《Agricultural Research》：Can AI-Based Crop Health Monitoring and Predictive Analytics Attain Sustainable Crop Production?
编辑推荐：
可持续农业对保障全球粮食安全、应对环境退化及资源短缺至关重要。传统农艺模式，尤其是过量施用农用化学品，已导致土壤生物多样性丧失、病虫害抗药性增强及作物产量整体下降。人工智能（AI）与云计算、遥感技术的融合，推动智慧农业向低成本、高响应性的多场景解决方案拓展。然
可持续农业对保障全球粮食安全、应对环境退化及资源短缺至关重要。传统农艺模式，尤其是过量施用农用化学品，已导致土壤生物多样性丧失、病虫害抗药性增强及作物产量整体下降。人工智能（AI）与云计算、遥感技术的融合，推动智慧农业向低成本、高响应性的多场景解决方案拓展。然而现有研究多未充分挖掘多技术协同应用的潜力，亦缺乏系统化的集成实施路径。本综述系统探讨融合云计算与遥感的AI驱动型可持续作物生产体系，阐释智能传感器、卫星与航空成像平台及云化数据基础设施在构建作物健康监测与预测性分析能力中的核心作用。研究批判性分析了数据异构性、假阳性结果及AI模型可解释性等关键挑战，并提出未来研究方向，旨在构建多模态、鲁棒性强且可解释的AI系统，以支撑可持续、智能化且具有韧性的农业生态系统发展。
引言
农业是印度支柱产业，约60%人口以此为生，其作为全球最大农业经济体之一，在多样化农业气候区种植多种作物。尽管灌溉、种子技术及农艺措施已取得进展，作物病害仍是印度农业的核心制约因素。真菌、细菌、病毒及线虫引发的植物病害，叠加气候波动、单一栽培及早期诊断不足等问题，严重威胁农业生产。土地碎片化、农技推广服务薄弱及缺乏病害预测系统进一步削弱了农业系统韧性。随着数字农业发展，遥感、云计算与AI技术正被探索用于破解这一长期难题。
可持续农业
可持续农业指在保护生态环境、提升经济可行性与改善农业社区生活质量的前提下，生产粮食、纤维及动植物产品。滴灌、雨水收集与精准灌溉等技术可保障作物水分供给，同时避免加剧水资源短缺与水生态污染。可持续实践可降低投入成本、稳定产量，并为有机或生态标识产品开拓高端市场，进而活化农村生计、保护文化遗产并强化粮食主权。环境管理、经济可行与社会责任的三维协同，使可持续农业成为构建韧性、公平粮食系统的理想范式。
遥感技术在可持续农业中的应用
遥感技术可对大尺度区域农业活动进行精准监测，有力支撑可持续农业发展。归一化植被指数（NDVI）可量化光合活性、生物量积累及胁迫响应，通过早期识别营养亏缺、水分胁迫与虫害侵染，支持及时干预以减少投入浪费与作物损失。此外，遥感可通过监测大气变量、植被含水量及地表水位开展自然灾害分析。
云计算范式在可持续农业中的应用
云计算通过互联网提供共享计算资源、数据存储与软件服务，可整合遥感数据、传感器网络与农业模型，支撑数字农业中实时、循证的农场管理。云服务可根据农业生产规模与复杂度的实时需求动态调配资源。现代云服务商通过增强网络安全、数据加密及遵循国际标准，保障用户隐私与数据完整性。遥感与云计算的农业集成体系，可在全球粮食系统面临多重挑战的背景下，保障后代的可持续性、生产力与公平性。
植物病害：来源与检测
植物病害长期威胁农业生产力与粮食安全，在环境胁迫、虫害入侵及农艺措施改变导致作物感病性上升的背景下，高效病害管理的重要性愈发凸显。病原体可通过根、茎、叶、果实及种子侵染植株，明确侵染位点是制定降低病原危害管理策略的基础。
植物病害
真菌、细菌、病毒及线虫等病原体引发各类植物病害。生物防治通过利用自然天敌或拮抗生物控制病害，而把握全球尺度的植物病害传播动态是开发有效管理措施的前提。
植物病害来源
根部侵染会导致生长迟缓与养分吸收受限，茎部侵染则削弱植株结构与功能。疫霉菌（Phytophthora）、镰刀菌（Fusarium）及线虫等引起的根部病害会严重阻碍水分与养分吸收，诱发萎蔫与发育不良。
植物病害发生
真菌、细菌、病毒及线虫等病原体通过自然孔口或伤口侵入植株的根、茎、叶与果实，显著降低作物产量与品质。构建融合文化防治、化学防治与生物防治的综合病害管理体系，是实现低环境影响的可持续作物保护与病害管控的核心路径。
病害检测方法
传统方法
早期植物病害检测依赖人工观测与经验判断，主观性强且误差率高，难以快速覆盖大规模农田，也无法预测病害传播规律。随着植物病害复杂性提升，开发可扩展、高精度、早预警的检测系统成为必然趋势，推动技术向自动化、数据驱动模式转型。
常规方法
传统植物病害检测以显微观测为核心，通过光学或电子显微镜观察染病组织样本中的真菌孢子、细菌菌落或病毒内含体。微生物培养法则利用选择性培养基从染病组织中分离培养病原体，但存在检测周期长、操作繁琐的局限。
植物病害检测对人工智能的需求
传统检测方法的局限性，叠加植物病害传播速度快、致病机制复杂的特征，凸显了集成AI技术的迫切性。机器学习（ML）与深度学习（DL）算法可基于健康与染病植株图像的标注数据集，评估植株状态并预测病害发生。AI系统可实现病害早期识别，有效减少产量损失并阻断跨区域传播。
遥感技术在可持续农业中的作用
精准农业依赖遥感技术实现作物健康、土壤及环境数据的高效、大尺度采集。卫星、无人机（UAV）及近地传感技术使农户与农艺师能在症状显症前识别植株胁迫，这对减损、病害管控及资源高效利用至关重要。遥感技术支持对大面积、难进入农田的持续、非破坏性监测，结合地理空间数据分析与决策支持系统，可实现病害热点区域的精准制图。
数据采集方法
现代遥感通过多平台、多传感器在不同空间、光谱与 temporal分辨率下记录病害症状。基于雷达的遥感技术，尤其是合成孔径雷达（SAR），可监测病害发展导致的冠层结构与含水量变化。集成化数据采集方法是实现数字植物病理学自动化、规模化及可持续植株健康监测的基础。
遥感中传感器在植物病害检测中的作用
传感器可追踪叶绿素荧光、挥发性有机物排放等生理指标，结合光谱与结构数据，变革了植物病害诊断与防控模式。传感器技术在植株健康监测、病害早期预警及产量优化中发挥核心作用。
遥感图像预处理
预处理将原始卫星或航空影像转化为科学可靠、可供分析的信息，主要流程包括去云去影、镶嵌及波段选择，以提升数据集质量。
数据处理挑战
洪水制图、火灾监测等实时与近实时应用需要流处理框架、边云协同、超低延迟及并行推理管道支撑。气候建模等长周期归档则需自动化生命周期管理与数据完整性保障机制，如异地冗余备份与校验和验证。
遥感数据为何需要云计算
云计算具备固有的鲁棒性与弹性，适配大规模遥感数据的采集、存储、处理与分发需求。云基础设施集成的图形处理器（GPU）与张量处理器（TPU）可加速卷积神经网络（CNN）等计算密集型任务，支撑卫星影像的分类、语义分割与异常检测。
面向可持续农业的云计算
云系统为现代农业中物联网（IoT）设备、卫星影像与精准农机具的实时数据汇聚、分析与响应提供算力与存储支撑。物流与库存管理的优化可减少采后损失，提升可追溯性与可持续性。区块链与IoT技术的集成保障了数据不可篡改，增强消费者对道德环保农产品的信任。
云计算在可持续农业中的应用
云计算赋能的数据驱动模式正推动农业向可持续转型，通过整合卫星、无人机、移动应用与IoT传感器的多源数据，支撑AI与ML等高级分析工具的实时决策，实现智能灌溉、气象响应型种植计划与投入品精准管理，并通过移动应用与仪表盘提升农户数据可及性。
云化遥感数据管理
卫星、UAV、激光雷达（LiDAR）系统与高光谱传感器产生的海量数据，对存储、访问、预处理与实时分析构成挑战。Google Earth Engine、Microsoft Planetary Computer与OpenEO等平台支持多计算节点的并行地理空间分析，缩短大规模环境与农业监测项目的处理周期。云系统通过集成流处理框架（如Apache Kafka、AWS Kinesis），结合AI/ML模型实现自动目标检测、土地覆盖分类、变化检测与异常识别，完成遥感数据的实时处理。
图像处理在作物病害预测中的作用
大津阈值法（Otsu thresholding）、k均值聚类与边缘检测等传统方法应用广泛，但U-Net、DeepLab与Mask R-CNN等深度学习模型在复杂农业场景中精度更优。经典算法与深度学习算法可基于提取特征实现病害分类。Google Earth Engine、AWS SageMaker与Microsoft Azure AI等云平台可支撑海量视觉数据的实时存储与分析。
病害检测与分类
改进型YOLOv5模型在作物杂草识别中准确率可达95.3%；优化的模糊深度CNN结合特征选择策略，实现黄瓜病害识别精度98%，并通过Web应用支持实时检测；频域与小波融合的FHWD方法使叶片病害分割准确率达98%；结合Sheaf注意力U-Net与聚类的框架实现叶片病害精准分割，准确率98%；融合IoT传感器与混合深度学习的PlantDetectNet将分类准确率提升至98.8%；轻量Slender-CNN在多作物病害检测中表现优异，资源受限条件下总体准确率达88.54%；高光谱遥感结合机器学习实现番茄枯萎病检测准确率80%；混合Inception深度可分离CNN模型IX-CNN在多数据集上实现近完美早期病害检测精度；CNN与视觉Transformer（ViT）融合网络通过提取全局与局部特征，在多病害分类中准确率超98%；鲸群算法与粒子群优化（PSO）混合的特征选择方法将水稻病害分类准确率提升至97.5%。
用于作物病害检测的人工智能
机器学习在作物病害检测中的应用
机器学习可自动化分析图像、传感器数据与环境参数，实现作物病害诊断。决策树、支持向量机（SVM）、随机森林（RF）、K近邻（KNN）及集成学习算法可从标注图像数据集中学习，区分健康与染病植株。机器学习模型可处理卫星影像、无人机视觉数据与气象记录等多源信息，通过挖掘变量间隐含关联预测病害暴发。
深度学习在作物病害检测中的应用
深度学习基于人工神经网络（ANN），通过自动化特征提取解决复杂数据解析难题。其可扩展性适配基于无人机或卫星影像的大尺度实时病害监测需求。迁移学习通过预训练模型（如VGG16、ResNet、Inception）在有限作物特定数据集上的微调，有效缓解了农业标注数据不足的挑战。
混合学习在作物病害检测中的应用
混合学习融合机器学习与深度学习的优势，提升病害检测的精度、特征提取能力与模型可靠性。通过整合SVM、RF等传统机器学习模型与CNN等深度学习模型，混合系统兼具深度学习的复杂模式识别能力与机器学习的高效训练、高可解释性特征。部分混合框架融合多类CNN架构（VGG16、ResNet与Inception），进一步提升鲁棒性并降低过拟合风险。
作物病害预测研究进展
作物病害预测的预测技术
联邦学习环境下的深度神经网络可在保障数据隐私的前提下实现作物病害预测；YOLO v9与GELAN变体等先进深度学习目标检测器在木薯数据集上实现80%以上的叶片病害识别精度，支持早期干预；ZHPO-LightXBoost算法通过优化LightXBoost超参数，将农药残留预测的决定系数（R2）提升0.004–0.042并降低误差，支撑安全农事操作；基于Sentinel-2卫星数据的三红边指数（TREI）较传统植被指数性能更优；35种机器学习模型在PlantVillage数据集上的测试验证了多作物病害检测的算法效能；孪生视觉Transformer融合VGG16、深度可分离卷积与注意力网络，实现98.88%的病害分类精度；MobileNetV3 CNN在片上系统（SoC）中的集成使分类速度提升24倍，能耗降低19%；改进型VGG-16融合批归一化、指数线性单元（ELU）激活函数、全局平均池化（GAP）与InceptionV2模块，在PlantVillage数据集上实现98.89%的分类精度；物联网（IoT）驱动的三阶段模型结合VGG16特征提取、混合注意力网络与改进旗鱼优化器（API-SFO），实现病害精准检测。
基于云的作物病害预测
PYOLO模型通过BiFPN与EC2f结构增强多尺度特征融合与动态核调整，较YOLOv8n的病害检测平均精度（mAP）提升4.1%；多路径PAN网络结合基于机器学习的自动编码器，在噪声传输环境下提升病害检测可靠性；生成对抗网络（GAN）（CycleGAN、DCGAN）用于数据增强，CycleGAN-MobileNet组合实现水稻病害检测98.54%的准确率；跨平台AI-CNN系统支持16种作物的46类病害识别，配套应用准确率达93.45%；MobileNetV2在ARM Cortex-M微控制器上的部署实现田间原位水稻病害检测，准确率97.5%，适配资源受限农场；基于物候的水稻监测系统结合Sentinel-1/2与Google Earth Engine，通过k均值聚类与前馈深度神经网络（FDNN）实现作物制图与病害检测；机器学习驱动的实时作物推荐系统（TCRM）通过网页与短信提供区域特异性建议，准确率94%；DSC-TransNet融合VGG19与Transformer模块，实现番茄、葡萄与甜椒病害实时检测准确率99.97%；随机森林（RF）、极端梯度提升（XGBoost）、SVM与ANN模型结合生物物理与气候特征，可有效预测印度东部水稻病害，并通过CMIP6投影验证；改进型YOLOv5X实现作物杂草分类95.3%的准确率，并通过Flask框架支持Web应用实时部署。
基于遥感的作物病害预测
多时相卫星影像结合半物理模型估算小麦种植面积与产量，与官方统计数据偏差较低；随机森林（RF）结合多物候变量提升花生产量预测精度，R2表现优异且误差最小；Sentinel-2 NDVI时间序列结合气候变量预测木薯花叶病，XGBoost模型效果最优；随机森林（RF）模型较传统模型更能精准反演水稻与玉米氮含量，筛选出最优植被指数（VIs）；无人机-卫星集成系统结合最小冗余最大相关（mRMR）特征选择与RF分类器，实现水稻稻瘟病高精度检测；逻辑回归识别出大豆线虫侵染的关键光谱波段；层次线性模型（HLM）有效应对环境变异，提升马铃薯氮含量预测稳定性；GeoAgriGuard系统融合多光谱、NDVI/NDWI与深度学习集成模型，实现病虫害精准管控；Sentinel-2数据、Google Earth Engine与长短期记忆网络（LSTM）结合的深度学习模型提升NDVI预测精度；3TFL-XLnet-CP多层级AI框架整合脉冲神经网络（SNN）、图神经网络（GNN）、CNN与XLNet，作物产量预测性能优于现有模型。
结果
遥感数据作物病害预测预处理技术的比较分析显示，融合多模态数据（如RGB+热红外（TIR）的Tiff-SegFormer）、时间序列数据或基于注意力的空间调制现代深度分割网络，在分割精度与一致性上显著优于传统与单特征模型。基于AI、云计算与遥感技术的作物病害预测关键性能指标——准确率、精确率、决定系数（R2）与均方根误差（RMSE）的比较分析，有力证明了上述技术在提升粮食安全与可持续农业水平中的实用价值。
结论
文献综述表明，AI、云计算与遥感技术的融合在提升可持续作物生产系统方面潜力巨大。以深度学习为核心的AI病害检测框架，在田间影像的作物病害识别与分类中表现出高精度，云计算则为模型的规模化处理与实时部署提供了支撑。卫星与无人机成像等遥感平台，通过植被指数与环境参数监测，实现了大尺度作物健康评估。现有模型多局限于特定场景，缺乏多技术无缝集成的多模态病害检测与预测分析体系。数据异构性、AI模型可解释性、延迟与隐私问题，以及农村地区的运营限制，仍制约着技术的普适性。构建集成多模态遥感数据、IoT传感器网络与云化AI分析的可扩展系统，是推动智能、可持续、精准农业发展的关键路径。攻克上述挑战不仅可实现病害早期预警与资源优化，更能为全球粮食安全提供支撑。本研究可为研究人员、农艺师与政策制定者开发、部署适配当代可持续作物生产需求的智能农业系统提供参考。
