《Smart Agricultural Technology》：Hyperspectral, Multimodal Fusion, and TinyML for Rice Crop Monitoring: A Focused Survey and Synthesis Toward the TinyRiceNet Framework
编辑推荐：
可靠的水稻病害、胁迫、生长与产量监测需要在多个传感尺度与时间维度上获取证据。本聚焦综述综合了高光谱与多光谱传感、多模态融合及机器学习在水稻监测田间部署方面的研究。本文中，TinyML（微控制器级机器学习）特指在严格内存、计算与能量约束下于微控制器上进行的推理；
可靠的水稻病害、胁迫、生长与产量监测需要在多个传感尺度与时间维度上获取证据。本聚焦综述综合了高光谱与多光谱传感、多模态融合及机器学习在水稻监测田间部署方面的研究。本文中，TinyML（微控制器级机器学习）特指在严格内存、计算与能量约束下于微控制器上进行的推理；其区别于在能力更强的设备与田间网关上的广义边缘计算。结构化的检索与筛选流程共获得108篇文献，并按证据范围与方法学作用对其分类。综合分析表明，公开的农业高光谱基准数据集主要表征单一日期，支持光谱与空间建模，而业务化产量预测通常需要多时相卫星、无人机（UAV）、气象或田间测量数据。水稻病害与生理研究在单项研究内表现出较强性能，但由于目标、样本单元与验证设计异质，研究间比较仍受限。多模态研究支持互补性传感，但少有研究系统检验定标误差、缺失或异步输入、季节迁移或分布漂移。部署研究很少报告完整的设备、内存、时延、能耗、量化与田间测试结果。TinyRiceNet作为概念性综合框架提出，而非新训练或已基准测试的模型。该框架组织光谱胁迫评估、视觉症状检测、季节产量估计以及兼顾数据质量的融合，同时保留各自不同的标签与验证要求。本综述将配对的多尺度水稻数据集、外部验证、缺失模态条件下的评估、跨传感器迁移以及透明的硬件报告确定为可部署水稻监测研究的优先方向。
研究背景与问题 水稻作为全球最重要的主粮作物之一，其可持续生产依赖对作物状态、病害、生理胁迫、生长与产量的及时评估。传统田间巡查与破坏性取样虽能提供关键地面真值，但劳动强度大、空间稀疏且难以规模化重复。遥感与机器学习可通过高光谱与多光谱测量、RGB影像、卫星与无人机（UAV）数据、雷达及环境传感扩展观测能力。高光谱测量因窄而连续的波段可揭示色素、水分、叶片结构与养分状态相关变化，但传感器成本、定标、数据量与环境变异使常规田间应用复杂化。多模态融合旨在整合单一传感源无法完整捕获的互补信息，然而各输入在空间分辨率、采集时间、定标与标签语义上存在差异，融合更多模态并不自动改善模型，其价值取决于配准、验证设计及信息融合所处的阶段。部署层面进一步区分：TinyML特指在微控制器级设备上于严格内存、计算与能量约束下进行的机器学习推理，边缘计算为更广范畴，亦包括能力更强的单板计算机与田间网关，因此在Raspberry Pi或Jetson级平台上获得的结果可证明边缘部署，但未必证明微控制器级TinyML可行性。现有文献连接这些主题仍显碎片化：公开高光谱基准多为单日期场景并按土地覆盖或作物类型标注，而产量预测需要季节观测与收获标签；病害与胁迫研究可能采用受控叶片图像、田间冠层或间接生理代理指标，部署研究常报告压缩或运行时性能而缺乏水稻特异性验证；水稻证据亦常与其他作物结果或通用算法并列呈现而未明确迁移依据。这些差异使判断各数据集或模型实际支持何种结论及其与田间部署的距离变得困难。
研究内容与结论 针对上述空白，研究人员开展了结构化聚焦综述与定性证据综合，涵盖高光谱传感、多模态融合及TinyML或边缘部署用于水稻监测。研究不将TinyRiceNet呈现为新训练或已部署系统，而是作为概念性综合框架，连接传感模态、任务需求、融合选择、缺失输入与部署约束方面的证据，且不假定独立采集的数据集可直接兼容。综述作出四项贡献：第一，按标签类型、时间覆盖、传感尺度与适用用途比较高光谱场景、光谱库、多光谱卫星源及水稻专用图像或多模态数据集；第二，以样本量、验证设计、报告指标与泛化局限批判性审视水稻胁迫、病害、生理状态与产量研究；第三，区分数据级、特征级与预测级融合，并分离同目标融合与异质输出的任务级整合；第四，以设备类别、模型大小、内存、时延、能耗、量化效应、传感器可行性与田间就绪度评估TinyML及更广边缘证据，明确区分直接水稻证据、可迁移作物证据与通用算法或工具证据。其重要意义在于为可部署水稻监测研究识别出优先方向：配对的多尺度水稻数据集、外部验证、缺失模态条件下的评估、跨传感器迁移及透明的硬件报告。
关键技术方法 研究采用结构化聚焦综述与定性证据综合设计，围绕四个研究问题组织：可用数据集及其支持目标、主导算法族、模态异质下的可辩护融合策略、部署相关证据。证据识别结合IEEE Xplore、ACM Digital Library、SpringerLink、ScienceDirect、MDPI、arXiv、Google Scholar、数据集仓库、引文列表与权威平台文档检索；为获得跨出版商一致的检索与筛选计数，于2026年9月3日在OpenAlex执行标准化题录摘要检索，文献资格期自1980年1月1日至2026年7月22日。十七项固定检索归入四个证据域，导出题录、摘要、出版日期、类型、来源、作者、DOI与OpenAlex标识。研究建立证据分层（直接水稻证据、可迁移农业证据、通用算法或工具证据、支撑或背景来源）并在提取与综合中保持分离，同时构建任务、模态、标签、验证与部署解释框架。
研究结果 数据集与传感资源方面，研究人员按标签类型与时间覆盖比较水稻专用资源与可迁移基准，指出WHU-Hi-LongKou等单日期无人机高光谱场景仅支持作物分类与光谱—空间模型比较，缺乏胁迫、病害严重度、生育期或产量标签；RiceLeafBD、RiceSEG、RiceStageSeg等提供叶片病害、冠层分割与生育期像素标签，但光谱、冠层与产量信息有限；Indian Pines、Salinas等可迁移基准缺少水稻特异性农艺目标。胁迫与病害评估方面，受控叶片高光谱研究在跨品种迁移与多生育期病害分级中报告较高精度，但样本量小、离体叶片与单点采集限制田间外推；无人机冠层高光谱结合植被指数与集成学习在跨年测试中表现良好，但仍受单一研究区与季节敏感性制约；低成本多光谱传感器与模拟Sentinel-2波段研究显示波段精简的可行性，然其非水稻田间胁迫数据集。产量预测方面，直接水稻研究显示无人机高光谱与多光谱指数、卫星时间序列及气象变量可支持地块至区域尺度估计，但验证设计差异显著：随机划分不能证明跨站点或跨年迁移，空间相关网格单元与次年田块预测误差明显增大，表明外部预测严于关联拟合。多模态融合方面，RGB与多光谱或NDVI融合带来有限增益，且少有研究检验定标误差、缺失或异步输入、季节迁移与分布漂移。TinyML与边缘部署方面，部署研究 seldom 报告完整设备、内存、时延、能耗、量化与田间测试结果，Raspberry Pi或Jetson级结果不能等同于微控制器级可行性。
讨论与结论 讨论部分整合研究空白与未来方向，强调证据分层对解释结论边界的重要性，并指出TinyRiceNet作为概念框架组织光谱胁迫评估、视觉症状检测、季节产量估计与顾及数据质量的融合，同时保留不同标签与验证要求。研究结论为：可靠水稻监测需跨传感尺度与时间的证据；公开高光谱基准多为单日期且支持光谱与空间建模，业务化产量预测需多时相卫星、无人机、气象或田间测量；水稻病害与生理研究单项性能较强但跨研究比较受目标、样本单元与验证设计异质限制；多模态研究支持互补传感但缺乏对定标误差、缺失或异步输入、季节迁移与分布漂移的系统检验；部署研究鲜有完整报告设备、内存、时延、能耗、量化与田间测试结果。综述将配对多尺度水稻数据集、外部验证、缺失模态评估、跨传感器迁移与透明硬件报告列为可部署水稻监测研究的优先事项。
