《Agricultural Systems》：From detection to decision: AI-driven remote sensing for abiotic stress management
编辑推荐：
•将胁迫生理学与多尺度遥感技术相联系。•评估深度学习在跨平台数据融合中的应用。•实现人工智能检测与变率干预措施的衔接。•识别真实数据匮乏问题及因果关系缺失现象。•提出以农民为中心的胁迫管理框架。引言干旱、高温和养分不足等非生物胁迫依然是制约全球农作物产量的主要因素。随着气候变化导
- •
将胁迫生理学与多尺度遥感技术相联系。
- •
评估深度学习在跨平台数据融合中的应用。
- •
实现人工智能检测与变率干预措施的衔接。
- •
识别真实数据匮乏问题及因果关系缺失现象。
- •
提出以农民为中心的胁迫管理框架。
引言
干旱、高温和养分不足等非生物胁迫依然是制约全球农作物产量的主要因素。随着气候变化导致复合胁迫事件频发，这些影响预计会愈发严重（Gebbers和Adamchuk，2010；Mittler，2006；Zscheischler等人，2018）。不断变化的政策环境，尤其是欧洲绿色协议和共同农业政策，进一步加剧了这一挑战。这些政策要求在日益恶劣的气候条件下减少农用化学品的使用，同时还要保持产量目标。由此产生的矛盾前所未有，农民必须在更大的不确定性下用更少的资源生产出更多的产品。
传统的统一田间管理方式无法解决这一问题。统一施用农资忽视了土壤特性和作物生长状况的空间差异，这会导致需求较低的区域农资过量使用，造成养分流失和温室气体排放；而需求较高的区域则会出现施用不足，进而影响产量（Gebbers和Adamchuk，2010；Mamabolo等人，2025；Shaikh等人，2022）。精准农业通过根据不同地块的具体需求来调整农资使用量，为解决这一问题提供了途径（Getahun等人，2024；Karunathilake等人，2023）。然而，精准农业的实际应用取决于一项关键能力：在作物产量受到不可逆转损害之前，能够准确、及时地检测出作物胁迫。
如今，遥感技术使得胁迫检测的时空分辨率达到了前所未有的水平——从能够覆盖整个田地的卫星星座，到能够实现田间细微差异亚米级测绘的无人机平台（Berger等人，2022；Galieni等人，2021；Walsh等人，2024）。与此同时，人工智能也改变了数据解读的方式，尤其是深度学习和时间序列分析领域。与依赖固定波段比值的传统植被指数不同，基于人工智能的方法能够从土壤背景、冠层结构以及大气干扰等复杂因素中提取出具有代表性的胁迫特征（Berger等人，2022；Paul等人，2025）。尽管取得了这些进展，但检测能力与管理措施之间依然存在差距。算法透明度不足、成本问题以及缺乏经过验证的解决方案等问题，仍在阻碍精准农业的广泛应用（Bayar等人，2025；Mamabolo等人，2025；Vijayakumar等人，2025）。
我们明确了制约进展的三个具体问题。首先是有阈值问题：虽然有很多关于检测精度的研究，但用于触发管理措施的、经过生理学验证的阈值至今仍未确定。其次是有建议方案问题，即胁迫分类往往无法转化为具体的量化建议，比如具体的灌溉量或施肥量。第三是有验证问题，大多数人工智能模型都是在受控环境中开发的，其在实际农业环境中的表现尚未得到充分验证。
本综述旨在系统性地解决这三个问题。第二部分阐述了生理学和气候学基础，将从分子层面到冠层层面的胁迫特征与区域气候因素相结合，确定何时何地需要开展监测（Sanaeifar等人，2023）。第三部分评估了从地面到太空的各种传感技术。第四部分深入分析了各种人工智能建模策略，包括机器学习分类器、深度学习架构以及混合过程模型，特别强调了那些能够确保计算特征与生理机制相互对应的可解释性框架（Berger等人，2022；Nguyen等人，2023；Choi等人，2025；Shahhosseini等人，2021）。第五部分探讨了从检测到制定管理方案的转化路径，包括变率灌溉和养分优化措施（Shi等人，2019；Sida等人，2023）。第六部分通过地中海地区的多年生作物和大型谷物作物的案例研究，分析了这些技术的经济可行性以及在不同环境下的应用限制。
通过综合分析，我们提出了三个核心观点。首先，可解释性至关重要：要实现精准农业的广泛应用，就需要采用具有生理学依据的人工智能模型，且可解释性应内嵌在模型架构中，而非通过事后工具添加。这不仅是欧盟人工智能法案等新兴法规的要求，也是获得农民信任的前提。其次，存在建议方案方面的瓶颈：将检测结果转化为具体的管理建议是当前面临的关键难题，需要将人工智能的输出结果与特定地块的农业实际情况相结合。第三，技术的应用需考虑具体环境条件。作物的经济价值以及种植系统的复杂程度决定了其应用的可行性。高价值的地中海多年生作物适合实时监测，而低利润的大型谷物种植系统则更适合采用基于卫星的、季节性的干预措施。技术的应用必须与社会经济环境相适应。
各章节要点
区域气候因素与作物胁迫敏感性
气候变化导致了不同地区出现不同的胁迫状况，这就需要采取差异化的监测策略。在温带欧洲，一项针对1984年至2009年的全面空间建模研究表明，气候变化对不同作物的影响各不相同。冬小麦可能因为生长季延长以及二氧化碳的肥效作用而提高产量，而玉米则面临着越来越严重的干旱胁迫风险，尤其是在雨养农业系统中（Webber等人，2018）。这种差异表明
田间部署与数据整合策略
我们已经阐述了作物胁迫监测的理论和方法基础。现在，要将这些技术真正应用到实践中，就需要可靠的田间部署和全面的数据处理。本章将探讨如何将这些技术从试验田扩展到大规模农业生产中。讨论内容将围绕数据价值链展开，涵盖网络部署、多尺度数据采集、质量控制以及最终决策等多个环节
可解释性与人脸驱动的建模策略
在第三节提到的多源数据融合策略基础上，本章将进一步探讨如何利用人工智能建模方法，不仅提升预测精度，还能为理解作物胁迫机制提供有意义的生理学见解。本章将解决两个相互关联的问题：首先，确保人工智能模型的预测结果具有生理学上的可解释性（第4.1–4.3节）；其次，确保模型能够在训练数据范围之外也能正常发挥作用（相关章节
从检测到决策：人工智能驱动的田间应用
虽然第三节和第四节重点介绍了如何利用先进的传感技术和人工智能建模方法来检测和解读作物胁迫信号，但这些技术的真正价值在于能够为农业管理提供指导。本章将探讨如何将人工智能驱动的诊断算法与实际的田间作业相结合。本章将详细介绍如何将胁迫指标转化为精确的灌溉量、施肥方案以及相应的管理措施
人工智能驱动的精准农业管理的案例研究及其经济可行性
在第五节提出的决策支持流程基础上，本章将探讨人工智能驱动的农业管理方法在实际经济和农业环境中的表现。案例的选择标准包括环境代表性、遗传多样性以及与社会农业条件的契合度。所选的案例涵盖了三类不同的作物系统：欧洲的高价值多年生作物系统、干旱地区的大型谷物种植系统以及集约化控制环境下的作物系统。
实际应用面临的挑战与研究方向
前几节已经展示了在利用人工智能提升胁迫检测能力和精准农业管理水平方面取得的显著进展。然而，要从研究成果走向广泛应用，仍需克服诸多技术、经济和制度方面的障碍。要解决这些问题，就不能仅仅着眼于单个算法的改进，而需要将农业科学、数据科学和政策制定有机结合起来。
结论
本综述总结了人工智能驱动的遥感技术在非生物胁迫管理领域的快速发展历程，梳理了从植物生理监测到农业管理决策的全过程。多尺度传感平台与深度学习架构的结合，极大地提升了我们在作物产量关键时期检测干旱、高温和养分胁迫的能力。不过，仅仅具备技术精度并不足以确保在实际农业生产中取得理想效果。
我们认为，未来的发展
作者贡献说明
郑阳：论文撰写与修改、初稿撰写、资金申请、概念构思。王万：初稿撰写。乌斯曼·阿齐兹：初稿撰写。杜昌：论文撰写与修改、初稿撰写、资金申请、概念构思。唐彤：初稿撰写、资金申请、概念构思。
发表同意声明
所有作者均已阅读并批准了本文的最终版本。我们确认，本研究为原创内容，未曾在其他期刊上发表，也不存在被其他期刊正在审稿的情况。
资助情况
本研究得到了河南省自然科学基金（编号：262300421135）、国家自然科学基金（编号：32201828和32400256）、中国博士后科学基金（编号：2022M722899）以及广东省基础与应用基础研究基金（编号：2023A1515011810和2025A1515011168）的支持。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
郑阳|王万|乌斯曼·阿齐兹|杜昌|唐彤
