《Smart Agricultural Technology》：Remote sensing and artificial intelligence for crop pest and disease monitoring: A systematic review of sensing technologies, AI approaches, and barriers to field adoption
编辑推荐：
病虫害暴发仍然是农业生产力的主要制约因素，因此，可靠的作物监测已成为精准农业中的优先任务。在此背景下，遥感与人工智能（AI）已成为改进跨空间尺度植物检疫问题检测与监测的互补性工具。本系统综述综合了遥感与AI在作物病虫害监测集成应用方面的最新进展，重点关注传感平
病虫害暴发仍然是农业生产力的主要制约因素，因此，可靠的作物监测已成为精准农业中的优先任务。在此背景下，遥感与人工智能（AI）已成为改进跨空间尺度植物检疫问题检测与监测的互补性工具。本系统综述综合了遥感与AI在作物病虫害监测集成应用方面的最新进展，重点关注传感平台、光谱信息、AI方法以及田间应用障碍。研究人员遵循系统综述与Meta分析优先报告条目（PRISMA）指南，从Scopus和Web of Science中检索文献，聚焦于2019年至2025年9月上旬前发表的英文同行评审研究。最终共有147篇研究满足纳入标准并进入定性分析。综述文献显示，无人机（UAV）与卫星观测的使用明显增加，并得到RGB、多光谱、高光谱、热红外以及近距传感配置的支持。在AI方法中，卷积神经网络（CNN）仍是主导性方法，而随机森林（RF）与支持向量机（SVM）等机器学习模型也仍被广泛应用，尤其常见于光谱数据集。综合所评估研究可见，光谱指数与高光谱特征是早期胁迫检测中的重复性输入，而近期研究日益纳入图像分割、目标检测、Transformer以及多模态数据融合。尽管取得了这些进展，大规模实施仍受到数据可得性、成本、田间条件变异性以及外部验证不足的限制。总体而言，现有证据表明，遥感与AI的集成正在朝向可扩展且可操作的作物健康监测系统发展，但仍需进一步强化其稳健性、可迁移性与田间部署能力。
该文发表于《Smart Agricultural Technology》，是一篇围绕作物病虫害智能监测前沿进展展开的系统综述。研究背景在于，病虫害暴发持续威胁农业生产安全，传统依赖人工巡田和目视识别的监测方式效率低、劳动强度大、主观性强，而且难以适用于大面积农田。与此同时，化学防治虽然仍被广泛采用，但其高成本及对生态环境和人体健康的潜在危害，使精准、早期、可扩展的监测体系成为现代农业的重要需求。正是在这一现实问题驱动下，遥感因其近实时、大范围、多尺度观测能力，人工智能因其对海量复杂数据的自动解析能力，被逐渐整合为作物病虫害监测中的核心技术路线。该研究开展的必要性在于，尽管近年相关论文数量迅速增加，但关于平台类型、传感器模态、光谱特征、算法谱系及田间落地障碍的系统性归纳仍然不足，研究人员因此有必要对这一领域进行结构化梳理与综合评估。
研究人员依据PRISMA流程，对2019年至2025年9月上旬之间发表在Scopus与Web of Science中的英文同行评审文献进行系统检索，并以PICO框架构建研究问题。最终从初始检索得到的1082条记录中筛选出147篇符合标准的研究，围绕作物类型、病虫害对象、遥感平台、传感器类型、光谱信息、AI方法、分析任务与评价指标进行定性综合。文章的核心结论是：遥感与AI的融合已经成为作物病虫害监测的重要发展方向，其中无人机和卫星是最主要的数据采集平台，RGB、多光谱、高光谱与热成像是最常见的数据来源，CNN在图像任务中占据主导，RF与SVM在结构化光谱数据分析中依然具有重要地位；然而，从实验室或概念验证走向真实田间的大规模应用，仍受到数据规模不足、标注成本高、环境变异、症状混淆、外部验证有限及算力与成本约束等多重障碍限制。该综述的重要意义在于，为精准农业中病虫害智能监测技术的发展路径、方法选择与应用转化提供了清晰的知识框架，也为后续提升稳健性、泛化性和可部署性指明了方向。
在研究方法方面，作者主要采用了系统综述方法学框架。研究以PRISMA指南保证筛选流程透明可追溯，并用PICO框架界定研究对象、技术干预、比较条件与预期结果；数据来源为Scopus与Web of Science数据库中的同行评审文献，而非单一实验样本队列。纳入研究后，研究人员按遥感平台、传感器模态、光谱特征、AI模型、分析任务和评价指标进行结构化提取与归类，并结合关键词共现分析、时间分布、国家分布及方法学比较，对147篇文献展开定性综合分析。
在研究结果部分，文章首先以“3.1 General trends”总结总体趋势。研究显示，2019年至2025年间，遥感与AI在农业病虫害监测中的应用研究数量持续增长，反映出该领域受到越来越多关注。关键词共现结果显示，“machine learning”“UAV”“disease detection”“remote sensing”“deep learning”“hyperspectral imaging”等为高频主题，说明无人机平台、深度学习与高光谱分析已成为研究核心。地域分布上，中国、美国和印度处于较活跃位置，表明相关研究集中于技术投入较高地区，但发展中国家的参与度也在提升。
在“3.2 Remote sensing platforms and sensor modalities”部分，文章系统归纳了遥感平台与传感器模态。研究表明，无人机（UAV）是最具灵活性的监测平台，能够搭载RGB、多光谱、高光谱、热红外与LiDAR等多类载荷，适于厘米级空间分辨率的田间观测。卫星平台则提供更大范围与更高时间连续性的区域监测能力。高光谱传感器凭借对350–2500 nm范围内反射率的精细记录，可识别色素、含水量与健康状态的细微变化；多光谱传感器则以成本较低、操作较简便的特点成为高效农业监测的重要方案；RGB图像因低成本、高分辨率而广泛应用于症状识别、冠层制图和损伤评估；近地光谱和便携设备则增强了模型校准与验证能力。总体上，不同平台与传感器之间体现出空间分辨率、光谱信息量、成本、可扩展性和操作复杂性之间的权衡关系。
在“3.3 Spectral information and image-derived features”部分，研究人员指出，光谱指数与特定波段特征是连接原始遥感观测与AI检测流程的关键桥梁。多光谱研究中常采用归一化植被指数（NDVI）、绿色归一化植被指数（GNDVI）、归一化红边指数（NDRE）、土壤调节植被指数（SAVI）和优化土壤调节植被指数（OSAVI）等指标，用于刻画作物活力、胁迫与病虫害状态。RGB数据流程中，常见特征包括可见光抗大气指数（VARI）与超绿指数（ExG）。高光谱研究则主要聚焦可见光—近红外（VIS–NIR）乃至短波红外（SWIR）范围内的密集光谱采样，用于识别早期、细微的生理变化。热红外（LWIR）与主动光学信号则作为补充模态，增强对温度和散射特征的获取能力。
在“3.4 Dataset characteristics”部分，文章指出，现有研究数据集来源多样，但异质性很高。无人机影像数据集在所纳入文献中最常见，常配合人工掩膜、病害等级、虫口计数或地理标签使用，但其规模、标注质量和跨年份迁移能力差异明显。卫星与多时相数据集在空间覆盖和时间连续性方面具有优势，适用于区域尺度病害识别、虫情预测与阈值分类，但受限于空间分辨率较粗、云污染、缺失观测与训练样本不足。近地与实验室高光谱数据集有助于识别敏感波段和隐匿性生理变化，但很多采集于温室或受控条件，开放田间可推广性有限。多源融合数据集虽更全面，但也引入了传感器校准、时间同步和预处理复杂化等新挑战。
在“3.5 AI methods and analytical tasks”部分，研究系统总结了AI算法谱系。CNN是最常见的深度学习（DL）架构，适用于RGB、多光谱、高光谱和热成像中的病斑、褪色、纹理变化和虫害损伤识别。语义分割中常见U-Net、DeepLabV3+、PSPNet、SegNet、HRNet等，用于叶片、病斑和冠层区域的像素级分割；目标检测中常见YOLO、Faster R-CNN、Mask R-CNN、EfficientDet与RetinaNet，用于昆虫、病果、受害区域的定位与计数。传统机器学习（ML）方法如SVM、RF、决策树（DT）、k近邻（kNN）、线性判别分析（LDA）和偏最小二乘（PLS）主要应用于结构化光谱变量和植被指数数据，尤其适于样本规模有限场景。研究还指出，Transformer、注意力机制、自编码器、生成对抗网络（GAN）及混合模型正在增加，显示该领域正向更复杂、更具适应性的建模方向发展。
在“3.6 Main crops and target pests/diseases”部分，文章归纳了主要作物和目标病虫害。研究涉及小麦、水稻、玉米、马铃薯、大豆、番茄、苹果、香蕉、草莓、葡萄等经济重要作物。病虫害对象包括真菌病害、细菌病害、病毒病害、土传病害、昆虫害虫、螨类、线虫以及多病并发情况。文章强调，不同病原或害虫的生物学特征决定了其遥感可观测响应类型。例如，叶部真菌病常形成可视化病斑和纹理改变，适于图像分类与分割；细菌病往往导致坏死和含水量变化，易与非生物胁迫混淆；病毒病通常表现为黄化、卷叶和镶嵌，适合多时相监测；根部和维管束病害则常需依赖冠层活力下降等间接代理变量进行识别。
在“3.7 Common methodological workflow”部分，研究总结了较为通用的方法流程：首先通过UAV、卫星或近地传感系统采集RGB、NIR、高光谱或热红外数据；随后进行辐射校正、几何校正、归一化、去噪和图像分割等预处理；再提取植被指数、纹理特征与关键光谱特征；之后利用AI模型开展分类、检测、分割或回归；最后通过k折交叉验证、准确率、召回率、F1-score、AUC-ROC、Kappa等指标进行评估，并输出热图、分布图和健康状态报告，用于植物保护决策支持。
在“3.8 Barriers to field adoption and operational deployment”部分，作者集中讨论了田间转化障碍。主要问题包括：数据集规模偏小且真实田间公开数据不足，尤其限制深度学习模型泛化；人工标注成本高且易受主观性影响；预处理与标准化流程复杂，增加了技术门槛；光照、温湿度、风、阴影和冠层结构差异等环境变异显著影响模型稳定性；病害信号与非生物胁迫、杂草、裸土、衰老组织等存在混淆，易产生假阳性；不少模型仅在单一地区、季节、品种或受控条件下验证，缺乏跨区域外部验证；同时，高复杂度模型在实时部署、边缘计算和机载应用中仍受算力、能耗与载荷限制。文章进一步指出，许多研究虽能输出分类图或严重度等级，但与实际防治措施之间的衔接仍不充分。
在讨论部分，研究人员认为，遥感与AI对农业病虫害监测的积极影响已得到较充分证据支持。关于数据采集效率，UAV在高空间分辨率、快速覆盖和田间作业灵活性方面最具优势，卫星则在区域监测和多时相分析中发挥补充作用。关于敏感波段选择，综述显示早期检测往往不能仅依赖可见光，而需借助红边、近红外甚至短波红外信息。关于预处理重要性，研究指出许多高性能模型的实现依赖严谨的辐射校正、图像配准、背景去除和特征筛选，预处理并非附属步骤，而是模型可靠性的决定因素。关于特征提取，植被指数是连接作物生理变化与管理决策的重要桥梁。关于模型准确性，深度学习在复杂图像任务上表现突出，但传统ML在光谱数据小样本情境中仍保持竞争力。关于验证与泛化，现有研究虽常报告较高准确率和F1-score，但跨地区、跨年份、跨品种的稳定应用仍是未充分解决的问题。讨论部分还特别指出，若将模型输出直接用于定点施药，假阳性会带来额外巡查或不必要施药，因此操作流程必须重视精确率、特异性和二次确认机制。总体而言，未来研究需要从“模型导向”进一步转向“决策导向”，使AI结果真正服务于病虫害监测、预警和精准防控。
研究结论部分可译为：本研究表明，将遥感与人工智能（AI）集成用于精准农业中的作物病虫害检测、监测与管理具有重要价值。这一方法能够将以往依赖人工巡查的过程自动化，从而在精度、可扩展性与农业生产可持续性方面带来显著收益。该综述的重要贡献之一，在于识别出植物检疫问题图像获取与自动分析中最具代表性的技术路径。搭载多光谱与高光谱传感器的无人机（UAV）正成为最关键的技术之一，因为其能够以较高的空间和时间分辨率监测大范围区域；与此同时，卫星平台则提供区域尺度上的连续覆盖，对UAV提供的精细观测形成补充。在AI方面，卷积神经网络（CNN）是病虫害检测与分类中应用最广的模型之一，且多项研究报告了较高预测性能。深度学习算法已显示出从不同类型观测数据中学习判别特征的能力，既能够利用可见光范围之外的光谱响应，也能够识别细微空间纹理，从而促进更早期的检测与更及时的预防措施实施。此外，迁移学习策略使基于YOLO、ResNet或EfficientNet等架构的预训练模型得以复用，减少了其适配新作物或新地区所需的时间与资源。另一项重要发现是，NDVI等光谱指数在识别与病虫害相关的作物胁迫方面具有重要作用。这些指数与高光谱和多光谱图像结合后，已被证明可在损伤肉眼可见之前识别植物检疫问题的早期阶段，从而有助于减少产量损失，并支持更精确、更局部化的干预。然而，这些技术的应用仍面临重要挑战。高空间分辨率影像获取需求、用于训练AI模型的公共数据库不足，以及无人机和先进传感器购置成本较高，都是限制其大规模采用的关键障碍，尤其对小农户更为明显。解决这些限制需要建立协作式数据库、开发更具可迁移性的模型，并降低农业遥感与AI应用的总体成本。该综述结果还揭示了若干未来研究机会，包括移动性害虫行为预测、更高效稳健算法开发、外部验证加强、多模态数据融合以及真实农业条件下的田间尺度实施。总体而言，遥感与人工智能的结合已显示出改变精准农业病虫害监测与管理方式的强大潜力，可推动农业生产向更高效、更经济且更具环境责任的方向发展，同时有助于减少农药使用并保护生态系统。
