《Smart Agricultural Technology》：Digital technologies in rice blast disease management: a comprehensive systematic review of artificial intelligence, IoT, blockchain, and emerging digital tools
由 Magnaporthe oryzae（syn. Pyricularia oryzae）引起的稻瘟病是水稻最具破坏性的真菌病害，对全球粮食安全构成重大威胁。人工智能（AI）和数字农业的最新进展改变了病害的检测、监测和管理；然而，关于其有效性的证据仍然零散。本研究针对 AI 驱动和数字技术在稻瘟病管理中的应用，进行了一项遵循 PRISMA 2020 标准的系统性回顾。2021年1月至2026年5月期间发表的2,056条记录从 PubMed, Scopus, Google Scholar 和 Semantic Scholar 中检索获得，经过去重和多阶段筛选后，其中109篇同行评议研究符合纳入标准。深度学习，特别是卷积神经网络（CNN），在文献中占主导地位，据报道在受控条件下的检测准确率达到 99.75%。YOLO 系列模型是使用最广泛的目标检测器，而高光谱成像、基于无人机（UAV）的遥感和物联网感知系统在早期和大规模病害监测方面显示出巨大潜力。仅有7项研究纳入了可解释AI，且仅 7% 的研究在真实田间条件下验证了其模型，凸显了实验室性能与实际部署之间的巨大差距。没有符合条件的研究调查区块链、数字孪生或联邦学习在稻瘟病管理中的应用。本综述确定了关键的研究重点，包括田间规模的验证、症状前检测、可解释AI、低成本物联网平台、区块链赋能的可追溯性以及数字孪生框架，以实现稳健、可扩展且值得信赖的 AI 驱动的稻瘟病管理。
1. Introduction
水稻是全球超过35亿人口的主食。为满足2050年预计97亿人口的需求，全球水稻产量需增加25-30%。然而，生物胁迫，尤其是由半活体营养型真菌病原体 Magnaporthe oryzae（Cooke）Sacc.（无性型：Pyricularia oryzae Cav.）引起的稻瘟病，被广泛认为是世界上最具破坏性的水稻病害，每年造成10-30%的平均产量损失，在适宜流行条件下可能导致绝收。该病原体通过称为附着胞的特殊感染结构产生巨大膨压以穿透宿主角质层，感染水稻的所有地上部分。传统的稻瘟病管理依赖于抗病品种、杀菌剂（主要为嗜球伞菌素、三唑类和三环唑）和农艺实践。然而，这些策略面临重大挑战：抗性基因被 M. oryzae 种群的高遗传变异性迅速克服；化学杀菌剂的过度使用驱动了抗性进化并引发环境和食品安全问题；基于视觉侦察的病害诊断耗时、费力且主观性强。这些局限性促使研究人员寻求基于数字技术的解决方案，以实现快速、准确、可扩展且具有成本效益的病害管理。过去十年中，深度学习在农业诊断中的应用呈指数级增长。卷积神经网络（CNN）在计算机视觉基准测试中取得突破性表现后被迅速应用于植物病害图像分类。ResNet, VGG, InceptionNet, MobileNet 和 YOLO 系列目标检测器均被应用于稻瘟病检测。同时，配备多光谱和高光谱传感器的遥感平台实现了症状前检测能力；无人机（UAV）将航空监测扩展到田间规模；物联网传感器网络实现了实时环境监测；区块链概念则提供了透明、防篡改的病害报告前景。尽管增长迅速，但此前没有系统性回顾全面综合专门应用于稻瘟病管理的全谱数字技术。本综述遵循 PRISMA 2020 指南，旨在绘制数字工具技术图谱、比较模型性能、评估遥感和无人机方法、评估物联网部署、识别技术空白，并综合弥合实验室到田间验证差距的建议。
2. Materials and Methods
2.1. Protocol and Registration
本系统性回顾遵循 PRISMA 2020 指南。回顾问题采用 PICO 框架构建：目标人群为水稻植物及 M. oryzae / P. oryzae 感染；干预措施为任何符合条件的数字技术，包括 AI, ML, DL, IoT, UAV, 遥感, 区块链, 数字孪生, 联邦学习等；比较对象为传统方法或替代数字方法；结局指标为检测准确率、预测性能、田间验证效能或平台部署指标。
2.2. Search Strategy
检索于2026年5月在 PubMed, Scopus, Google Scholar 和 Semantic Scholar 中同时进行。组合检索字符串将疾病特异性术语与数字技术术语结合，共检索到2,056条记录。为最大化召回率，技术术语包含了广泛的伞形术语和特定架构标识符。
2.3. Study Selection and Deduplication
记录通过自定义 Python 管道处理。去重采用两步法：精确 DOI 匹配和使用 RapidFuzz 库的模糊标题相似度匹配，共去除478条重复记录。经过类型/年份过滤和自动化标题/摘要关键词共现筛选后，320条记录进入全文评估。最终纳入109篇同行评议研究。
2.4. Data Extraction and Quality Assessment
数据提取使用标准化表格，涵盖标题、作者、年份、数字技术类别、模型架构、数据集特征和性能指标等。方法学和报告质量采用专为本回顾开发的 AI-Agri-QS 框架进行表征，该框架包含四个等权重领域，总分范围为0至8。结果显示，大多数研究的质量得分被归类为低。
3. Results
3.1. Study Selection and Characteristics
经过系统检索和筛选，最终纳入109项研究。从年份分布来看，2023年和2022年的出版量最高。在地理分布上，研究集中在中国、印度、印度尼西亚、韩国和孟加拉国，反映了稻瘟病的流行分布特征。
3.2. Technology Landscape Overview
在纳入研究中，AI/ML/DL 方法是最普遍的技术标签，其次是 CNN/图像模型、遥感、GAN/生成模型、UAV/无人机、IoT/传感器、决策支持系统和可解释AI（XAI）。研究识别出三个关键空白领域：区块链、数字孪生和联邦学习在所有记录中完全缺席。热图分析显示，AI/ML/DL 和 CNN 的活动在各年份中保持一致，而 UAV 和遥感的贡献在2023至2025年间有所加速。
3.3. Artificial Intelligence and Machine Learning
3.3.1. CNN-Based Image Classification
基于 CNN 的图像分类是密度最大的子领域。从 ImageNet 预训练权重进行的迁移学习几乎是通用的。ResNet50 在2,000张图像的数据集上实现了99.75%的最高二元分类准确率。ResViT-Rice 架构结合了 ResNet 主干和视觉 Transformer 编码器及 CBAM 注意力，达到了99.04%的准确率，这是视觉 Transformer 在稻瘟病中的首次集成。多项研究解决了类别不平衡和小数据集挑战，例如使用生成对抗网络（GAN）进行数据增强。此外，种子级别的病害筛查和症状前深度学习预测也展现了技术可行性。
3.3.2. Object Detection Models
目标检测研究涵盖了 YOLO 系列（v5至v11）和两阶段检测器。Faster R-CNN 建立了语料库中的真实田间验证基线。T-YOLO-Rice 集成了 UAV 平台和 IoT 网络，实现了86%的 mAP。YOLO-DP 实现了对15类水稻病虫害的同步检测，而 YOLO-RBSD 则应用于显微镜图像中的孢子检测，实现了96.1%的 mAP。
3.3.3. ML-Based Epidemiological Prediction
流行病学 ML 模型应用经典或循环神经网络于农业气象变量以预测稻瘟发生。使用 Elman RNN 实现了大于0.88的 AUC。基于 FFNN 和 LSTM 的模型用于流行病预测，最佳模型的召回率为66.3%。研究强调了输入数据选择和超参数调优对于提升流行病预测性能的重要性。
3.4. Remote Sensing and Spectroscopic Approaches
遥感方法涵盖从地面光谱仪到卫星平台。研究展示了在无症状阶段进行光谱检测的能力。一维 CNN 被应用于高光谱分类。研究人员开发了稻瘟病特异性植被指数 RBVI=9.78(R
816?R
724)?2.08(ρ
736R
724)，其表现优于 NDVI。拉曼光谱和近红外光谱结合 ML 被用于种子级别的抗性识别，实现了种植前的病害筛查。
3.5. UAV and Aerial Platform Approaches
UAV 贡献涵盖病害检测/测绘和精准农药施用。结合 UAV 高光谱图像与多尺度积分器选择注意力 Transformer 的 MS-STNet 模型取得了高准确率。UAV 深度学习系统被验证用于大规模种质收集的抗性表型分析，吞吐量是人工评分的8倍。在精准施药方面，UAV 喷雾中添加卵磷脂添加剂显著减少了脱靶漂移并增加了沉积量。
3.6. IoT and Smart Agriculture Platforms
物联网系统涵盖边缘计算部署和云集成传感器网络。RiceBioS 部署了边缘即服务架构，实现了93.25%的分类准确率且对智能手机计算开销极小。IoT 框架集成了田间相机陷阱、病害分类 DL 和修复建议。此外，金属氧化物半导体传感器阵列系统被开发用于症状前阶段的无症状检测，检测出 M. oryzae 感染特有的挥发性有机化合物（VOC）特征。
3.7. Explainable AI and Model Interpretability
少数研究纳入了可解释性方法。CAM 被应用于育种计划中的局部病灶映射以减少人工评分。ResViT-Rice 混合模型利用注意力机制提供固有可解释性。基于 SHAP 的特征重要性分析被用于识别驱动分类的关键特征。然而，针对流行病学预测模型的 SHAP 或 LIME 分析的缺失代表了最显著的 XAI 差距。
4. Discussion
4.1. Synthesis of Key Findings
本回顾揭示了技术领域虽技术上先进但部署受限。AI/ML/DL 占据主导地位，而区块链、联邦学习和数字孪生技术完全缺席。CNN 准确率在受控条件下已达到天花板效应。实验室与田间泛化差距是农业 AI 临床转化的主要障碍。田间验证性能研究均涉及多技术集成，且普遍缺乏关于经济或农学结果的报告。
4.2. Emerging High-Value Technologies
三个技术方向值得优先投资：通过高光谱和荧光成像进行症状前检测，具有最大的农学影响；用于抗性表型分析的 UAV-AI 集成，正在改变植物育种吞吐量；以及用于症状前化学传感监测的电子鼻，代表从反应性诊断向主动监测的范式转变。
4.3. Critical Gaps and Research Priorities
区块链、联邦学习和数字孪生在所有2,056条检索记录中均完全缺席。区块链可提供透明且不可篡改的病害报告；联邦学习可在保护隐私的同时实现协作模型开发；数字孪生可整合多源数据支持场景分析和干预规划。这些底层技术已在其他领域成熟，未来进展取决于其在稻瘟病管理系统中的适应和验证。
4.4. Methodological Limitations of Included Studies
纳入研究存在四个系统性方法学弱点：数据集同质性，评估指标不完整（仅报告 top-1 准确率），地理偏差（集中在东亚和南亚，缺乏撒哈拉以南非洲和拉丁美洲的代表性），以及缺乏跨季节的时间验证。
4.5. Limitations of This Review
本回顾存在基于关键词检索可能遗漏非标准术语研究的局限性；全文资格评估由单一评审人完成，可能引入个体主观性；时间限制在2021年至2026年，排除了基础性贡献；AI-Agri-QS 框架是回顾特定的方法学代理而非正式验证工具；国家归属信息来源于摘要文本；检索仅限于四个选定数据库中索引的英语记录，可能遗漏了相关区域语言文献。
5. Conclusions
本 PRISMA 2020 系统性回顾提供了迄今最全面的数字技术在稻瘟病管理中的证据综合。该领域在受控图像分类基准上已达到近乎天花板的性能，正向田间规模的 UAV 和遥感部署过渡，并正在开发用于持续监测的 IoT 平台。然而，三个关键的技术类别仍完全未被涉及。下一代的根本挑战不是在受控条件下构建更准确的模型，而是在真实农场条件下验证、部署和维护系统，以惠及承受最重病害负担的小农户。重点包括多点多季节田间验证试验、面向资源受限农民的症状前检测系统、区块链赋能的病害可追溯性网络、用于分布式隐私保护模型训练的联邦学习、可解释AI集成以及用于流行病模拟的数字孪生框架。
