\checkmark$ | Model failures are caused by small datasets; varied, real-world field images are crucial | [51,52] | | | | | $\checkmark$ | Accuracy and runtime are impacted by the size and type of input (e.g., background removal, vegetation indices) | | | | | | $\checkmark$ | Costly, time-consuming, and specialized; unsupervised techniques require investigation | | | | | | $\checkmark$ | Accuracy and inference time are traded off; site-specific datasets require retraining | | | | | | $\checkmark$ | High processing overhead and reliance on hyperparameter adjustment | | | | | | $\checkmark$ | Lightweight models and edge devices are attractive alternatives to models, which are frequently impractical | | | | | | $\checkmark$ | Farmer knowledge is required; automation may be possible with IoT and reinforcement learning | |
  表2. 续
  序号   技术   应用 局限性与挑战   参考文献
3. 物联网（IoT）
- 灌溉监测与控制 - 土壤监测 - 温度与湿度监测 - 动物监测与追踪 - 水质监测与疾病控制 - 空气监测 - 施肥监测
- Irrigation monitoring and control - Soil monitoring - Temperature and humidity monitoring - Animal monitoring and tracking - Water monitoring and controlling disease monitoring - Air monitoring - Fertilization monitoring| - Irrigation monitoring and control | | :--- | | - Soil monitoring | | - Temperature and humidity monitoring | | - Animal monitoring and tracking | | - Water monitoring and controlling disease monitoring | | - Air monitoring | | - Fertilization monitoring |
✓ ✓ ✓\checkmark 数据的收集、存储、处理和传输对基于物联网的农业构成安全威胁 ✓ ✓ ✓\checkmark 信号干扰通过干扰通信、GPS 和远程监控导致效率低下和经济损失 ✓ ✓ ✓\checkmark 节点捕获和故障损害决策、准确性和数据可靠性 ✓ ✓ ✓\checkmark 对数据传输的攻击导致监视、窃取或错误的农业决策 ✓ ✓ ✓\checkmark 为了预防，强有力的措施如加密、认证、监控和系统更新非常重要
✓ The gathering, storing, processing, and transfer of data pose security threats to IoT-based agriculture ✓ Signal jamming causes inefficiencies and economic losses by interfering with communication, GPS, and remote monitoring ✓ Decision-making, accuracy, and data dependability are all harmed by node capture and outages ✓ Attacks on data transmission lead to surveillance, theft, or poor farming decisions ✓ For prevention, strong procedures like encryption, authentication, monitoring, and system updates are important| $\checkmark$ The gathering, storing, processing, and transfer of data pose security threats to IoT-based agriculture | | :--- | | $\checkmark$ Signal jamming causes inefficiencies and economic losses by interfering with communication, GPS, and remote monitoring | | $\checkmark$ Decision-making, accuracy, and data dependability are all harmed by node capture and outages | | $\checkmark$ Attacks on data transmission lead to surveillance, theft, or poor farming decisions | | $\checkmark$ For prevention, strong procedures like encryption, authentication, monitoring, and system updates are important |
 [53,54]
4. 变速率技术（VRT）：基于地图和传感器的技术
- 变速率施肥 - 变速率播种 - 变速率灌溉：
- Variable-rate fertilization - Variable-rate seeding - Variable-rate irrigation:| - Variable-rate fertilization | | :--- | | - Variable-rate seeding | | - Variable-rate irrigation: |
 ✓ ✓ ✓\checkmark ✓ ✓ ✓quad\checkmark \quad 年轻农民比年长农民更有可能使用可变速率技术（VRTs），且采用决策基于农场经济；农民更重视盈利能力 [55]
S. No Technology Applications Limitations and Challenges References 3. Internet of thing (IoT) "- Irrigation monitoring and control - Soil monitoring - Temperature and humidity monitoring - Animal monitoring and tracking - Water monitoring and controlling disease monitoring - Air monitoring - Fertilization monitoring" "✓ The gathering, storing, processing, and transfer of data pose security threats to IoT-based agriculture ✓ Signal jamming causes inefficiencies and economic losses by interfering with communication, GPS, and remote monitoring ✓ Decision-making, accuracy, and data dependability are all harmed by node capture and outages ✓ Attacks on data transmission lead to surveillance, theft, or poor farming decisions ✓ For prevention, strong procedures like encryption, authentication, monitoring, and system updates are important" [53,54] 4. Variable-rate technology (VRT): map-based and sensor-based techniques "- Variable-rate fertilization - Variable-rate seeding - Variable-rate irrigation:" ✓ ✓quad Younger farmers are more likely than older farmers to use VRTs, and adoption decisions are based on farm economics; farmers place a higher priority on profitability [55]| S. No | Technology | Applications | | Limitations and Challenges | References | | :--- | :--- | :--- | :--- | :--- | :--- | | 3. | Internet of thing (IoT) | - Irrigation monitoring and control <br> - Soil monitoring <br> - Temperature and humidity monitoring <br> - Animal monitoring and tracking <br> - Water monitoring and controlling disease monitoring <br> - Air monitoring <br> - Fertilization monitoring | | $\checkmark$ The gathering, storing, processing, and transfer of data pose security threats to IoT-based agriculture <br> $\checkmark$ Signal jamming causes inefficiencies and economic losses by interfering with communication, GPS, and remote monitoring <br> $\checkmark$ Decision-making, accuracy, and data dependability are all harmed by node capture and outages <br> $\checkmark$ Attacks on data transmission lead to surveillance, theft, or poor farming decisions <br> $\checkmark$ For prevention, strong procedures like encryption, authentication, monitoring, and system updates are important | [53,54] | | 4. | Variable-rate technology (VRT): map-based and sensor-based techniques | - Variable-rate fertilization <br> - Variable-rate seeding <br> - Variable-rate irrigation: | $\checkmark$ | $\checkmark \quad$ Younger farmers are more likely than older farmers to use VRTs, and adoption decisions are based on farm economics; farmers place a higher priority on profitability | [55] |
  • 作物预测建模
智能算法结合实时环境因素和历史数据，估算作物产量、生长模式以及最佳播种和收获时期。这些模型通过预测市场需求和天气状况，帮助农民做出明智选择。利用神经网络、决策树和支持向量机等先进算法，现代预测作物模型分析包括天气、土壤状况、作物类型和历史产量数据在内的多种数据来源（见图3）。所述模型的性能评估参数及其说明列于表3。
图3. 基于人工智能的作物分析与预测。
表3. 人工智能模型的性能评估数学参数及其描述。
  模型 性能分析参数   描述   参考文献
支持向量机（SVM） 准确率 = = =quad=\quad TP + TN，其中 TP = = == 真阳性，TN = = == 真阴性，FP = 假阳性，FN = 假阴性 SVM 寻找最大化类别间间隔的超平面。它使用铰链损失来剔除错误分类。 [56]
K-近邻算法（KNN）   准确率 = Correct Predictions Total predictions =  Correct Predictions   Total predictions  =(" Correct Predictions ")/(" Total predictions ")=\frac{\text { Correct Predictions }}{\text { Total predictions }} KNN 使用其邻居的认可度来对数据点进行分类。性能受到 K 值选择的强烈影响。 [57]
  决策树（DT） 基尼指数 = 1 − ∑ i C p 2 = 1 − ∑ i C   p 2 =1-sum_(i)^(C)p^(2)=1-\sum_{i}^{C} p^{2} 其中 p p pp 是属于类别 i 的样本比例 为了减少不纯度（如基尼指数或熵），决策树根据特征阈值划分数据 [58]
  随机森林（RF） 准确率 = 1 T ∑ i = 1 T = 1 T ∑ i = 1 T   =(1)/(T)sum_(i=1)^(T)=\frac{1}{T} \sum_{i=1}^{T} 准确率 t t _(t)_{t} 其中 T 是树的数量 随机森林通过集成多个决策树的预测结果来提高预测准确性并减少过拟合 [59]
人工神经网络（ANN）   准确率 = Correct Predictions Total predictions =  Correct Predictions   Total predictions  =(" Correct Predictions ")/(" Total predictions ")=\frac{\text { Correct Predictions }}{\text { Total predictions }} 人工神经网络使用多层神经元将输入映射到输出，通过带有可微分损失函数（如交叉熵）的反向传播算法优化权重 [60]
  朴素贝叶斯 后验概率， P ( y ∣ X ) = P ( y ∣ X ) = P(y∣X)=\mathrm{P}(\mathrm{y} \mid \mathrm{X})= P ( X ) P ( X ∣ y ) P ( y ) P ( X ) P ( X ∣ y ) P ( y ) P(X)P(X∣y)P(y)\mathrm{P}(\mathrm{X}) \mathrm{P}(\mathrm{X} \mid \mathrm{y}) \mathrm{P}(\mathrm{y}) P ( yi ∣ Xi ) P ( yi ∣ Xi ) P(yi∣Xi)\mathrm{P}(\mathrm{yi} \mid \mathrm{Xi}) ：第 i 个数据点属于类别 yi 的后验概率 朴素贝叶斯模型消除了复杂的联合概率计算；它们简化了计算，尤其在独立性条件大致成立时非常有用 [61]
长短期记忆网络（LSTM）
MSE = 1 N ∑ i = 1 N ( y i − y ^ i ) 2  MSE  = 1 N ∑ i = 1 N   ( y i − y ^ i ) 2 " MSE "=(1)/(N)sum_(i=1)^(N)(yi- hat(y)i)^(2)\text { MSE }=\frac{1}{N} \sum_{i=1}^{N}(y i-\hat{y} i)^{2}
N：数据集中观测值的总数。i：单个数据点的索引。yi：真实标签。yíi：预测值
" MSE "=(1)/(N)sum_(i=1)^(N)(yi- hat(y)i)^(2) N : Total number of observations in the dataset. i: Index for individual data points. yi: True label. yíi: Predicted value| $\text { MSE }=\frac{1}{N} \sum_{i=1}^{N}(y i-\hat{y} i)^{2}$ | | :--- | | N : Total number of observations in the dataset. i: Index for individual data points. yi: True label. yíi: Predicted value |
 LSTM 是一种循环神经网络，通过使用门控机制（遗忘门、输入门和输出门）来捕捉序列数据中的时间依赖性。 [62]
Model Performance Analysis Parameter Description References Support Vector Machine (SVM) Accuracy =quad TP + TN where TP = True Positives, TN = True Negatives, FP = False Positives, FN = False Negatives SVM finds the hyperplane that maximizes the margin between classes. It uses hinge loss to discard the incorrect classifications. [56] K-Nearest Neighbors (KNN) Accuracy =(" Correct Predictions ")/(" Total predictions ") KNN uses its neighbors' approval rating to classify a data point. Performance is strongly impacted by KNN selection. [57] Decision Tree (DT) Gini Index =1-sum_(i)^(C)p^(2) where p is the proportion of samples belonging to class i To reduce the impurity (such as Gini or entropy), decision trees divide data according to feature thresholds [58] Random Forest (RF) Accuracy =(1)/(T)sum_(i=1)^(T) Accuracy _(t) where T is the number of trees Random Forest combines predictions using an ensemble of decision trees to increase prediction accuracy and decrease overfitting [59] Artificial Neural Network (ANN) Accuracy =(" Correct Predictions ")/(" Total predictions ") An ANN uses layers of neurons to map inputs to outputs, optimizing weights by backpropagation with a differentiable loss function, such as cross-entropy [60] Naïve Bayes Posterior Probability, P(y∣X)= P(X)P(X∣y)P(y) P(yi∣Xi) : Posterior probability of the i-th data point being in class yi Naïve Bayes models eliminate complicated joint probability computations; they simplify calculations and are especially useful when the independence condition is roughly valid [61] Long Short-Term Memory (LSTM) "" MSE "=(1)/(N)sum_(i=1)^(N)(yi- hat(y)i)^(2) N : Total number of observations in the dataset. i: Index for individual data points. yi: True label. yíi: Predicted value" Temporal dependencies in sequential data are captured by LSTM, a recurrent neural network that utilizes gates (forget, input, and output) [62]| Model | Performance Analysis Parameter | Description | References | | :--- | :--- | :--- | :--- | | Support Vector Machine (SVM) | Accuracy $=\quad$ TP + TN where TP $=$ True Positives, TN $=$ True Negatives, FP = False Positives, FN = False Negatives | SVM finds the hyperplane that maximizes the margin between classes. It uses hinge loss to discard the incorrect classifications. | [56] | | K-Nearest Neighbors (KNN) | Accuracy $=\frac{\text { Correct Predictions }}{\text { Total predictions }}$ | KNN uses its neighbors' approval rating to classify a data point. Performance is strongly impacted by KNN selection. | [57] | | Decision Tree (DT) | Gini Index $=1-\sum_{i}^{C} p^{2}$ where $p$ is the proportion of samples belonging to class i | To reduce the impurity (such as Gini or entropy), decision trees divide data according to feature thresholds | [58] | | Random Forest (RF) | Accuracy $=\frac{1}{T} \sum_{i=1}^{T}$ Accuracy $_{t}$ where T is the number of trees | Random Forest combines predictions using an ensemble of decision trees to increase prediction accuracy and decrease overfitting | [59] | | Artificial Neural Network (ANN) | Accuracy $=\frac{\text { Correct Predictions }}{\text { Total predictions }}$ | An ANN uses layers of neurons to map inputs to outputs, optimizing weights by backpropagation with a differentiable loss function, such as cross-entropy | [60] | | Naïve Bayes | Posterior Probability, $\mathrm{P}(\mathrm{y} \mid \mathrm{X})=$ $\mathrm{P}(\mathrm{X}) \mathrm{P}(\mathrm{X} \mid \mathrm{y}) \mathrm{P}(\mathrm{y})$ $\mathrm{P}(\mathrm{yi} \mid \mathrm{Xi})$ : Posterior probability of the i-th data point being in class yi | Naïve Bayes models eliminate complicated joint probability computations; they simplify calculations and are especially useful when the independence condition is roughly valid | [61] | | Long Short-Term Memory (LSTM) | $\text { MSE }=\frac{1}{N} \sum_{i=1}^{N}(y i-\hat{y} i)^{2}$ <br> N : Total number of observations in the dataset. i: Index for individual data points. yi: True label. yíi: Predicted value | Temporal dependencies in sequential data are captured by LSTM, a recurrent neural network that utilizes gates (forget, input, and output) | [62] |
这些模型不仅预测预期产量，还根据当地土壤和气候条件建议最佳的种植和收获日期。文献中强调了该领域的显著进展。例如，Kheir 等人[63]表明卷积神经网络在预测美国中西部小麦产量方面显著优于传统技术。另一个例子是 Griffin 等人[64]的研究，显示通过集成学习结合多个预测模型，可以提高在不同环境条件下预测的可靠性。然而，预测作物模型面临多种挑战，这些挑战可能影响其准确性和应用。可用数据的质量和数量至关重要；数据不足，尤其是在欠发达农业地区，是重大障碍。此外，这些模型需要定期更新和校准，以在不断变化的气候条件和农业实践中保持有效[65]。
预测作物模型有望随着更详细的环境数据整合和人工智能模型解释性的增强而发展。未来可能会结合高分辨率卫星影像和先进传感器，以收集详细的土壤和小气候数据。同时，越来越多的关注点集中在开发将人工智能与传统农艺知识相结合的混合模型，以改进决策过程[66,67]。
  • 害虫和疾病预测
智能系统通过识别和清除杂草、预测植物病害症状以及推荐有效的害虫管理策略，实现了先进的农业实践。它们有助于灌溉调度、施肥时机安排，并预测农艺投入的最佳组合。这些技术还可以预测最佳收获时间并实现收割过程的自动化[68]。预测分析有潜力彻底改变农业行业，收集和分析的数据量比以往任何时候都多。价格预测、市场需求分析和最优
种植和收获时间表只是可以通过智能工具解决的几个主要问题之一[69]。智能技术还帮助根据成熟度对农产品进行分拣，提升质量控制。先进的田间管理利用无人机和航空设备的高分辨率图像进行实时预测，帮助创建田地和饲料地图，指示作物在哪些地方需要调整农药、肥料或水的施用。认知系统提供有关种子选择、天气预报、土壤状况和害虫活动的有价值见解，针对每个地点量身定制，提高农业精准度[70]。
  •   土壤健康分析
在农业中，智能系统通过利用来自多个来源的数据，如卫星成像、无人机和埋在地下的传感器，显著提升了土壤健康评估的准确性。为了发现营养不足和土壤缺陷，这些技术分析了多种数据，如温度、含水量、养分含量、土壤状况和作物表现。这使得定制化的灌溉和施肥方案成为可能，从而提升作物健康和土壤肥力，同时指导精准的土壤管理技术。通过根据实时的害虫活动调整处理措施，机器学习算法在优化资源利用（包括农药和除草剂的使用）方面发挥了重要作用，从而提高了可持续性和生产力。这些系统还预测全球灾害和环境变化对农业的影响，促进了高效的资源管理和危机应对。除了简化农业操作外，这一全面的策略还支持长期的可持续发展目标[71-74]。
  •   资源优化
为了识别过度使用的模式并提出优化技术，智能系统会检查资源分配和消耗的数据。预防措施，如监控动物健康和设备性能，可以降低兽医护理和设备维护的成本。随着这些技术减少农业企业的开支并在不增加资源投入的情况下提高产量，盈利能力自然提升。可持续农业的目标是找到一种方法，满足全球的食品和纺织需求，同时不耗尽现有资源，也不让未来世代一无所有。通过利用智能系统，农民可以识别可持续的资源使用策略，以防止水资源短缺和土壤破坏。人工智能通过各种子领域和应用，提供了不同复杂度的程序和算法，为农业提供解决方案[75,76]。
  •   自动化机械
解决农业劳动力短缺的一个有前景的方案是实施智能系统、自动驾驶拖拉机和物联网。由于这些技术提高了精准度并减少了错误，它们还可以节省开支。在包括自动驾驶拖拉机在内的这些系统的交汇处，是精准农业。此外，机器人是一种快速发展的技术形式，能够处理如切割生菜和采摘水果蔬菜等劳动密集型工作。农场工人在某些方面优于机器人，他们可以更长时间工作，错误率更低，且更为精准。尽管农业数据丰富，但由于现实世界的复杂性，农业分析仍然困难。人工智能的创新有能力通过提供预测分析和深度数据洞察，彻底改变市场。对于任何组织来说，保持对行业最新发展的了解都非常具有挑战性。人工智能将加快并提升企业的决策过程。结合数据和机器学习方法可以帮助组织做出更好的预测，应对复杂的世界。

2.3.2. 利用机器学习和深度学习模型提升农业效率

深度学习和机器学习是人工智能的子领域，专注于开发能够识别模式、从数据中学习并在最少人工干预下形成判断的系统。机器学习处理数据，从中学习，并基于算法做出决策。深度学习受大脑神经网络的启发，擅长处理海量数据。通过图像识别技术，它常用于识别作物生长中的趋势和异常，预测虫害爆发，以及识别植物疾病。
  • 土壤性质和天气预测
预测土壤性质在农业中至关重要，因为它影响众多决策，包括作物选择、土地准备和施肥。由于这些特性与当地气候和地理密切相关，准确估计它们对于实施高效的农业方法至关重要。人类活动显著影响土壤质量，进而影响高效耕作的能力[77]。土壤健康由若干关键营养元素决定，列出了 17 种对植物生长至关重要的元素[78]。电学和电磁传感器是测量这些营养元素可用性的主要工具，帮助农民根据土壤独特的营养特征做出明智的作物生产决策。一项重要研究[79]中使用基于极限学习机（ELM）的回归模型预测了土壤表面湿度。该研究利用经过 SNAP 工具包预处理的极化 Radarsat-2 数据，在迪克勒大学的两个地块上进行。 在使用多种核函数进行评估时，ELM 模型表现出优异的准确性，尤其是在使用“正弦”核时，其均方根误差（RMSE）最低，为 2.19 % 2.19 % 2.19%2.19 \% 。Chowdary 等人[80]基于 ELM 的软传感器用于评估无土农业中营养液的成分，无土农业作为一种创新的农业技术正变得越来越流行。这种方法至关重要，因为无土栽培的性能在很大程度上依赖于对 pH 值、温度和养分浓度等变量的准确监测。该研究在预测营养液中硫酸盐和磷酸盐浓度方面取得了令人称赞的 RMSE 值。Park 等人[81]利用机器学习方法结合 MODIS 卫星数据改进了土壤水分预测。通过结合随机森林（RF）和 Cubist 算法，他们提高了土壤水分数据的准确性，优于传统统计技术。该方法表现出较高的决定系数（R2）为 0.96，RMSE 为 0.06，显著优于普通最小二乘法的结果。Reda 等人 [82] 利用机器学习结合近红外光谱技术估算摩洛哥农业用地的土壤有机碳（SOC）和总氮（TN），该方法比传统化学分析更快速且资源消耗更少。本研究中使用的集成学习模型表现优异，SOC 的 R2 达到 0.96，凸显了机器学习在预测关键土壤性质方面的有效性。Morellos 等人[83] 进一步展示了机器学习结合可见光和红外光谱技术对土壤特性的良好预测能力。最小二乘支持向量机（LS-SVM）和 Cubist 算法在他们的研究中优于传统多变量技术，能够准确预测 SOC、TN 和水分含量。Andrade 等人[84] 利用便携式 X 射线荧光（pXRF）光谱仪的信息，研究了多种机器学习模型以预测土壤特性。根据他们的研究，随机森林（RF）算法在预测 TN、土壤有机质和阳离子交换容量方面最为准确。Deiss 等人... [85] 证明了通过调整支持向量机（SVM）以利用中红外光谱数据预测土壤性质，可以显著提高多种土壤参数的准确性，如粘土、沙子、pH 值和土壤有机碳（SOC）。最后，针对
土壤水分这一关键方面，Stamenkovic 等人[86]和 Song 等人[87]利用机器学习算法可靠地预测了通过遥感检测的高光谱图像中的水分含量。这些模型，包括支持向量回归和基于深度学习的元胞自动机，表现出高性能，提供了精准灌溉调度的实用解决方案。这些研究共同展示了机器学习和深度学习技术如何革新农业土壤性质的监测与预测，实现更高效和可持续的耕作方式。
  •   作物产量预测
农民必须估算作物产量以提高农业产出和效率。天气模式（温度、湿度、降雨量和日照时长）、肥料、土壤类型和质量、pH 值以及收割计划是影响作物产量的一些变量[88]。这一过程强调了早期异常识别的重要性，以减少大规模产量损失；该过程呈现为一个反馈控制系统，在识别到作物生长中的问题时实施纠正措施。先进的机器学习算法在提升作物产量预测方面发挥了关键作用。例如，Peng 等人[89]利用遥感卫星的太阳诱导叶绿素荧光（SIF）数据训练机器学习模型（SVM、ANN、RF），以预测美国中西部的玉米和大豆产量。他们的研究结果表明，这些非线性算法在预测准确性方面优于 LASSO 和岭回归。同样，Khaki 等人 [90] 使用深度神经网络（DNN）预测了 2008 年至 2016 年间美国和加拿大多个地点的杂交玉米产量，取得了较低的均方根误差（RMSE），并强调了基因型、气候和土壤性质对产量准确性的影响。环境变量对作物产量预测的准确性有很大影响，这一点已被多项研究的模拟结果所证明。在非洲等田间数据有限的地区，遥感数据集对于监测和预测农业产量至关重要。蔡亚平等人[91]利用卫星和气候数据预测澳大利亚的小麦产量，显示气候数据相比卫星数据提供了独特的见解，相关系数约为 0.75。作物种植时间是影响生产力和经济效益的另一个关键因素。Gumuscu 等人[92]利用气候数据和遗传算法进行特征选择，研究了机器学习算法（kNN、SVM 和决策树）在预测土耳其小麦最佳种植时间方面的表现。研究表明，kNN 算法能够稳健地预测小麦种植日期。 深度学习技术也被应用于其他作物的产量预测。Nevavuori 等人[93]使用基于无人机搭载摄像头采集的 NDVI 和 RGB 数据集训练的卷积神经网络（CNN）对芬兰的小麦和大麦产量进行估算，其中 RGB 数据集的结果最为准确。在水果生产方面，Koirala 等人[94]回顾了 CNN 在水果检测和产量估算中的应用，强调了 CNN 在从图像中提取有用特征以进行目标检测和产量预测方面的实用性。Kuwata 等人[95]应用深度学习模型，特别是支持向量回归（SVR），结合玉米作物产量的 5 年移动平均值、MODIS 卫星数据的增强植被指数以及历史气候数据，估算伊利诺伊州的玉米产量。他们的模型通过 10 折交叉验证显示出较高的相关系数和均方根误差（RMSE）。类似地，Kulkarni 等人[96]使用循环神经网络（RNN）预测水稻产量，通过考察多种激活函数以提高预测准确性，并分析了涵盖 31 年的土壤特性、养分测量和历史降雨数据。 这些研究共同展示了机器学习和深度学习技术在准确预测作物产量方面的进展，这对于优化农业实践和提升全球粮食安全至关重要。
  • 生物和非生物胁迫检测
通过应用机器学习（ML）和深度学习（L），农业中对生物性（疾病和害虫）和非生物性（环境）压力的控制得到了极大改善。这一方法始于全面的数据收集，利用无人机和卫星的高分辨率图像，以及田间物联网设备的传感器数据，捕捉实时环境状况和历史农艺数据。这些数据集通过先进算法进行处理和分析：卷积神经网络（CNN）用于图像分析，以检测杂草侵染或疾病症状等问题，循环神经网络（RNN）则处理传感器的时间序列数据以识别环境模式。随后，集成的多模态数据被用于训练更复杂的模型，如多层感知器（MLP）或混合模型，实现预测分析。这些分析驱动决策支持系统，预测潜在的生物性和非生物性压力，并建议最佳农业实践，包括精准施肥和农药的时机与组合，以及高效的灌溉计划。学习模型能够利用超过 25,000 张照片对各种生物性和非生物性压力进行分类。 该方法具有出色的可靠性和对特定光照水平的适应能力，能够在实际场景中实现准确的压力管理。Wulandhari 等人[97]开发了一种深度卷积神经网络，利用作物图像来管理作物健康问题。该混合网络采用了一种称为 Inception-Resnet 架构的迁移学习方法，并使用 ImageNet 数据集进行训练。随后进行了调整超参数（如学习率和训练轮数）的实验。在训练和测试过程中，作者的准确率分别为 96 % 96 % 96%96 \% 和 86 % 86 % 86%86 \% 。Watchareeruetai 等人[98]利用 CNN 和图像分割，提出了一种检测和评估植物营养缺陷的新方法。收集了包含 3000 张叶片图像的数据集用于实验。使用实时营养管理环境验证了结果。在 Ghosal 等人[99]的研究中，通过破坏性采样，实地采集了表现出钾和铁等缺乏症状的大豆叶片，形成了一个包含 25000 张标注叶片图像的数据集。 研究人员使用卷积神经网络（CNN）分类器，在症状识别中实现了较高的准确率。他们基于机器视觉的方法为农业中早期压力症状的检测提供了一种快速且准确的手段，该方法对光照变化具有较强的适应性，且适合大规模应用。机器人平台也被用于实现植物病害识别的机器学习算法。例如，无人机（UAV）被用于识别柑橘黄化病，通过应用流行的机器学习技术如 K 近邻、线性支持向量机（SVM）、粗高斯 SVM、标准高斯 SVM 以及基础和高级决策树，确定了最佳模型。本文通过比较机器学习模型与流行的深度学习模型（如 AlexNet、ResNet-50、VGG-16 等）在健康叶片和病叶分类中的表现，填补了研究空白[100]。在草莓温室中，移动机器人利用支持向量机（SVM）算法识别疾病，结果显示预测误差显著降低[101]。另一项研究则使用单类分类器和局部二值模式对健康和病害葡萄叶进行了分类[102]。 此外，深度学习模型实现了收获过程的自动化和优化，预测最佳收获时间，并根据成熟度促进收获后农产品的分拣，从而提升市场准备度并减少损失。实时监测以及田间和饲料地图的创建，使得在不同田块区域进行精准的变量干预成为可能，确保资源的有效利用。该方法还结合了认知解决方案，分析土壤状况、天气预报和潜在的害虫威胁，为作物管理提供可操作的见解。通过反馈机制和迭代改进，这一方法不断完善，系统设计能够适应并从新数据和农民反馈中学习，以提高预测准确性和模型相关性。Sambasivam 等人[103]展示了使用卷积神经网络（CNN）模型进行检测的应用。
利用预处理的 1 万张标注图像数据集检测木薯作物中的病害，取得了较高的准确率。同样，Ramcharan 等人[104]使用深度卷积神经网络（CNN）通过包含 11,670 张图像的数据集识别木薯的病害和害虫，其效率通过混淆矩阵指标得到了显著验证。Mohanty 等人[105]利用深度 CNN 检测作物病害，训练数据集为大量由智能手机拍摄的病叶和健康叶图像，取得了高准确率和 F1 分数。Amara 等人[106]基于 LeNet 架构的 CNN 识别香蕉叶病害，获得了显著的 F1 分数；而 Dos Santos Ferreira 等人[107]则使用 CNN 结合无人机拍摄的图像和 SLIC 算法处理，实现了大豆作物中杂草的高精度识别。通过可靠的数据标注和模型选择，深度学习提升了混合种子检测与计数的准确性和效率。YOLOv5 模型使用五种不同种子类型的标注并通过佳能相机和 Robo-flow 平台增强的数据集进行训练，模型达到了 96.96 % 96.96 % 96.96%96.96 \% 召回率、 94.81 % 94.81 % 94.81%94.81 \% 精确率和 68.62 % 68.62 % 68.62%68.62 \% 平均精度均值（mAP）[108]。 该方法简化了种子计数，未来在精准农业和产量估算方面具有潜在应用。一种基于机器学习的设备利用光谱数据（特别是在680和760纳米处）和决策树分类器，准确检测并估算了番茄中花生芽坏死病毒的严重程度，准确率超过 93 % 93 % 93%93 \% 。该设备集成了光谱传感器和显示屏，提供实时的严重程度评估，实现了及时的病害管理，支持作物健康[109]。这些研究突显了机器学习和深度学习在提升病害检测和农业环境管理中的有效性，显著降低了传统农业实践相关的经济和环境成本。这种方法大幅提升了生产力、环境可持续性和经济可行性，同时满足了作物管理的紧迫需求，并通过精准农业技术推动了可持续农业实践的发展。
  • 智能收获技术
通过整合智能传感器、机器人、无人机、物联网设备以及基于机器学习和深度学习模型的计算机视觉技术，智能采摘技术正在通过减少人工劳动改变农业[110]。与传统技术相比，这些智能系统具有诸多优势，如降低劳动力成本、提高作物产量的准确性以及更经济的生产方式。这些系统不仅优化了采摘过程，还改善了采摘的质量和时机，确保作物在最佳状态下被采摘[111-113]。农业劳动力短缺，尤其是在日本，推动了机器人采摘系统的采用。例如，Sakai 等人[114]开发了一种基于机器视觉的芦笋采摘机器人，其作业速度是人工的三倍，利用激光传感器准确测量三维距离以实现高效采摘。其他作物也取得了类似进展；Monta 和 Namba[115,116]分别研究了用于番茄和草莓采摘的激光传感器和彩色摄像头，在作物处理和加工方面实现了显著效率提升。张等人 [117] 利用 Region-CNN 在苹果园中进行目标检测，帮助精准决定采摘时间。光谱和热成像的应用也支持水果和蔬菜的采摘检测与管理 ( [ 118 , 119 ] ) ( [ 118 , 119 ] ) ([118,119])([118,119]) 。先进的机器学习技术已针对各种采摘难题进行了专门定制。应用主成分分析可以区分机械采摘和未采摘的苹果，提升机械采摘的效率。同样，Pise 和 Upadhye [120] 实施了朴素贝叶斯和支持向量机算法对采摘的芒果进行分级，通过确保质量和成熟度分类来提高盈利能力。这些智能系统的有效性在为实际田间条件测试和开发的专用采摘机器人中得到了进一步体现。用于番茄采摘的机器人采用了 X-means 聚类算法，这是一种衍生于...
K-means 方法，用于提高成熟度识别[121]。径向基函数（RBF）支持向量机（SVM）成功应用于苹果识别，展示了这些系统在实际农场环境中的可行性[122]。此外，持续的研究不断探索和完善农业应用的机器学习模型。研究比较了各种机器学习算法，以优化水果识别和分类过程。例如，配备 SVM 和视点特征直方图（VFH）的拖拉机系统有效地定位和检测了西兰花，结合时间滤波后显示出显著的改进[123]。这些智能收获技术实现了精确的作物监测、最佳收获时机和高效的收获后处理，根本上推动了农业向更可持续和高产的方向转变。

2.3.3. 精准农业中的物联网（IoT）

基于物联网的不同农业应用在专业领域的主要目标包括追踪、监测和控制。这些应用主要分为以下几类：水质监测与控制（7%）、病害监测（5%）、空气监测（5%）、施肥监测（4%）、精准农业（16%）、土壤监测（13%）、温度监测（ 12 % 12 % 12%12 \% ）、湿度监测（ 11 % 11 % 11%11 \% ）、动物监测与追踪（ 11 % 11 % 11%11 \% ）以及灌溉监测与控制（ 16 % 16 % 16%16 \% ）[124]（图4）。当传感器和无人机等连接技术被整合到农业中时，多项农业操作得以改进。该技术使农业生态系统能够实现持续监测和管理，减少了除紧急情况外对人工干预的需求。精准农业利用这些互联系统来维持理想的条件，包括土壤特性、作物健康和环境状况。分布在田间的传感器采集的数据被传输到云端进行处理，从而实现远程监测和控制。 通过确保除草剂、肥料和水的准确施用，该技术有助于避免动物侵入田地等问题。数字传感器和模拟传感器对于高效运行都至关重要；数字传感器通过与云系统直接交互，更快更准确地分析数据。农业中常见的传感器包括土壤水分传感器、电化学传感器和光学传感器，它们共同促进对田间状况的全面了解。
一个中央位置协调来自地理分散传感器的数据，这些传感器作为无线传感器网络（WSNs）的一部分监测环境变量。然后，这些数据在云端进行处理和分析，采用智能算法实时增强决策能力。人工智能与 WSN 的整合实现了复杂的监测和智能决策。物联网系统的大量数据收集对于农业大数据分析的发展至关重要。这些数据有助于做出明智的选择，提高产量并防止浪费。收集的数据经过分析，以确定所需的最佳农业投入量，从而提升农业操作的效率和可持续性。这些系统使用如 RNN 和 LSTM 的算法，确保传感器的高效运行，显著延长其运行时间。近期进展包括基于人工智能的传感器网络，用于收获后土地适宜性分类，并提升传感器节点的性能和能耗。通过对节点产生的数据进行智能处理，实现了对传感器网络的更好管理。 在每次耕作后，[125]的作者使用基于人工智能的传感器网络将土地分类为适宜、更适宜、较适宜或不适宜。[126]的作者创建了一个 ZigBee 模块和 Arduino 微控制器，构建了一个节能的无线传感器网络（WSN），能够监测和调节影响作物生长的关键因素，包括佛罗里达州的土壤和天气。[127]的作者将传感器节点与人工智能系统结合，以优化每个节点的性能和数据传输，
从而降低节点的功耗。利用锂离子电池，开发了一种基于循环神经网络（RNN）的长短期记忆（LSTM）网络，确保传感器能够自主运行 180 天，延长单个传感器的使用寿命。该方法持续监测植物叶片生长的动态。Shadrin 等人[128]描述了一种自主系统，该系统利用基于物联网的云平台和低功耗传感器节点，通过人工神经网络估算土壤中的磷含量。作者引入了动态电源管理系统，以确保能耗与估算精度之间的平衡。作者在文献[129]中提供了一种基于遗传算法优化的无线传感器网络（WSN），用于精准农业应用。此外，像文献[130]中描述的智能系统，利用物联网和智能图像识别技术检测作物成熟度，对于提升农业决策过程具有重要作用。
图4. 基于物联网的精准农业监测系统。
因此，我们得出结论，将人工智能与无线传感器网络（WSN）和物联网（IoT）相结合，对于确保作物产量达到最高水平至关重要。物联网在现代农业中发挥着关键作用，提供从基础监测到高级预测分析的多种解决方案。通过利用物联网，精准农业能够实现更高的生产力和可持续性，符合农业 4.0 的目标。尽管物联网带来了诸多好处，但其在农业中的部署仍面临数据隐私、网络安全以及各种物联网设备和平台整合等挑战。未来的研究应着重于克服这些挑战，提升物联网系统的互操作性，并开发更为稳健的农业实时预测分析模型。

2.3.4. 智能农业中的变速率技术（VRT）

理论上，精准农业解决了田间土壤类型、有机质、养分需求、产量和害虫的差异问题。可变处理通常采用基于地图和基于传感器的方法。基于地图的可变速率施用系统使用预先制作的地图，也称为处方地图，来调整施用速率。施用浓度随着施用器在田间移动而调整，利用 GPS 接收器提供的田间位置和预定速率的处方地图。基于传感器的技术则利用实时数据来调节特定处理的剂量和位置[131]。
  • 基于地图的可变速率施用技术
利用 GPS 接收器提供的田间位置和所需施用率的处方地图，基于地图的可变速率施用系统根据预设的计算机地图（也称为处方地图）调整施用速率；随着施用器在田间移动，投入量会发生变化。单一因素或多种因素的组合，包括土壤类型、颜色、质地、地形、作物产量和田间侦察数据，用于确定所需的施用速率和遥感指数。在任何情况下，用户都能控制施用速率。该方法的优点是数量预先确定，因此无需担心用完或混合过量产品，如图 5 所示。然而，其缺点之一是如果天气变化或温度波动，土壤特性会发生变化，导致投入物位置错误，这意味着数字地图需要具备动态更新的能力[132]。 基于地图的控制系统已被开发成商业化产品，例如位于堪萨斯州瓦梅戈的 20/20 SeedSense（制造商：Precision Planting LLC）和 Rate Controller 2000 [133]，如图 6 所示。
图5. 基于地图的变速率施用。
图 6. 基于地图的变速率控制器：（a）20/20 SeedSense（Precision Planting）；（b）Rate Controller 2000。基于传感器的变速率应用技术。
基于传感器的可变率施药器（图 7）无需地图或定位系统即可运行。施药器的传感器在运动过程中测量作物或土壤变量。控制系统利用这连续的数据流确定土壤或植物的精确输入需求。随后，数据从控制系统传递到子控制器，子控制器将输入发送到传感器检测到的精确位置[134,135]。传感器测量值，如植物反射率指数，可用于简化数据复杂性；常用的归一化植被指数（NDVI）就是基于作物在红光和近红外（NIR）波段的反射率。基于传感器系统制造的商业设备包括约翰迪尔智能喷雾器，该设备使用移动视频传感器识别杂草或养分胁迫，并施加不同的施药速率，如图 8 所示。该方法不一定需要定位系统或大量的预施药数据分析。 然而，记录和地理定位传感器数据使未来的特定地点作物管理成为可能，创建后续操作的处方地图，并为种植者提供“实际应用”记录。
图 7. 基于传感器的可变速率技术（VRT）。
图 8. 基于传感器的可变速率技术用于特定地点的投入管理：（a）应用精确施肥率的自适应控制系统；（b）实时作物监测。
农业中的可变速率技术（VRT）利用基于传感器系统的实时数据，精确调整特定作物位置的施肥量。这一技术对于动态管理养分施用至关重要，能够根据土壤和植物状况的实时观察优化使用。Crop Circle 和 Green Seeker 等传感器发挥着关键作用，测量植物冠层在不同光谱波段的反射率，以计算植被指数，如归一化植被指数（NDVI）。NDVI 是最常用的指数，通过比较近红外和红光波段的反射率计算得出，有助于判断植物健康状况，从而确定所需的施肥剂量[136,137]。
这些基于传感器的系统确保养分的高效施用，避免了施肥不足和过量，如图 8 所示。系统实时调整施肥速率的能力防止了浪费和环境破坏，同时提高了作物产量和质量。例如，氮管理根据作物叶片的绿度调整尿素施用，针对田间不同养分需求的特定区域进行精准施肥[138]。SPAD 仪等工具能够准确测量氮含量，直接评估冠层中的氮浓度，从而指导施肥以优化植物生长[139,140]。此外，精准施肥依赖于系统的响应时间，必须将其最小化以避免延迟，延迟可能影响施肥器的准确性，进而影响作物产量[141]。变速施肥还依赖于复杂的管理策略。俄克拉荷马（OK）和密苏里（MO）方法展示了基于 NDVI 数据的两种不同氮施用方法。 OK 方法将更复杂的数据，包括产量潜力和生长条件，直接整合到车载计算机系统中，便于在最少用户干预的情况下实现精准施肥[142]。这些先进的可变率技术（VRT）系统结合了传感器数据、实时处理和反馈回路，是现代精准农业的关键。它们使农民能够在正确的时间和地点施用适量的养分，提高作物管理效率，减少环境影响，并增加农场盈利能力。尽管具有诸多优势，VRT 的推广仍受高昂的初始成本和操作技术复杂性的制约，这对农民来说可能是一个挑战[143,144]。此外，该技术依赖于复杂的硬件和数据管理系统，需大量初期投资及培训，进一步阻碍了其普及。未来的 VRT 研究将重点结合机器学习和互联设备等前沿技术。 预计这种整合将提高 VRT 应用的准确性和有效性，从而降低成本，使更多农民能够使用[145,146]。这些发展有望改善作物的情况
通过改进自动化和数据分析，简化 VRT 中的决策过程，实现管理和资源利用的优化。2024 年，美国估计有 4720 万英亩种植冬小麦，9150 万英亩种植玉米，8640 万英亩种植大豆[USDA, NASS, Survey 2024]。然而，这些作物的可变速率技术（VRT）采用率仍然有限。2016 年，VRT 在玉米种植面积中采用了 37.4 % 37.4 % 37.4%37.4 \% （3360 万英亩），随后 2017 年冬小麦采用了 18.8 % 18.8 % 18.8%18.8 \% （639 万英亩），2018 年大豆采用了 25.3 % 25.3 % 25.3%25.3 \% （850 万英亩），如图 9 所示。尽管 VRT 有降低成本的潜力，但其在美国农场中的普及率仍不高[147,148]。大型农场的采用率往往较高，而小型农场的采用率较低，显示出规模效益的潜力[149]。通过线性回归估计 2024 年 VRT 的采用率，预测玉米为 44 % 44 % 44%44 \% ，大豆为 26 % 26 % 26%26 \% ，小麦为 22 % 22 % 22%22 \% 。
图9. 玉米、大豆和小麦的可变速率技术采用率。
玉米含氮量高且需求量大[150]；它将从氮肥的精准施用中获得显著收益。这种精准方法比在豆类[151]或小麦等其他作物中更有效地促进玉米生长。因此，玉米种植者采用可变速率技术后，可能会体验到更明显的好处，包括产量提升和资源利用效率的提高。

  3. 结论

现代技术如人工智能（AI）、机器学习（ML）、深度学习（DL）和物联网已经通过精准农业彻底改变了农业生产方式。这些尖端技术的整合旨在通过精准投入优化产出，革新农业产业。通过实时数据收集与分析，这些技术使农民能够做出明智决策，提高生产力，同时最大限度地减少环境影响。传统农业方法正面临环境和经济压力的挑战，迫切需要向更可持续的实践转变。精准农业通过利用先进技术提供了解决方案，创造了更—
受控且资源高效的农业环境。通过保守地利用水、肥料和农药等资源，精准农业降低了成本和环境足迹，有助于实现长期可持续发展。智能农场管理显著受益于先进的预测模型和自动化系统。回归模型和卷积神经网络（CNN）等技术能够准确预测天气模式、土壤性质和作物健康状况。这种预测能力使农民能够实时优化从土壤管理到作物监测的农业操作。此外，物联网（IoT）传感器和执行器提供持续的数据收集，进一步支持基于数据的农业决策。此外，通过 Landsat 和 Sentinel 等项目的卫星数据，遥感技术的进步显著增强了环境监测能力。这些卫星提供高分辨率的实时数据，对于精准作物管理、土地覆盖分类和植被分析至关重要，进一步强化了精准农业生态系统。 展望未来，农业充满了创新的机遇。基于自然语言处理（NLP）的聊天机器人可以提供个性化建议，提升农民获取专家知识的能力。此外，预测算法和混合技术的进步有望进一步改善资源管理和可持续性。随着全球人口到 2050 年接近 97 亿，农业部门面临日益严峻的挑战。这些尖端技术的结合带来了令人鼓舞的解决方案，并为更可持续、更高效的耕作方式打开了大门。为了实现公平的获取和应用，政府、科技公司与农业社区必须携手合作，共同实现这些利益。这些技术发展与 2030 年议程可持续发展目标（SDGs）的契合也是一个重要的强调点。精准农业利用人工智能（AI）、物联网（IoT）和机器学习（ML）等尖端技术，直接支持了可持续发展目标 2（零饥饿），提高了生产力并改善了粮食安全。 通过优化资源使用、降低环境足迹和改善土地管理，这些技术还支持与可持续发展目标12（负责任的消费和生产）、13（气候行动）及15（陆地生态）相一致的可持续实践。这些发展有潜力通过将技术进步与全球可持续目标相结合，使农业成为一个更具韧性和平等性的行业。

  4. 未来展望

农业的未来位于技术与可持续性的交汇点，人工智能模型在塑造行业中发挥着关键作用。展望未来，持续推进可持续农业出现了若干关键趋势和机遇：
  • 先进算法：进一步探索机器学习、深度学习及混合算法，有望提升农业资源管理和可持续性。通过开发更复杂的模型，我们可以增强预测能力，优化农业操作，实现最大效率。
  • 数据整合与分析：整合包括卫星影像、传感器数据和天气预报在内的多样化数据源，为农业提供了全面分析和明智决策的机会。先进的数据挖掘和管理工具对于从庞大数据集中提取有价值的见解至关重要。
  • 智能农业技术：农业效率和进步将由智能农业技术的持续创新推动，如机器人、无人机以及物联网支持的传感器。这些技术使得更可持续的耕作方式成为可能，能够实时监测和管理作物、牲畜及环境状况。在这方面，
3D 映射和监测如何支持每个农场的可持续发展目标？无人混合（空中-地面）无人机又如何提升农业监测与运营管理[152]？
  • 灌溉科学与水资源利用效率中的人工智能应用：人工智能正在改变灌溉科学和水资源利用效率，解决因气候变化加剧的水资源短缺问题。精准农业结合了人工智能驱动的技术，如智能传感器、物联网和无线传感器网络，通过考虑土壤水分变化和作物需水量来优化灌溉[153]。智能灌溉实现了精准供水，减少了浪费和作物胁迫，同时提升了资源管理效率[154]。传统灌溉技术常常导致水分分布不均，造成养分淋失、径流和产量下降等低效问题，因为它们未能考虑动态的土壤和气象条件。近年来，无线传感器网络、物联网智能传感器和人工智能驱动模型被应用于改进灌溉调度和实时监测环境因素[155-157]。 基于人工智能的灌溉控制系统通过根据作物反应、预测分析和外部环境干扰动态调整用水量，实现了水资源的最优利用。尽管已经取得了许多进展，未来的研究应着重于加强人工智能与现有智能灌溉技术的整合，提升数据驱动的决策支持系统，并解决系统可扩展性、能源效率和数据准确性等问题。在气候不确定性的背景下，扩大人工智能在灌溉研究中的应用对于实现水资源的可持续管理和保障全球粮食安全至关重要。
  • 数字农业平台：数字农业生态系统和平台的出现将使农业价值链中的参与者更容易协作和交流知识。这些平台可以为农民提供市场信息、金融服务和农艺建议，赋能他们做出明智决策并提高生产力。
  • 政策支持与投资：政府和政策制定者在支持农业采用尖端技术方面发挥着关键作用。促进技术基础设施投资、农民培训项目以及研发计划的政策，对于推动创新和确保农业技术的公平获取至关重要。
  • 解决采用障碍：克服高成本、培训需求和数据安全等挑战，对于更广泛地采用人工智能、机器学习、深度学习和物联网技术至关重要。政府、技术提供商与农业社区之间的协作努力是解决这些障碍、实现技术驱动农业全部潜力的必要条件。
    由于人工智能、机器学习、深度学习和物联网等尖端技术的进步，可持续农业的未来充满光明。通过利用这些技术的潜力并拥抱创新，我们能够创建一个更具韧性、高效且环境可持续的农业系统，以养活不断增长的全球人口，同时保护自然资源，为后代留下良好环境。
作者贡献：概念构思，A.M.N.；方法学，K.K. 和 A.M.N.；正式分析，A.M.N. 和 K.K.；调查，K.K. 和 S.M.；资源提供，A.M.N.；数据整理，K.K.；原始稿件撰写，K.K.、S.M. 和 A.A.；审稿与编辑，A.M.N.；可视化，K.K.；监督，A.M.N.；项目管理，A.M.N.；资金获取，A.M.N.。所有作者均已阅读并同意发表的手稿版本。
资金来源：本研究未获得外部资金支持。
数据可用性声明：不适用。
致谢：作者在此感谢南达科他州立大学及研究生们在整个工作过程中提供的帮助。
利益冲突：作者声明无利益冲突。

  缩略语

本文中使用的缩略语如下：
  缩略语   全称
AI   人工智能
  物联网   物联网
PA   精准农业
GPS 全球定位系统
GIS 地理信息系统
NDVI 归一化植被指数
SAVI 土壤调整植被指数
VSSI 植被土壤盐分指数
EVI 增强型植被指数
NLVI 非线性植被指数
DVI 差异植被指数
GRVI 绿色比率植被指数
SI   盐度指数
ERSI 增强残留土壤盐度指数
CRSI 冠层响应盐分指数
CI   粘土指数
GI   石膏指数
BI   亮度指数
NMDI 归一化多波段干旱指数
L ( λ ) L ( λ ) L(lambda)\mathrm{L}(\lambda)   辐射率
ρ ( λ ) ρ ( λ ) rho(lambda)\rho(\lambda)   反射率
USGS 美国地质调查局
NASA 美国国家航空航天局
ESA   欧洲航天局
SWIR   短波红外
NIR   近红外
R   红色
B   蓝色
G   绿色
π π pi\pi 圆周率（数学常数）
θ θ theta\theta   太阳天顶角
NRBS 富氮生物传感器点
DL   深度学习
ML   机器学习
VRT 变速率技术
SVM   支持向量机
KNN   K 近邻算法
DT   决策树
RF   随机森林
ANN 人工神经网络
MSE   均方误差
LSTM   长短期记忆网络
TP   真正例
Abbreviation Full Form AI Artificial Intelligence IoT Internet of Things PA Precision Agriculture GPS Global Positioning System GIS Geographic Information Systems NDVI Normalized Difference Vegetation Index SAVI Soil-Adjusted Vegetation Index VSSI Vegetation Soil Salinity Index EVI Enhanced Vegetation Index NLVI Non-Linear Vegetation Index DVI Differential Vegetation Index GRVI Green Ratio Vegetation Index SI Salinity Index ERSI Enhanced Residues Soil Salinity Index CRSI Canopy Response Salinity Index CI Clay Index GI Gypsum Index BI Brightness Index NMDI Normalized Multi-Band Drought Index L(lambda) Radiance rho(lambda) Reflectance USGS United States Geological Survey NASA National Aeronautics and Space Administration ESA European Space Agency SWIR Shortwave Infrared NIR Near-Infrared R Red B Blue G Green pi Pi (Mathematical Constant) theta Solar Zenith Angle NRBS Nitrogen-Rich Biosensor Spots DL Deep Learning ML Machine Learning VRT Variable-Rate Technology SVM Support Vector Machine KNN K-Nearest Neighbors DT Decision Tree RF Random Forest ANN Artificial Neural Network MSE Mean Squared Error LSTM Long Short-Term Memory TP True Positives| Abbreviation | Full Form | | :--- | :--- | | AI | Artificial Intelligence | | IoT | Internet of Things | | PA | Precision Agriculture | | GPS | Global Positioning System | | GIS | Geographic Information Systems | | NDVI | Normalized Difference Vegetation Index | | SAVI | Soil-Adjusted Vegetation Index | | VSSI | Vegetation Soil Salinity Index | | EVI | Enhanced Vegetation Index | | NLVI | Non-Linear Vegetation Index | | DVI | Differential Vegetation Index | | GRVI | Green Ratio Vegetation Index | | SI | Salinity Index | | ERSI | Enhanced Residues Soil Salinity Index | | CRSI | Canopy Response Salinity Index | | CI | Clay Index | | GI | Gypsum Index | | BI | Brightness Index | | NMDI | Normalized Multi-Band Drought Index | | $\mathrm{L}(\lambda)$ | Radiance | | $\rho(\lambda)$ | Reflectance | | USGS | United States Geological Survey | | NASA | National Aeronautics and Space Administration | | ESA | European Space Agency | | SWIR | Shortwave Infrared | | NIR | Near-Infrared | | R | Red | | B | Blue | | G | Green | | $\pi$ | Pi (Mathematical Constant) | | $\theta$ | Solar Zenith Angle | | NRBS | Nitrogen-Rich Biosensor Spots | | DL | Deep Learning | | ML | Machine Learning | | VRT | Variable-Rate Technology | | SVM | Support Vector Machine | | KNN | K-Nearest Neighbors | | DT | Decision Tree | | RF | Random Forest | | ANN | Artificial Neural Network | | MSE | Mean Squared Error | | LSTM | Long Short-Term Memory | | TP | True Positives |
TN   真反例
FP   假正例
FN   假反例
T 随机森林中的树木数量
P ( y ∣ X ) P ( y ∣ X ) P(y∣X)\mathrm{P}(\mathrm{y} \mid \mathrm{X}) 给定 X 的数据点 y 的后验概率
  哨兵-2 欧洲航天局的地球观测卫星任务
Landsat-8 由 NASA 和美国地质调查局管理的遥感卫星
AS7341 农业遥感中常用的光谱传感器
PCM 作物预测模型
HRI   高分辨率影像
EL   集成学习
RS   遥感
ELM 极限学习机
SOC   土壤有机碳
  便携式 X 射线荧光光谱仪 便携式 X 射线荧光
DNN   深度神经网络
UAV   无人机
RNN 循环神经网络
MODIS 中分辨率成像光谱仪
SNAP 哨兵应用平台
RMSE 均方根误差
R 2 R 2 R^(2)\mathrm{R}^{2} 决定系数
LASSO 最小绝对收缩和选择算子
GA   遗传算法
RGB 红、绿、蓝（用于图像的颜色模型）
SIF 太阳诱导叶绿素荧光
  pH 值   氢离子浓度（酸碱度）
MLP   多层感知器
YOLO 你只看一次（一个实时目标检测模型家族）
RBF 径向基函数（支持向量机中使用的一种核函数）
PCA 主成分分析
VFH 视点特征直方图（用于物体识别和分类）
mAP 平均精度均值（用于评估物体检测模型）
  F1 分数 模型准确度的一个衡量指标，结合了精确率和召回率
Inception-ResNet 结合了 Inception 和 ResNet 模型的混合深度学习架构
SLIC 简单线性迭代聚类（一种图像分割算法）
  深度学习模型   深度学习模型
WSN 无线传感器网络
  锂离子   锂离子
SPAD 土壤植物分析发展
VRA 变速率施用
NLP 自然语言处理
AI-ML 人工智能与机器学习
USDA 美国农业部
NASS 国家农业统计局
TN True Negatives FP False Positives FN False Negatives T Number of trees in Random Forest P(y∣X) Posterior probability of data point y given X Sentinel-2 A satellite mission for Earth observation by the European Space Agency Landsat-8 A satellite for remote sensing managed by NASA and USGS AS7341 A spectral sensor commonly used in agricultural remote sensing PCM Predictive Crop Modeling HRI High-Resolution Imagery EL Ensemble Learning RS Remote Sensing ELM Extreme Learning Machine SOC Soil Organic Carbon pXRF Portable X-ray Fluorescence DNN Deep Neural Network UAV Unmanned Aerial Vehicle RNN Recurrent Neural Network MODIS Moderate-Resolution Imaging Spectroradiometer SNAP Sentinel Application Platform RMSE Root Mean Square Error R^(2) Coefficient of Determination LASSO Least Absolute Shrinkage and Selection Operator GA Genetic Algorithm RGB Red, Green, Blue (color model used for images) SIF Solar-Induced Chlorophyll Fluorescence pH Potential of Hydrogen MLP Multi-Layer Perceptron YOLO You Only Look Once (a family of real-time object detection models) RBF Radial Basis Function (a kernel function used in SVM) PCA Principal Component Analysis VFH Viewpoint Feature Histogram (used in object recognition and classification) mAP Mean Average Precision (used to evaluate object detection models) F1 Score A measure of a model's accuracy, combining precision and recall Inception-ResNet A hybrid deep learning architecture combining Inception and ResNet models SLIC Simple Linear Iterative Clustering (an algorithm for image segmentation) DL Models Deep Learning Models WSN Wireless Sensor Networks Li-ion Lithium Ion SPAD Soil Plant Analysis Development VRA Variable Rate Application NLP Natural Language Processing AI-ML Artificial Intelligence and Machine Learning USDA United States Department of Agriculture NASS National Agricultural Statistics Service| TN | True Negatives | | :--- | :--- | | FP | False Positives | | FN | False Negatives | | T | Number of trees in Random Forest | | $\mathrm{P}(\mathrm{y} \mid \mathrm{X})$ | Posterior probability of data point y given X | | Sentinel-2 | A satellite mission for Earth observation by the European Space Agency | | Landsat-8 | A satellite for remote sensing managed by NASA and USGS | | AS7341 | A spectral sensor commonly used in agricultural remote sensing | | PCM | Predictive Crop Modeling | | HRI | High-Resolution Imagery | | EL | Ensemble Learning | | RS | Remote Sensing | | ELM | Extreme Learning Machine | | SOC | Soil Organic Carbon | | pXRF | Portable X-ray Fluorescence | | DNN | Deep Neural Network | | UAV | Unmanned Aerial Vehicle | | RNN | Recurrent Neural Network | | MODIS | Moderate-Resolution Imaging Spectroradiometer | | SNAP | Sentinel Application Platform | | RMSE | Root Mean Square Error | | $\mathrm{R}^{2}$ | Coefficient of Determination | | LASSO | Least Absolute Shrinkage and Selection Operator | | GA | Genetic Algorithm | | RGB | Red, Green, Blue (color model used for images) | | SIF | Solar-Induced Chlorophyll Fluorescence | | pH | Potential of Hydrogen | | MLP | Multi-Layer Perceptron | | YOLO | You Only Look Once (a family of real-time object detection models) | | RBF | Radial Basis Function (a kernel function used in SVM) | | PCA | Principal Component Analysis | | VFH | Viewpoint Feature Histogram (used in object recognition and classification) | | mAP | Mean Average Precision (used to evaluate object detection models) | | F1 Score | A measure of a model's accuracy, combining precision and recall | | Inception-ResNet | A hybrid deep learning architecture combining Inception and ResNet models | | SLIC | Simple Linear Iterative Clustering (an algorithm for image segmentation) | | DL Models | Deep Learning Models | | WSN | Wireless Sensor Networks | | Li-ion | Lithium Ion | | SPAD | Soil Plant Analysis Development | | VRA | Variable Rate Application | | NLP | Natural Language Processing | | AI-ML | Artificial Intelligence and Machine Learning | | USDA | United States Department of Agriculture | | NASS | National Agricultural Statistics Service |

  参考文献

  1. Lal, R. 在 5 亿公顷谷物作物面积上养活 110 亿人。食品能源安全。2016，5，239-251。
  2. Arora, N.K. 气候变化对农业生产的影响及其可持续解决方案。环境可持续。2019，2，95-96。
  3. Chen, S.; Chen, X.; Xu, J. 气候变化对农业的影响：中国的证据。环境经济与管理杂志。2016，76，105-124。
  4. El Bilali, H.; Callenius, C.; Strassner, C.; Probst, L. 食品与营养安全及食品系统的可持续转型。食品能源安全。2019，8，e00154。
  5. Grisso, R.D.; Alley, M.M.; Brann, D.E.; Donohue, S.J. 精准农业工具：变速率施用；弗吉尼亚合作推广：美国弗吉尼亚州彼得斯堡，2010 年。
  6. Kitchen, N.R.; Clay, D.E. 用于养分管理的精准农业技术。载于《农业中的 GIS 应用》；Clay, D.E., Shanahan, J.F. 编；CRC 出版社：美国佛罗里达州博卡拉顿，2018 年；第 245-276 页。
  7. Probyn-Smith, R. 采用精准农业技术以提高农场效率和可持续性；AgriFutures Australia：澳大利亚瓦加瓦加，2018 年。
  8. Clay, D.E.; Reese, C.; Chang, J.; Clay, S.A. 网格土壤采样及其对养分管理的影响。农学杂志，2017 年，109 卷，2210-2220 页。
  9. Ingram, J.; Maye, D.; Kirwan, J. 数字农业及其对农场数据管理实践的影响。乡村研究杂志，2022，88，66-76。
  10. Griffin, T.W.; Yeager, E.A.; Lambert, D.M. 决策农业：面向农民的数据驱动决策制定。农业系统，2018，165，20-29。
  11. Hitimana, F.; Mahajan, G.R.; Al-Mahmud, S. 机器学习在作物害虫和疾病管理中的应用。人工智能农业，2024，15，103-116。
  12. Mowla, Q.; Ghosh, S.; Zaman, A. 物联网支持的智能农业系统综述。传感器，2023，23，3456。
  13. Babar, M.I.; Akan, B. 物联网中的智能灌溉系统用于可持续水资源管理。环境管理杂志，2024，316，115347。
  14. Alahmad, H.; Yaseen, Z.M.; Kim, S. 作物模型与天气预测以优化产量。农业与森林气象学，2023，325，109124。
  15. Can, F. 大数据在推动农业技术和决策中的作用。农业食品技术评论，2023，11，35-52。
  16. Subeesh, M.; Mehta, S. 农业中人工智能与物联网整合的挑战：综述。计算机电子农业，2021，189，106359。
  17. Yaqoob, I.; Salah, K.; Al-Fuqaha, A. 全球推广数字农业的政策框架。技术预测与社会变革 2022, 182, 121816。
  18. Wang, J.; Ding, J.; Yu, D.; Ma, X.; Zhang, Z.; Ge, X.; Teng, D.; Li, X.; Liang, J.; Lizaga, I.; 等。Sentinel-2MSI 数据在中国新疆艾比湖地区干湿季节土壤盐渍化监测与制图的能力。地球土壤学报 2019, 353, 172-187。
  19. Mirzaee, S.; Nafchi, A.M. 利用遥感数据监测干旱对时空植被响应的影响。传感器 2023, 23, 2134。[CrossRef]
  20. Wang, F.; Shi, Z.; Biswas, A.; Yang, S.; Ding, J. 预测土壤盐渍化的多算法比较。地球土壤学报 2020, 365, 114211。
  21. Habib, A.F.; Kersting, A.P.; Shaker, A.; Yan, W.Y. 激光雷达数据的几何校准和辐射校正及其对衍生产品质量的影响。Sensors 2011, 11, 9069-9097. [CrossRef]
  22. Al Kuwari, N.Y.; Ahmed, S.; Kaiser, M.F. 用于监测卡塔尔多哈市城市蔓延对热环境影响的最佳卫星传感器选择；卡塔尔大学图书馆：卡塔尔多哈，2016 年。
  23. Mirzaee, S.; Nafchi, A.M.; Ostovari, Y.; Seifid, M.; Ghorbani-Dashtakie, S.; Khodaverdiloo, H.; Chakherlou, S.; TaghizadehMehrjardi, R.; Raei, B. 乌尔米耶湖地区时空土壤盐渍化的监测与评估。环境监测与评估杂志 2024, 196, 958。
  24. Rouse, J.W.; Haas, R.H.; Schelle, J.A.; Deering, D.W.; Harlan, J.C. 自然植被春季前进或后退的监测；NASA/GSFC 1974，III 型，最终报告；NASA/GSFC：美国马里兰州格林贝尔特，1974 年；第 371 页。
  25. Huete, A.R. 一种土壤调整植被指数（SAVI）。遥感环境学报，1988，25，295-309。
  26. Dehni, A.; Lounis, M. 盐碱土遥感制图技术：阿尔及利亚奥兰地区的应用。工程学报，2012，33，188-198。[CrossRef]
  27. Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. MODIS 植被指数的辐射计和生物物理性能综述。遥感环境学报，2002，83，195-213。[CrossRef]
  28. Goel, N.S.; Qin, W. 树冠结构对各种植被指数与叶面积指数（LAI）和吸收光合有效辐射（FPAR）关系的影响。遥感评论，1994，10，309-347。[CrossRef]
  29. Tucker, C. 用于监测植被的红光和摄影红外线线性组合。遥感环境，1979，8，127-150。[CrossRef]
  30. Sripada, R.; Heiniger, R.; White, J.; Meijer, A. 用航空彩色红外摄影确定玉米早期季节氮需求。农学杂志，2006，98，968-977。[CrossRef]
  31. Tripathi, N.K.; Brijesh, K.R.; Dwivedi, P. 利用 IRS 数据在 GIS 环境中进行土壤碱度的空间建模。载于第 18 届亚洲遥感会议论文集，马来西亚吉隆坡，1997 年 10 月 20-24 日。
  32. Douaoui, A.E.K.; Nicolas, H.; Walter, C. 通过结合土壤和遥感数据检测半干旱环境中的盐碱危害。地质学报，2006，134，217-230。[CrossRef]
  33. Khan, N.M.; Rastoskuev, V.V.; Shalina, E.; Sato, Y. 利用遥感指标绘制盐碱土壤分布图。使用 Gis Idrissi 的简单方法。载于第 22 届亚洲遥感会议论文集，新加坡，2001 年 11 月 5-9 日。
  34. Khan, N.M.; Rastoskuev, V.V.; Sato, Y.; Shiozawa, S. 采用遥感指标的简单方法评估水盐土退化。农业水管理，2005，77，96-109。[CrossRef]
  35. Manière, R.; Bassisty, E.; Celles, J.C.; Melzi, S. 利用空间遥感（Spot 的 XS 数据）绘制地中海干旱区土地覆盖图：以阿尔及利亚 Ain Oussera 为例。Cah. Orstom Sér. Pédol.，1993，28，67-80。（法文）
  36. Abbas, A.; Khan, S. 利用遥感技术评估灌溉土壤盐碱化。载于土地、水和环境管理的管理与决策进展与应用：可持续综合系统 MODSIM07 会议论文集，新西兰基督城，2007 年 12 月 10-13 日。
  37. Wang, N.; Peng, J.; Chen, S.; Huang, J.; Li, H.; Biswas, A.; He, Y.; Shi, Z. 利用光学和微波波段的新型指数改善含作物残留物的表层土壤盐分遥感。Geoderma 2022, 422, 115935. [CrossRef]
  38. Scudiero, E.; Skaggs, T.H.; Corwin, D.L. 使用 Landsat 7 对美国加利福尼亚西圣华金谷区域尺度土壤盐分的评估。Geoderma Reg. 2014, 2-3, 82-90. [CrossRef]
  39. Drury, S. 地质图像解译；Allen and Unwin：英国伦敦，1987 年；243 页。
  40. Nield, S.J.; Boettinger, J.L.; Ramsey, R.D. 利用 Landsat ETM 数据数字化绘制石膏土和钠土区域。Soil Sci. Soc. Am. J. 2007, 71, 245-252.
  41. Wang, L.; Qu, J.J. NMDI：一种用于利用卫星遥感监测土壤和植被水分的归一化多波段干旱指数。地球物理研究快报，2007，34，204-205。
  42. Sadeghi, M.; Babaeian, E.; Tuller, M.; Jones, S.B. 光学梯形模型：一种应用于 Sentinel-2 和 Landsat-8 观测的土壤水分遥感新方法。遥感环境，2017，198，52-68。
  43. Sahabiev, I.; Smirnova, E.; Giniyatullin, K. 基于遥感数据的机器学习方法在单个田块尺度上对农化性质的空间预测。农学，2021，11，2266。[CrossRef]
  44. Wolters, S.; Söderström, M.; Piikki, K.; Stenberg, M. 结合近距离和遥感光学测量的冬小麦氮吸收近实时监测：如何优化 Sentinel-2 卫星图像以用于精准农业决策支持系统。载于《精准农业’19》；瓦赫宁根学术出版社：荷兰瓦赫宁根，2019；第 1001-1007 页。
  45. Mirzaee, S.; Nafchi, A.M. 基于产量目标的变率氮肥处方图的优缺点。载于 SABE 年度国际会议；美国农业与生物工程师学会：美国密歇根州圣约瑟夫，2024 年。
  46. Mirzaee, S.; Nafchi, A.M. 结合生物传感器热点和遥感技术提升氮肥利用效率和作物产量。载于 ASABE 年度国际会议；美国农业与生物工程师学会：美国密歇根州圣约瑟夫，2024 年。
  47. Rani, R.; Sahoo, J.; Bellamkonda, S.; Kumar, S.; Pippal, S.K. 人工智能在农业中的作用：聚焦植物病害的分析与进展。IEEE Access 2023, 11, 137999-138019。
  48. Espinel, R.; Herrera-Franco, G.; Rivadeneira García, J.L.; Escandón-Panchana, P. 农业制图中的人工智能：综述。Agriculture 2024, 14, 1071。[CrossRef]
  49. Spanaki, K.; Sivarajah, U.; Fakhimi, M.; Despoudi, S.; Irani, Z. 农业作业中的颠覆性技术：基于人工智能驱动的农业科技研究的系统综述。运筹学年刊，2022，308，491-524。[CrossRef]
  50. Wei, W.; Xiao, M.; Wang, H.; Zhu, Y.; Xie, C.; Geng, G. 多台农业机械协同作业的研究进展综述。计算机与电子农业，2024，227，109628。
  51. Alibabaei, K.; Gaspar, P.D.; Lima, T.M.; Campos, R.M.; Girão, I.; Monteiro, J.; Lopes, C.M. 使用深度学习算法支持农业活动决策的挑战综述。遥感，2022，14，638。[CrossRef]
  52. Durai, S.K.S.; Shamili, M.D. 利用机器学习和深度学习技术的智能农业。决策分析杂志，2022，3，100041。
  53. Naseer, A.; Shmoon, M.; Shakeel, T.; Ur Rehman, S.; Ahmad, A.; Gruhn, V. 物联网在农业中的系统文献综述——全球采用、创新、安全隐私挑战。IEEE Access 2024, 12, 60986-61021。
  54. Xu, J.; Gu, B.; Tian, G. 农业物联网技术综述。人工智能农业 2022, 6, 10-22。
  55. Saleem, S.R.; Zaman, Q.U.; Schumann, A.W.; Naqvi, S.M.Z.A. 变速率技术：农业中的发展、适应与机遇。载于《精准农业》；Academic Press：美国佛罗里达州博卡拉顿，2023；第 103-122 页。
  56. Anggoro, D.A.; Kurnia, N.D. 支持向量机（SVM）与 K 近邻（KNN）算法在心脏病预测准确率的比较。国际期刊 2020, 8, 1689-1694。
  57. Uddin, S.; Haque, I.; Lu, H.; Moni, M.A.; Gide, E. K 近邻（KNN）算法及其不同变体在疾病预测中的性能比较分析。科学报告，2022，12，6256。
  58. Mallick, J.; Alkahtani, M.; Hang, H.T.; Singh, C.K. 滑坡易发性制图的博弈论优化：基于贝叶斯优化基础神经网络与新一代神经网络模型的比较研究。环境科学与污染研究，2024，31，29811-29835。
  59. Amiri, A.F.; Oudira, H.; Chouder, A.; Kichou, S. 基于机器学习方法使用随机森林分类器的光伏系统故障检测与诊断。能源转换与管理，2024，301，118076。
  60. Guruprakash, K.S.; Siva Karthik, P.; Ramachandran, A.; Gayathri, K. 基于深度网络提取特征和 MobileENet 的作物害虫识别在智慧农业中的应用。土地退化与发展，2024，35，3642-3652。
  61. Laursen, M.S.; Midtiby, H.S.; Krüger, N.; Jørgensen, R.N. 基于统计的分割方法，采用连续尺度朴素贝叶斯方法。计算机电子农业，2014，109，271-277。
  62. Gao, P.; Qiu, H.; Lan, Y.; Wang, W.; Chen, W.; Han, X.; Lu, J. 利用深度长短期记忆模型预测荔枝园土壤水分。农业，2021，12，25。[CrossRef]
  63. Kheir, A.M.; Mkuhlani, S.; Mugo, J.W.; Elnashar, A.; Nangia, V.; Devare, M.; Govind, A. 将 APSIM 模型与机器学习结合预测小麦产量空间分布。农学杂志，2023，115，3188-3196。[CrossRef]
  64. Griffin, T.W.; Shockley, J.M.; Mark, T.B. 精准农业的经济学。载于《精准农业基础》；美国农学会：美国威斯康星州麦迪逊，2018；第 221-230 页。
  65. Clay, D.E.; Brase, T.A.; Reicks, G. 纬度和经度的数学。在《精准农业实用数学》中；ASA, CSSA, SSSA：美国威斯康星州麦迪逊，2017 年。
  66. Ouhami, M.; Hafiane, A.; Es-Saady, Y.; El Hajji, M.; Canals, R. 利用机器学习进行作物病害检测的计算机视觉、物联网和数据融合：综述与正在进行的研究。遥感，2021，13，2486。[CrossRef]
  67. Kumari, K.; Nafchi, A.M. 利用人工智能、机器学习、深度学习和物联网实现未来农业的可持续农业。在 2024 年美国农业与生物工程师学会（ASABE）年度国际会议论文集，美国加利福尼亚州阿纳海姆，2024 年 7 月 28-31 日；第 1 页。
  68. Singh, K.K. 基于人工智能和云的协作平台，用于农作物病害识别、追踪和预测。在 2018 年 IEEE 新兴市场云计算国际会议（CCEM）论文集，印度班加罗尔，2018 年 11 月 23-24 日；第 49-56 页。
  69. Talaviya, T.; Shah, D.; Patel, N.; Yagnik, H.; Shah, M. 人工智能在农业中用于优化灌溉及农药和除草剂施用的应用。人工智能农业，2020，4，58-73。
  70. Klerkx, L.; Jakku, E.; Labarthe, P. 关于数字农业、智能农业和农业 4.0 的社会科学综述：新贡献及未来研究议程。NJAS Wagening. 生命科学杂志，2019，90，100315。[CrossRef]
  71. Qazi, A.M.; Mahmood, S.H.; Haleem, A.; Bahl, S.; Javaid, M.; Gopal, K. 智能材料、数字孪生（DTs）和物联网（IoT）在工业 4.0 集成自动化产业中的影响。材料今日会议录，2022，62，18-25。
  72. Lowe, M.; Qin, R.; Mao, X. 关于水处理与监测中机器学习、人工智能及智能技术的综述。Water，2022，14，1384。[CrossRef]
  73. Widianto, M.H.; Ardimansyah, M.I.; Pohan, H.I.; Hermanus, D.R. 当前人工智能在智能农业中提升作物产量的趋势系统综述。机器人与控制杂志 2022, 3, 269-278. [CrossRef]
  74. Wang, H. 基于人工智能技术对黑龙江省绿色农业产业结构合理性的评估。载于 2019 年第 12 届智能计算技术与自动化国际会议（ICICTA）论文集，中国湘潭，2019 年 10 月 26-27 日；第 719-723 页。
  75. Nikolaou, G.; Neocleous, D.; Christou, A.; Kitta, E.; Katsoulas, N. 在气候变化影响下水资源匮乏地区实施可持续灌溉。农艺学 2020, 10, 1120. [CrossRef]
  76. Castro-Maldonado, J.J.; Patiño-Murillo, J.A.; Florian-Villa, A.E.; Guadrón-Guerrero, O.E. 计算机视觉与低成本人工智能在农产业病原因子识别中的应用。载于物理学杂志：会议系列；IOP 出版社：英国布里斯托尔，2018；第 1126 卷，页 012022。
  77. Parikh, S.J.; James, B.R. 土壤：农业的基础。Nat. Educ. Knowl. 2012, 3, 2.
  78. Javed, A.; Ali, E.; Afzal, K.B.; Osman, A.; Riaz, S. 土壤肥力：影响土壤肥力的因素及负责土壤肥力的生物多样性。Int. J. Plant Anim. Environ. Sci. 2022, 12, 21-33.
  79. Emrullah, A.C.A.R.; Ozerdem, M.S.; Ustundag, B.B. 基于机器学习的回归模型用于预测中度植被覆盖田地的土壤表面湿度。发表于 2019 年第八届国际农业地理信息学会议（Agro-Geoinformatics），土耳其伊斯坦布尔，2019 年 7 月 16-19 日；第 1-4 页。
  80. Chowdary, V. 精准农业的机器学习应用：综合综述。IEEE Access 2021, 9, 4843 - 4873.
  81. Park, S.; Im, J.; Park, S.; Rhee, J. 通过机器学习方法利用多传感器产品对 AMSR2 土壤水分进行降尺度处理。载于 2015 年 IEEE 国际地球科学与遥感大会（IGARSS）论文集，意大利米兰，2015 年 7 月 26-31 日；第 1984-1987 页。
  82. Reda, R.; Saffaj, T.; Ilham, B.; Saidi, O.; Issam, K.; Brahim, L. 一种新方法与其他机器学习算法在利用近红外光谱预测土壤有机碳和总氮方面的比较研究。化学计量智能实验室系统，2019，195，103873。
  83. Morellos, A.; Pantazi, X.-E.; Moshou, D.; Alexandridis, T.; Whetton, R.; Tziotzios, G.; Wiebensohn, J.; Bill, R.; Mouazen, A.M. 基于机器学习利用可见-近红外光谱预测土壤总氮、有机碳和水分含量。生物系统工程，2016，152，104-116。
  84. Andrade, R.; Silva, S.H.G.; Weindorf, D.C.; Chakraborty, S.; Faria, W.M.; Mesquita, L.F.; Guilherme, L.R.G.; Curi, N. 利用便携式 X 射线荧光（pXRF）光谱数据评估巴西沿海平原部分土壤化学性质预测模型。地质学报，2020，357，113957。
  85. Deiss, L.; Margenot, A.J.; Culman, S.W.; Demyan, M.S. 调整支持向量机回归模型提高中红外光谱土壤性质预测的准确性。Geoderma 2020, 365, 114227。
  86. Stamenkovic, J.; Tuia, D.; De Morsier, F.; Borgeaud, M.; Thiran, J.P. 利用支持向量回归从机载高光谱影像估算土壤水分。载于 2013 年第五届高光谱图像与信号处理研讨会（WHISPERS）论文集，美国佛罗里达州盖恩斯维尔，2013 年 6 月 26-28 日；第 1-4 页。
  87. Song, X.; Zhang, G.; Liu, F.; Li, D.; Zhao, Y.; Yang, J. 基于深度学习的元胞自动机模型模拟土壤水分的时空分布。J. Arid Land 2016, 8, 734-748。
  88. Bhanumathi, S.; Vineeth, M.; Rohit, N. 作物产量预测与肥料的高效利用。载于 2019 年国际通信与信号处理会议（ICCSP）论文集，印度钦奈，2019 年 4 月 4-6 日；第 769-773 页。
  89. Peng, B.; Guan, K.; Zhou, W.; Jiang, C.; Frankenberg, C.; Sun, Y.; He, L.; Köhler, P. 评估基于卫星的太阳诱导叶绿素荧光在作物产量预测中的益处。国际应用地球观测与地理信息杂志，2020，90，102126。
  90. Khaki, S.; Wang, L. 使用深度神经网络进行作物产量预测。植物科学前沿，2019，10，452963。
  91. Cai, Y.; Guan, K.; Lobell, D.; Potgieter, A.B.; Wang, S.; Peng, J.; Xu, T.; Asseng, S.; Zhang, Y.; You, L.; 等。结合卫星和气候数据，利用机器学习方法预测澳大利亚小麦产量。农业与森林气象学，2019，274，144-159。
  92. Gümüşçü, A.; Tenekeci, M.E.; Bilgili, A.V. 基于现有气候数据，利用机器学习算法估算小麦播种日期。可持续计算与信息系统，2020，28，100308。
  93. Nevavuori, P.; Narra, N.; Lipping, T. 使用深度卷积神经网络进行作物产量预测。计算机电子农业，2019，163，104859。
  94. Koirala, A.; Walsh, K.B.; Wang, Z.; McCarthy, C. 深度学习——方法概述及其在水果检测和产量估计中的应用综述。计算机电子农业，2019，162，219-234。
  95. Kuwata, K.; Shibasaki, R. 利用深度学习和遥感数据估算作物产量。载于 2015 年 IEEE 国际地球科学与遥感大会（IGARSS）论文集，意大利米兰，2015 年 7 月 26-31 日；第 858-861 页。
  96. Kulkarni, S.; Mandal, S.N.; Sharma, G.S.; Mundada, M.R. 使用神经网络模型进行预测分析以提高作物产量。载于 2018 年计算、通信与信息学进展国际会议（ICACCI）论文集，印度班加罗尔，2018 年 9 月 19-22 日；第 74-79 页。
  97. Wulandhari, L.A.; Gunawan, A.A.S.; Qurania, A.; Harsani, P.; Tarawan, T.F.; Hermawan, R.F. 使用深度卷积神经网络检测植物养分缺乏。ICIC Express Lett. 2019, 13, 971-977。
  98. Watchareeruetai, U.; Noinongyao, P.; Wattanapaiboonsuk, C.; Khantiviriya, P.; Duangsrisai, S. 使用卷积神经网络识别植物养分缺乏。在 2018 年国际电气工程大会（iEECON）论文集，泰国甲米，2018 年 3 月 7-9 日；第 1-4 页。
  99. Ghosal, S.; Blystone, D.; Singh, A.K.; Ganapathysubramanian, B.; Singh, A.; Sarkar, S. 一种可解释的深度机器视觉框架用于植物胁迫表型分析。美国国家科学院院刊 2018, 115, 4613-4618。
  100. Sarkar, S.K.; Das, J.; Ehsani, R.; Kumar, V. 迈向自主植物病理学：通过近距离遥感检测柑橘黄龙病的成果与挑战。在 2016 年 IEEE 国际机器人与自动化会议（ICRA）论文集，瑞典斯德哥尔摩，2016 年 5 月 16-21 日；第 5143-5148 页。
  101. Ebrahimi, M.A.; Khoshtaghaza, M.H.; Minaei, S.; Jamshidi, B. 基于视觉的害虫检测方法，采用 SVM 分类方法。计算机电子农业，2017，137，52-58。
  102. Pantazi, X.E.; Moshou, D.; Tamouridou, A.A. 通过图像特征分析和单类分类器实现不同作物种类的自动叶片病害检测。计算机电子农业，2019，156，96-104。
  103. Sambasivam, G.; Opiyo, G.D. 农业中的预测性机器学习应用：利用卷积神经网络对不平衡数据集中的木薯病害进行检测和分类。埃及信息学杂志，2021，22，27-34。
  104. Ramcharan, A.; Baranowski, K.; McCloskey, P.; Ahmed, B.; Legg, J.; Hughes, D.P. 基于图像的木薯病害检测的深度学习方法。植物科学前沿，2017，8，1852。
  105. Mohanty, S.P.; Hughes, D.P.; Salathé, M. 使用深度学习进行基于图像的植物病害检测。植物科学前沿，2016，7，215232。
  106. Amara, J.; Bouaziz, B.; Algergawy, A. 基于深度学习的香蕉叶病害分类方法。载于《商业、技术与网络数据库系统（BTW 2017）- 研讨会论文集》；德国信息学会：德国波恩，2017 年。
  107. dos Santos Ferreira, A.; Freitas, D.M.; da Silva, G.G.; Pistori, H.; Folhes, M.T. 使用卷积神经网络进行大豆作物中的杂草检测。计算机电子农业，2017，143，314-324。
  108. Kumari, K.; Won, K.; Nafchi, A.M. YOLOv5 深度学习模型用于混合种子检测、分类与计数。载于 2024 年美国农业与生物工程师学会年会论文集，美国加利福尼亚州阿纳海姆，2024 年 7 月 28-31 日；第 1 页。
  109. Kumari, K.; Parray, R.; Basavaraj, Y.B.; Godara, S.; Mani, I.; Kumar, R.; Khura, T.; Sarkar, S.; Ranjan, R.; Mirzakhaninafchi, H. 基于光谱传感器的设备用于番茄中花生芽坏死病毒的实时检测及严重程度估计。J. Field Robot. 2024, 42, 5-19.
  110. Boursianis, A.D.; Papadopoulou, M.S.; Diamantoulakis, P.; Liopa-Tsakalidi, A.; Barouchas, P.; Salahas, G.; Karagiannidis, G.; Wan, S.; Goudos, S.K. 物联网（IoT）与农业无人机（UAV）在智能农业中的应用：综合综述。Internet Things 2022, 18, 100187.
  111. Barhate, D.; Nemade, V. 利用机器人技术进行农业应用的自动图像检测综合研究。载于 2019 年第三届电子、通信与航空航天技术国际会议（ICECA）论文集，印度科印拜陀，2019 年 6 月 12-14 日；第 637-641 页。
  112. Jha, K.; Doshi, A.; Patel, P.; Shah, M. 利用人工智能实现农业自动化的综合综述。Artif. Intell. Agric. 2019, 2, 1-12.
  113. Ian, H.; Wang, T.; Liu, Y.; Qiao, X.; Li, Y. 农业自动化中的计算机视觉技术综述。信息处理农业，2020，7，1-19。
  114. Sakai, H.; Shiigi, T.; Kondo, N.; Ogawa, Y.; Taguchi, N. 使用激光传感器在芦笋采收过程中实现精确位置检测。农业环境食品工程，2013，6，105-110。
  115. Monta, M.; Namba, K. 农业机器人三维感知系统。载于 2003 年 IEEE/ASME 先进智能机电一体化国际会议论文集（AIM 2003），日本神户，2003 年 7 月；第 2 卷，第 1216-1221 页。
  116. De Preter, A.; Anthonis, J.; De Baerdemaeker, J. 草莓采收机器人的开发。IFAC 论文，2018，51，14-19。
  117. Zhang, J.; Karkee, M.; Zhang, Q.; Zhang, X.; Yaqoob, M.; Fu, L.; Wang, S. 使用 faster R-CNN 的多类别目标检测及自动摇采苹果的摇动位置估计。计算机电子农业，2020，173，105384。
  118. Kane, K.E.; Lee, W.S. 不同柑橘品种的光谱传感用于精准农业。载于 2006 年 ASAE 年会论文集，美国马萨诸塞州波士顿，2006 年 8 月 19-22 日；美国农业与生物工程师学会：美国密歇根州圣约瑟夫，2006；第 1 页。
  119. Silwal, A.; Karkee, M.; Zhang, Q. 用于机器人采摘的苹果识别分层方法。ASABE 学报，2016，59，1079-1086。
  120. Pise, D.; Upadhye, G.D. 基于机器学习技术的采收芒果质量和成熟度分级。载于 2018 年智能城市与新兴技术国际会议（ICSCET）论文集，印度孟买，2018 年 1 月 5 日；第 1-6 页。
  121. Jun, J.; Kim, J.; Seol, J.; Kim, J.; Son, H.I. 面向高效番茄采摘机器人的研究：三维感知、操作与末端执行器。IEEE Access 2021, 9, 17631-17640。
  122. Liu, J.; Liu, Z. 基于视觉的目标识别、定位与采摘机器人控制综述。Int. J. Precis. Eng. Manuf. 2024, 25, 409-428。
  123. De-An, Z.; Jidong, L.; Wei, J.; Ying, Z.; Yu, C. 苹果采摘机器人设计与控制。Biosyst. Eng. 2011, 110, 112-122。
  124. Farooq, M.S.; Riaz, S.; Abid, A.; Umer, T.; Zikria, Y.B. 物联网技术在农业中的作用：系统文献综述。Electronics 2020, 9, 319。[CrossRef]
  125. Kusumam, K.; Krajník, T.; Pearson, S.; Duckett, T.; Cielniak, G. 基于 3D 视觉的田间西兰花头的检测、定位和尺寸测量。J. Field Robot. 2017, 34, 1505-1518. [CrossRef]
  126. Vincent, D.R.; Deepa, N.; Elavarasan, D.; Srinivasan, K.; Chauhdary, S.H.; Iwendi, C. 基于传感器驱动的人工智能农业推荐模型，用于评估土地适宜性。Sensors 2019, 19, 3667. [CrossRef] [PubMed]
  127. Mekonnen, Y.; Namuduri, S.; Burton, L.; Sarwat, A.; Bhansali, S. 基于无线传感器网络的精准农业中的机器学习技术。J. Electrochem. Soc. 2019, 167, 037522. [CrossRef]
  128. Shadrin, D.; Menshchikov, A.; Somov, A.; Bornemann, G.; Hauslage, J.; Fedorov, M. 通过嵌入式传感与人工智能实现精准农业。IEEE Trans. Instrum. Meas. 2019, 69, 4103-4113. [CrossRef]
  129. Estrada-López, J.J.; Castillo-Atoche, A.A.; Vázquez-Castillo, J.; Sánchez-Sinencio, E. 使用具有动态功率管理策略的自主无线传感器网络的智能土壤参数估计系统。IEEE Sens. J. 2018, 18, 8913-8923. [CrossRef]
  130. Ferentinos, K.P.; Tsiligiridis, T.A. 使用遗传算法的无线传感器网络自适应设计优化。Comput. Netw. 2007, 51, 1031-1051. [CrossRef]
  131. Horng, G.J.; Liu, M.X.; Chen, C.C. 智能农业中作物收获系统的智能图像识别机制。IEEE Sens. J. 2019, 20, 2766-2781. [CrossRef]
  132. Abdalla, A.K.; Nafchi, A.M. 可变速率施药器控制器设计。载于 2024 年 ASABE 年度国际会议；美国农业与生物工程师学会：美国密歇根州圣约瑟夫，2024；第 1 页。
  133. Grisso, R.; Alley, M.; Thomason, W.; Holshouser, D.; Gary; Roberson, T. 精准农业工具：变速率施用，弗吉尼亚合作推广；出版物 442-505；弗吉尼亚理工大学农业与生命科学学院传播与市场部：美国弗吉尼亚州布莱克斯堡，2011 年。
  134. He, X.; Ding, Y.; Zhang, D.; Yang, L.; Cui, T.; Zhong, X. 玉米播种机变速率播种控制系统开发 第二部分：田间性能。计算机电子农业，2019，162，309-317。[CrossRef]
  135. Shi, Y.; Zhang, K. 自主智能机电系统的先进模型预测控制框架：教程概述与展望。控制年评，2021，52，170-196。[CrossRef]
  136. Escolà, A.; Rosell-Polo, J.R.; Planas, S.; Gil, E.; Pomar, J.; Camp, F.; Llorens, J.; Solanelles, F. 变速率喷雾器。第一部分-果园原型：设计、实施与验证。计算机电子农业，2013，95，122-135。
  137. 张强。《作物种植的精准农业技术》；泰勒与弗朗西斯出版社：英国阿宾登，2016年；第374页。
  138. P.P. Pawase，S.M. Nalawade，G.B. Bhanage，A.A. Walunj，P.B. Kadam，A.G. Durgude，M.G. Patil。变速率施肥技术用于养分管理：综述。《国际农业生物工程杂志》2023，16，11-19。
  139. R. Swathy，V. Geethalakshmi，S. Pazhanivelan，P. Kannan，S. Annamalai，S. Hwang。实时氮监测与管理以提高氮利用效率和生态系统可持续性——综述。《危险材料进展杂志》2024，16，100466。
  140. C.C. Teoh，A.M. Syaifudin，O.M. Isa，B.A. Bakar。利用数字图像处理技术估算水稻植株数量。《热带农业与食品科学杂志》2008，36。
  141. Mohd, A.; Syaifudin, M.G.; Mohd, S.S.; Teoh, C.C.; Mohamad, A.; Mohd, N.N. 水稻精准农业中肥料的变速率施用。载于 2016 年 8 月 23-25 日在马来西亚吉隆坡举行的国际农业与食品工程会议（Cafei2016）论文集，第 277-281 页。
  142. Mirzakhaninafchi, H.; Singh, M.; Bector, V.; Gupta, O.P.; Singh, R. 变速率施肥器的设计与开发，实现肥料的实时施用。可持续性，2021，13，8694。[CrossRef]
  143. Taylor, R.; Fulton, J. 基于传感器的棉花变速率施用；俄克拉荷马州立大学俄克拉荷马合作推广服务；俄克拉荷马州斯蒂尔沃特，美国，2010 年；第 1-8 页。
  144. Chattha, H.S.; Zaman, Q.U.; Chang, Y.K.; Read, S.; Schumann, A.W.; Brewster, G.R.; Farooque, A.A. 用于野生蓝莓颗粒肥料实时点施的变速率撒布机。计算机电子农业，2014，100，70-78。
  145. Al-Gaadi, K.A.; Tola, E.; Alameen, A.A.; Madugundu, R.; Marey, S.A.; Zeyada, A.M.; Edrris, M.K. 固体肥料变速施用中的控制与监测系统综述。沙特国王大学科学杂志，2023，35，102574。
  146. Yamin, M.; Ismail, W.; Wan Ismail, W.I.b.; Saufi, M.; Kassim, M.S.M.; Abd Aziz, S.; Shamshiri, R.R. 用于土壤养分管理的变速率液体肥料施用器。科技科学工程杂志，2016，78。
  147. Lowenberg-DeBoer, J.; Erickson, B. 精准农业采用情况的澄清。农学杂志，2019，111，1552-1569。
  148. Erickson, B.; Lowenberg-DeBoer, J.; Bradford, J. 2020 年精准农业经销商调查；普渡大学农业经济与农学系，美国印第安纳州西拉法叶，2020 年。
  149. McFadden, J.; Njuki, E.; Griffin, T. 数字时代的精准农业：美国农场的最新采用情况；美国农业部经济研究服务处：美国华盛顿特区，2023 年。
  150. Tormen, G.P.; de Andrade, A.M.; Evaristo, A.B.; Campos, D.S.; Vieira, L.M.; Ferreira, M.L. 变速播种和施肥对豆类作物产量及光谱时序行为的影响。印度遥感学会杂志，2025 年，1-12 页。在线获取：https://link.springer.com/article/10.1007/s12524-024-02085-9（访问日期：2024 年 12 月 24 日）。
  151. Shimada, B.S.; Simon, M.V.; Da Silva, V.B.; Oliveira Nunes, D.S.D.; Miranda Litaiff, I. 氮素在玉米栽培中的重要性。国际实验农业杂志，2021 年，43 卷，37-45 页。
  152. Sands, R.D.; Meade, B.; Seale, J.L., Jr.; Robinson, S.; Seeger, R. 全球食品消费情景：对农业的影响；美国农业部经济研究服务处：美国华盛顿特区，2023 年。
  153. Yin, H.; Cao, Y.; Marelli, B.; Zeng, X.; Mason, A.J.; Cao, C. 土壤传感器和植物可穿戴设备用于智能和精准农业。先进材料，2021，33，2007764。[CrossRef] [PubMed]
  154. Singh, U.; Praharaj, C.S.; Gurjar, D.S.; Kumar, R. 精准灌溉管理：田间作物更高利用效率的概念与应用。载于《提高高地田间作物水生产率和资源保护，确保每滴水产出更多作物》；ICAR-IIPR：印度坎普尔，2019 年。
  155. Adeyemi, O.; Grove, I.; Peets, S.; Norton, T. 用于提升精准灌溉可持续性的先进监测与管理系统。可持续性，2017，9，353。[CrossRef]
  156. Hamami, L.; Nassereddine, B. 无线传感器网络在灌溉领域的应用综述。计算机电子农业，2020，179，105782。[CrossRef]
  157. Li, W.; Awais, M.; Ru, W.; Shi, W.; Ajmal, M.; Uddin, S.; Liu, C. 基于传感器网络的物联网与遥感灌溉系统综述。气象进展，2020，2020，8396164。[CrossRef]
免责声明/出版者声明：所有出版物中包含的陈述、观点和数据均仅代表各个作者和贡献者的个人观点，不代表 MDPI 和/或编辑的立场。MDPI 和/或编辑对内容中提及的任何思想、方法、指导或产品所导致的人员伤害或财产损失不承担任何责任。