综述:现代农业中的人工智能:近期进展、挑战与未来方向——一项系统性综述

《Artificial Intelligence in Agriculture》:Artificial intelligence in modern agriculture: recent advances, challenges, and future directions: a systematic review

【字体: 大 中 小 】 时间:2026年08月28日 来源:Artificial Intelligence in Agriculture 16.1

编辑推荐:

  摘要:现代农业面临着气候变化、人口增长、水资源短缺、土壤退化以及维持生产力需求等多重挑战。人工智能(AI)正通过实现精准的、数据驱动的自动化和提高作物生产系统的资源利用效率来改变该领域。本系统性综述遵循PRISMA框架,综合了2021年至2025年间发表的95

  
摘要:现代农业面临着气候变化、人口增长、水资源短缺、土壤退化以及维持生产力需求等多重挑战。人工智能(AI)正通过实现精准的、数据驱动的自动化和提高作物生产系统的资源利用效率来改变该领域。本系统性综述遵循PRISMA框架,综合了2021年至2025年间发表的95项同行评审研究。综述涵盖了AI在作物监测、智能灌溉、养分管理、病虫害检测、产量预测、表型分析、机器人和可控环境农业中的应用。大多数研究集中于环境监测(23.15%)、温室与保护地栽培(21.05%)以及病虫害检测(21.05%)。算法分析表明,机器学习(ML)和混合模型占主导地位(25.26%),其次是物联网(IoT/AIoT)和基于传感器的方法(22.11%)。研究结果揭示了五年间的明显演变:从孤立的、单一用途的模型和基于图像的检测,发展到结合感知、建模和自动控制的集成系统。一个显著趋势是可解释和可靠AI的日益普及,特别是在养分预测、灌溉管理和作物生长优化方面。机器人技术也取得了进展,应用包括水果采摘、蘑菇分级、监测系统和自主农业车队。然而,综述发现大多数研究仍局限于概念验证或原型级评估,缺乏充分的外部验证,并且在多样化真实农业条件下的评估较少。近期研究现在侧重于实际验证、田间实施以及将AI与IoT、传感技术、自动化和决策支持系统集成。尽管如此,可扩展性、高实施成本、数据可用性有限、模型在不同作物和环境中的泛化能力差以及部署限制等挑战仍然阻碍着广泛采用。总体而言,本综述强调了向集成AI驱动的农业4.0系统迈进的强劲进展,同时强调了进一步进行现实世界验证和可扩展解决方案以实现大规模农业部署的必要性。
1. 引言
全球农业面临气候变化、人口增长、城市化和环境退化的多重压力,这些威胁着粮食生产系统和全球粮食安全。世界人口预计到2050年将达到97亿,到2100年将达到109亿,相比2019年的77亿,粮食需求将大幅增加。依赖体力劳动、本地知识和有限技术投入的传统农业系统,由于生产力低下、资源管理效率低以及对气候变率的脆弱性,越来越难以满足这些需求。
现代农业通过整合机械化、自动化、数字工具和人工智能来解决这些局限,从而提高生产力、资源效率和可扩展性。然而,集约化耕作、过量化学投入、水资源短缺和养分耗竭对生态系统稳定性、人类健康和长期可持续性构成新的风险。为缓解这些挑战,农业日益采用可控环境和智能耕作方法,包括温室、水培、垂直农业、农场自动化和数据驱动决策系统。这些技术能够精确控制环境条件,减少土地和水资源使用,提高生产一致性,支持气候适应型和可持续的粮食系统。
人工智能通过实现预测建模、自动化和实时决策正在改变现代农业。机器学习(ML)、深度学习(DL)、计算机视觉(CV)、物联网(IoT)和机器人技术的最新进展实现了优化的作物管理、病害检测、产量预测和资源分配。AI系统支持对作物和土壤健康的持续监测,能够对环境变化做出动态响应,提高运营效率。例如,基于AI的框架有助于确定最佳收获时间,减少采后损失,保持产品质量。当与机器人平台和无人机集成时,AI能够自动检测养分缺乏、害虫、杂草和植物病害,提高精度并减少对劳动力的依赖。如图1所示,AI作为关键赋能层,支持现代农业系统中数据驱动的自动化决策。
将AI与物联网(IoT)集成进一步增强了农业智能,通过传感器网络实现实时数据采集,监测土壤湿度、温度、pH、电导率和养分可用性。ML算法分析这些数据流以支持自动化灌溉调度、作物管理策略和产量优化。这类AIoT(AI与物联网结合)系统实现了完全数字化、适应性的农业环境,在减少水和能源消耗的同时提高生产力。本综述系统性地考察了AI驱动农业技术的最新进展,重点关注其在可控环境农业、精准农业、垂直农业和智能灌溉系统中的作用。综述综合了ML、DL、CV和基于IoT的自动化中的当前方法,评估其应用和局限性,并识别关键研究空白。本综述的主要贡献包括:(i)对作物监测、病害检测、产量预测、灌溉和养分管理的最新AI技术进行全面综合,突出其优势和局限性;(ii)深入回顾DL和CV方法在可控环境农业中的生长监测、表型分析和自动化应用;(iii)基于水培、温室和垂直农业案例研究,对基于IoT的传感器架构和AIoT框架进行结构化分析;(iv)识别智能农业系统可扩展和实际部署所需的关键挑战、局限性和未来研究方向。
论文其余部分结构如下:第2节概述系统性综述方法;第3节介绍现代农业的核心AI技术;第4节讨论AI在现代农业各部门的进展;第5节概述主要发展趋势;第6节概述智能农业中的环境可持续性、经济效益、作物效益和数据安全;第7节概述优化现代农业中AI的挑战;第8节概述现代农业和AI技术的未来方向;第9节总结综述。

2. 系统性综述方法
方法采用定性系统性文献综述(SLR)来收集相关研究信息。本研究使用Torres-Carrión等人(2018)提出的SLR方法。为确保透明度和可重复性,系统性综述使用PRISMA(系统综述和荟萃分析优先报告条目)标准。虽然本研究不进行统计荟萃分析,但采用PRISMA原则以结构化方式记录研究的识别、筛选、资格评估和纳入过程。综述协议包括以下顺序步骤:研究问题制定、数据库选择、检索策略开发、纳入和排除标准定义、数据提取和定性综合。
2.1. 数据来源、纳入和排除标准
本系统性综述遵循PRISMA 2020框架,在研究选择期间一致应用纳入和排除标准,并在表1中总结。检索限于2021年1月至2025年12月间发表的英文同行评审文献。主要文献检索在ScienceDirect、PubMed、IEEE Xplore和Google Scholar中进行,也使用MDPI纳入相关文章。在Google Scholar中,初步发现283,270条记录,按相关性排序,筛选标题和摘要,然后根据表1的资格标准进行全文评估和去重。该选择过程确保综述关注该领域高质量、相关且最新的贡献。
表1列出了选择AI在现代农业中各种应用文章的纳入和排除标准,包括研究类型、发表年份、研究领域、来源、语言和干预措施。
2.2. 数据检索策略
检索使用标题、摘要和关键词字段,并应用布尔运算符(AND、OR)以适当扩大或缩小检索范围。检索于2026年1月3日进行,字段包括农业中的人工智能技术、精准农业、智能灌溉、温室农业、可控环境农业、垂直农业、病虫害检测、植物表型分析、产量预测和气候控制、农业机器人。表2列出了完整的检索字符串。当文章与AI技术及其在现代农业中的应用相关时予以保留。在选择期间,参考具有公认质量指标的期刊,包括期刊引证报告(JCR)影响因子和分区,以确保综述基于可信、有影响力的来源。在纳入的研究中,可用的JCR影响因子范围约为2.2至14.0,基于分区分类,大多数研究发表在高质量期刊上:49篇文章(51.58%)在Q1,35篇(36.84%)在Q2,2篇(2.1%)在Q3,1篇(1.05%)在Q4,5篇(5.26%)为会议论文,部分研究缺乏可用的JCR/SJR排名。该分布表明本综述综合的证据主要来自信誉良好、高影响力的期刊。本综述以原始研究文章作为定性综合、比较表以及AI方法、数据集和应用分析的主要证据。仅纳入综述文章以提供背景信息、总结领域现状、识别研究趋势并支持挑战和未来方向的讨论。两名评审员独立筛选文章,并通过讨论或咨询第三名评审员解决分歧。关注近期出版物确保与当前技术趋势、部署挑战和新兴解决方案保持一致,提供AI赋能农业创新的最新综合。表3总结了本系统性综述中出版物按领域和算法的大致分布,研究被编码到一个或多个预定义主题类别中,基于其AI技术和农业应用。由于单一研究可能贡献于多个类别,报告原始计数可能具有误导性。表3中的百分比代表类别频率而非互斥比例,因此总百分比超过100%。我们进一步按每项研究的主导方法论框架对算法类别进行分类。由于许多研究整合了多种AI技术,我们将混合方法单独分组以反映其组合方法论。因此,类别代表方法论分组而非互斥类。
2.3. 研究问题
研究问题基于所选文献的全面综述制定,并系统性地与提取数据和相应综合结果相关联,如下所示:
•RQ1. 2021年至2025年间,现代农业应用了哪些类型的数字技术,它们如何使用?
•RQ2. AI技术对农业中的作物生产力、环境可持续性和经济绩效有何影响?
•RQ3. AI技术解决了哪些农业问题?
•RQ4. 使用AI、ML和IoT的智能农业中存在哪些主要技术、经济、制度和采用挑战?
•RQ5. 从综述的研究中出现了哪些研究空白和未来方向?
2.4. 筛选过程和PRISMA流程图
研究筛选按结构化顺序进行:识别、去重、标题筛选、摘要筛选、全文资格评估和最终纳入。选择综述的文章基于对图2所示文章的完整审查。本综述使用PRISMA,一种报告系统性综述的结构化方法,包括27项检查表和四阶段流程图(识别、筛选、资格和纳入)以记录研究选择过程。共识别出13,926条记录,去重后按标题和摘要筛选研究,然后进行全文审查。在最终阶段,评估了198篇全文文章的资格;103篇因超出AI在现代农业中应用的范围、不符合资格的出版类型、缺乏足够方法学细节、数据重复或重叠、或被更新研究取代而被排除。因此,95项研究满足所有资格标准并被纳入定性系统性综述。系统性呈现涵盖现代农业中用于提高效率和可控环境农业策略的技术使用。排除的论文包括标题不符合要求或摘要不合适的论文。
2.5. 质量评估和偏倚风险评估
我们进行了质量评估以评估纳入研究的方法学严谨性和潜在偏倚来源。由于综述主要涵盖AI和工程类研究,评估基于研究目标的清晰度、数据集质量、AI方法透明度、验证策略、可重复性和实际适用性。总体而言,纳入的研究表现出普遍较强的方法学质量。大多数研究明确定义了目标,应用了适当的AI技术,并报告了标准性能指标,如准确率、精确率、召回率、F1分数、RMSE、MAE和R2。大多数研究还使用公开可用或实验收集的数据集验证了模型,通常通过训练-测试分割或k折交叉验证。然而,识别出若干方法学局限性。首先,研究人员很少使用来自不同地点、季节或生产系统的数据集进行独立外部验证。因此,报告的性能可能高估了现实世界的适用性和泛化能力。其次,性能评估通常侧重于预测指标,如准确率、精确率、召回率、F1分数、IoU、mAP或RMSE,而相对较少的研究评估计算效率、推理时间、现场条件下的鲁棒性或长期运行可靠性。第三,只有一小部分研究在真实农业环境中验证了系统,许多仍处于实验室或原型阶段。总体而言,纳入的研究表现出低至中度的偏倚风险,主要与数据集选择、受控验证环境、有限的外部测试以及倾向于高性能AI模型的发表偏倚有关。尽管如此,Q1和Q2期刊发表的研究占主导地位支持了综合证据的整体可靠性和科学稳健性。

3. 现代农业中的人工智能及其核心技术
AI是创造能够展现类人智能的机器和计算机系统的科学。它使系统能够完成通常需要人类认知的任务,如学习、推理、问题解决和自我纠正。AI通过分析数据、应用规则并随时间提高性能来运作。近年来,ML、DL、IoT、CV和机器人等AI技术已被广泛用于分析大量数据、识别模式并支持现代农业的各个方面。有各种更新的AI工具和算法:
3.1. 机器学习(ML)
ML是AI的一个重要子领域,计算机无需显式编程即可学习。在现代农业中,ML可应用于精准农业(PA)、灌溉、植物健康和产量监测、植物育种和表型分析等领域。为了预测复杂的农业问题,ML算法首先评估原始数据以识别与问题相关的模式,然后构建可预测未来数据的预测模型。ML算法分为三类:监督学习、无监督学习和强化学习,如图3所示。
ML算法如决策树(DTs)、支持向量机(SVMs)和随机森林(RFs)用于分析土壤养分、肥料和水分需求数据,并评估作物生长。这些AI模型利用土壤性质、作物特征和植物健康数据来支持智能决策。例如,RFs、SVMs和人工神经网络(ANNs)可以准确预测土壤的最佳水分需求并实现特定地点的灌溉,优于传统方法,并在不同气候和土壤条件下保持玉米、大豆和番茄等作物的改善品质。这些算法基于环境和土壤参数提供建议,作为精准农业的咨询工具,并提供产量优化策略。ML的各种功能见表3。
3.2. 深度学习(DL)和计算机视觉(CV)
近年来,由于计算能力、传感器技术和数据可用性的进步,DL和CV在农业中的应用大幅增长。DL通过使用多层神经网络架构增强传统ML,自动从复杂数据集中学习层次特征。这些方法特别适用于基于图像的分析、时间序列预测和模式识别。
卷积神经网络(CNNs)是农业CV应用的核心,实现植物健康实时监测、病害检测、表型分析、生长分析和产量估计。基于视觉的AI系统将来自相机、无人机、卫星和田间传感器的图像采集与DL模型集成,以支持精确的农业干预。CV技术收集和解释视觉信息,而ML算法分析模式并生成预测性见解,实现智能和自主决策。基于DL的方法在种子质量评估、杂草管理和自动化作物监测方面取得了显著成功。例如,结合高光谱和X射线成像的多模态DL模型实现了非破坏性种子活力预测的高准确率,凸显了多感官数据融合的好处。类似地,VGG16、YOLO、Mask R-CNN和基于Transformer的架构等DL模型已有效应用于杂草分类、植物胁迫检测和生长阶段识别。另一种不同方法由Naranjani等人(2022)报告,他们开发了3D计算流体动力学(CFD)模型以优化室内垂直农业系统中的气流和热调节。该模型评估了关键环境参数,包括栽培托盘上的气流速度、空气温度分布和相对湿度。结果表明,气流均匀性改善、热控制增强、环境监测改进、能源效率提高,并支持垂直农业结构中的自动化。一些其他混合DL模型,如卷积层与BiLSTM的集成,也在提高系统性能方面发挥重要作用。CV和DL的集成还支持农产品质量的自动评估和成熟度预测。例如,因果DL模型已被用于预测温室环境中绿叶蔬菜的成熟度,表现出强劲性能,同时识别了与静态生长阶段相关的局限性。表4提供了DL和CV在现代农业中应用的结构化概述。
3.3. 物联网、传感器和数字孪生
IoT是指配备传感器和通信能力的互连物理设备,无需人工干预即可收集、传输和处理数据。在农业应用中,IoT系统通常包括环境传感器、微控制器、通信模块、网关以及云或边缘计算平台。传感器测量土壤湿度、温度、湿度、pH、电导率、光照强度和养分水平等参数,实时传输到中央平台进行分析。图4显示了智能农业中IoT系统的整体工作流程。
AI与IoT的集成——通常称为AIoT——在现代农业系统中实现实时感知、预测分析和自动控制。在可控环境农业中,包括水培、气培和温室,IoT系统自动化灌溉、养分输送、照明和气候控制,提高精度和资源效率。AI算法分析传感器数据以生成可操作的见解,然后由泵、阀门和照明系统等执行器执行。表5列出了IoT系统中使用的组件。
数字孪生通过创建物理农业系统的虚拟表示进一步增强农业决策。这些模型模拟作物生长、微气候行为和管理干预,在现实部署前实现情景测试和优化。最近的研究证明了AI和IoT赋能的边缘设备在实时病虫害检测中的有效性,提供高准确率、低延迟和降低的能耗。总的来说,AI赋能的IoT架构支持自动化、可扩展、数据驱动的农业生态系统,提高生产力、可持续性和韧性。表6总结了关键的农业IoT功能。

4. 人工智能在现代农业各部门的进展
4.1. 可控环境农业中的边缘AI
可控环境农业(CEA)是一种更广泛的、技术密集的农业系统,其中光照、温度、湿度、养分供应等环境条件被精确控制以优化植物生长。CEA包括温室、垂直农业系统、植物工厂和精确控制的室内农场。它可进一步按生长介质和生产方法分类,如水培、鱼菜共生、气培和土壤系统。这些方法被广泛认为有潜力解决全球粮食安全挑战,特别是在可耕地有限的地区。尽管有优势,CEA面临经济和运营约束,特别是与微气候管理、根区控制和高运营成本相关。精确调节光照强度、温度、气流、二氧化碳和湿度对于确保一致的作物品质和产量至关重要。集成边缘AI和ML算法能够实时处理传感器数据,减少延迟和对云基础设施的依赖,同时提高系统响应性和可靠性。
4.1.1. 现代温室中的AI
现代温室是可持续农业的关键组成部分,能够实现全年作物生产,不受外部气候条件影响。温室系统是一种封闭的生长结构,保护作物同时允许控制温度、湿度、光照和灌溉等环境条件。它是可控环境农业(CEA)的主要类型,通过精确的环境管理实现高效、全年作物生产。随着AI和IoT技术的采用,传统温室已演变为智能、自主系统,能够动态调节气候、灌溉和养分输送。这些系统使用无线传感器、云平台、移动应用和基于AI的控制算法来实时监测和优化生长条件。例如,Chang等人(2021)开发了物联网赋能的智能温室,集成AI模型以预测生菜生长、收获时间和作物品质。使用ANN和回归模型等ML技术,结合基于CV的图像分析,系统建立了环境变量与植物发育之间的非线性关系。类似地,Riskiawan等人(2024)使用LSTM网络实施了AI赋能的温室系统,从实时传感器数据预测执行器行为,实现自适应、自动化的气候控制。这些研究表明,AI驱动的温室系统显著提高资源效率、作物一致性和运营可扩展性,支持商业和小农户生产系统。图5表示AI驱动的现代温室。
4.1.2. 室内垂直农业中的AI
垂直农业(VF)是可控环境农业(CEA)的一种先进方法,作物在堆叠的室内层中生长以最大化空间,并精确控制生长条件,特别适用于城市和土地受限地区。通过集成AI、IoT和基于传感器的监测,VF系统可以精确调节光光谱、温度、湿度、CO2浓度和养分输送等环境变量,提高产量和资源效率。AI在VF中通过实现预测分析、自动控制和复杂生长环境的优化发挥关键作用。例如,Alves等人(2025)开发了IoT驱动的数字孪生框架,使用遗传算法根据植物表现动态优化RGB LED照明。结果表明,自适应照明策略优于静态配置。类似地,Kaur等人(2025)提出了基于AI的作物产量预测框架,使用监督ML技术建模环境参数与生产力之间的关系。这些发现强调了AI驱动的VF系统如何提高韧性、可扩展性和生产稳定性,将VF定位为未来粮食系统的可行解决方案。
4.1.3. 水培
水培是CEA中的一种无土栽培方法,植物根部在富含营养的水溶液中生长,能够精确控制养分组成和环境条件。它本身不是一种耕作环境,而是一种栽培方法,通常用于垂直农场、温室或室内系统,通过闭环回收比传统农业节省高达90%的水。管理水培农场需要持续监测多个参数,包括养分浓度、pH、电导率、温度和湿度。AI的最新进展显著改善了水培系统管理,实现自动化养分优化、异常检测和生长预测。例如,Métwalli等人(2025)应用ML和DL模型预测生菜生长并检测异常植物状况,在两项任务中均实现高准确率。类似地,Kadam等人(2025)使用ML和可解释AI(XAI)技术如SHAP和LIME开发了泰国罗勒的水培生长预测系统,从而提高透明度和农民信任。先进的混合AI模型,如ExCNN-LFCP框架,进一步展示了在水培农业实时环境优化中的稳健性能。总的来说,这些研究证实AI驱动的水培系统提高生产力、减少资源浪费并支持可持续的室内农业。图6显示了AI驱动的水培系统模型。
4.2. 智能精准农业(PA)
开放田间精准农业是一种使用GPS、传感器、无人机、卫星、IoT和AI等技术在自然条件下监测和管理户外田间作物的耕作方法。开放田间精准农业不同于CEA,它集成遥感和数据分析以实现特定地点的作物管理并优化投入使用,而不是均匀地施用灌溉、肥料和农药,从而提高生产力,环境本身不受控制。AI赋能的PA系统分析大型数据集,包括土壤性质、天气数据、作物健康指标和卫星图像,为灌溉、施肥、害虫管理和收获提供决策信息。ML算法广泛用于预测产量、病害发生和气候变率,实现对环境胁迫因素的主动响应。Akhter和Sofi(2022)以及Vilar-Andreu等人(2024)等研究表明,基于AI的病虫害检测系统改善早期诊断、减少化学投入并通过有针对性的干预提高可持续性。
4.3. 智能灌溉
由于城市化、气候变化和全球水资源压力增加,智能灌溉变得至关重要,使可持续水管理成为关键优先事项。高效用水对于缓解水资源短缺和维持生态平衡至关重要。智能灌溉系统使用自动化、数据驱动的技术提供精确、及时的供水,在效率和精度上显著优于传统灌溉方法。AI的集成通过实时分析传感器数据来确定基于作物需求的最佳灌溉时间、水量和持续时间,增强了灌溉管理。通过土壤和气候传感器、ML算法和实时分析,AI驱动的灌溉系统自动化调度、减少人工干预并最小化水分损失。持续监测土壤湿度、天气条件和作物生长阶段提高了灌溉精度和作物品质。
最近的研究证明了基于AI的灌溉在水利用效率方面的显著改进。O?uztürk等人(2025)开发了AI支持的自主灌溉系统,使用基于Arduino的土壤湿度和空气湿度传感器,集成自适应机器学习控制器。与传统手动灌溉相比,AI控制系统实现了更高的植物存活率、更均匀的生长、改善的视觉品质和87.97%的水利用效率。类似地,Gaitan等人(2025)提出了AI集成的灌溉框架,将IoT传感器网络与预测分析相结合,动态适应环境变率的灌溉决策。他们的系统展示了约80%的决策准确率和模拟水利用效率提高高达25%,突出了AI减少水资源浪费同时维持作物健康的潜力。Tace等人(2022)进一步开发了IoT驱动的智能灌溉系统,将实时土壤和天气数据与机器学习模型(包括KNN、SVM、神经网络和逻辑回归)集成。结果显示高预测准确率,KNN达到98.3%,从而减少水消耗并改善作物表现。总的来说,这些研究表明集成AI和IoT可实现可持续、适应性和高效的灌溉系统。
4.4. 表型分析和遗传分析
作物改良对于解决粮食安全、可持续农业和产量稳定性的挑战至关重要。AI的最新进展已改变植物表型分析和遗传分析,实现自动化、高通量、非破坏性的性状评估。传统表型分析方法依赖手动观察和测量,使其劳动密集、耗时且易受人为错误影响。
AI驱动的表型分析集成成像技术、基于传感器的测量和高通量表型分析(HTP)平台,实现准确、可扩展的数据采集。先进成像模式——包括RGB、高光谱、热成像、荧光和3D成像——能够详细分析植物形态、生理和胁迫反应。自动化HTP系统能够快速、多性状测量,覆盖温室和田间环境,提高一致性并减少劳动力需求。这些技术支持作物改良,实现产量估计、胁迫检测和性状监测。Ran?elovi?等人(2026)使用HTP数据开发了大豆产量预测模型,以改善育种计划的季中产量估计。RGB成像常用于评估植物大小和着色,而高光谱成像提供关于养分状态、抗病性和生理胁迫的见解。此外,无人机和遥感平台促进作物性状和产量田间环境变率的大规模空间分析。
基因组方法进一步补充AI辅助表型分析。全基因组测序(WGS)和基因分型测序等技术识别与关键农艺性状相关的遗传变异(SNPs和INDELs)。转录组学(RNA-seq)揭示发育或胁迫条件下基因表达的变化,而蛋白质组学识别参与光合作用、信号传导和防御的蛋白质。这些AI赋能的表型分析和基因组工具共同支持现代农业中的遗传作图、标记辅助选择和性状增强。
4.5. AI驱动的不同农业参数优化
系统性综述揭示了关于AI、ML和IoT技术在现代农业中集成的越来越多的研究,强调其通过精度、自动化和可持续性改变农业参数控制的潜力。这些技术实现环境条件、资源分配和作物表现在受控环境和田间系统中的数据驱动控制,如图7所示。
4.5.1. 环境和微气候控制
研究表明,包括计算机科学、数据可视化工具以及ML、DL在内的新技术可与农业集成以优化植物生长和资源利用。例如,Voutsinos等人(2021)比较了人工照明和水培生菜生产与地中海温室在冬季的情况。研究关注光合活性、植物形态和奶油生菜中的硝酸盐含量。关键参数包括生物量、净光合作用、硝酸盐含量和叶绿素荧光。结果表明,人工照明改善生物量和整体植物品质,具有季节性生产优化和更好硝酸盐管理的潜力。一些研究表明,ML和DL算法可以通过分析肥料水平、温度、湿度和其他特征等关键因素的数据来预测植物发育的最佳条件并调整农业系统。这种方法可以提高产量、改善废物管理、减少人工劳动、提高系统修改的准确性和精度,并改善整体结果。这些AI模型预测温度、湿度和CO2波动以维持最佳条件。时间序列模型(如LSTM)实时管理环境动态。如表7所示,本节展示了不同技术如何在气候变化下推动农业进步。
4.5.2. 精准施肥和养分优化
高效的养分和水分管理是可持续农业的基础。AI和IoT赋能的养分控制系统使用土壤和植物传感器检测养分、水分和光照缺乏,然后将数据传输到云平台进行分析。机器学习模型优化施肥剂量和灌溉计划,而执行器调节养分泵、水流和人工照明。预测分析防止水培、温室和田间环境中的过度施肥和养分径流,减少环境影响。IoT赋能的自动化系统将传感器数据存储在云平台和移动应用中,实现实时用户交互和决策。表8总结了AI和IoT技术在养分和水分管理中的关键应用。
4.5.3. 自动植物健康和病害检测
植物病害显著降低作物产量和品质,使早期诊断对于最小化经济损失至关重要。传统病害监测劳动密集、耗时且通常不准确。AI驱动的方法——包括ML、DL、IoT和CV——实现快速、准确、可扩展的病害检测。图8描绘了植物病害检测的AI模型。
基于DL的计算机视觉模型以高精度识别叶片图像中的害虫、病害和生理障碍。Zhao等人(2022)应用增强的Faster R-CNN结合多尺度特征融合检测草莓病害,实现92.18%的mAP。Xu等人(2022)开发了剪枝的YOLOv5s模型用于甜瓜叶病害检测,实现96.7%的mAP@0.5并具有实时推理能力。这些AI赋能的方法支持及时干预、减少不必要的农药使用并促进可持续作物保护。表9总结了最近AI在植物健康和胁迫监测中的应用,涵盖受控环境和开放田间农业系统。
4.5.4. 作物产量预测
准确的作物产量预测对于使生产与需求对齐和优化作物管理至关重要,特别是在温室系统中。许多研究使用ML和DL模型从历史、环境和基于传感器的数据估计农业产出。CNN、SSD、YOLO、Mask R-CNN和Faster R-CNN架构已成功用于产量估计和自动化收获应用。基于AI的产量模型通过预测收获时间和数量改善物流规划、减少浪费并提高生产效率。表10提供了现代农业系统中基于AI的产量预测方法的比较概览。
4.5.5. 自动化和机器人技术
在先进智能农业技术时代,机器人技术已成为新型农业助手。数字工具、传感器和控制技术的集成加速了农业机器人的发展,其在当代农业中现在具有巨大潜力和优势。这些进步范围从快速数字化具有准确、全面时间和地理信息的植物,到解决机器人导航的困难非线性控制问题。在CEA下生长的高价值作物成熟不均匀,需要仔细选择仅最成熟的水果。根据综述的出版物,少数研究使用DL、AI机器人和CV用于机器人收获应用,如番茄收获中的采摘点定位、番茄串的3D姿态识别以及最终目标番茄放置估计。AI驱动的机器人系统支持种植、收获和维护任务。视觉引导系统提高精度并降低劳动力成本。总的来说,将机器人技术与AI集成提高了现代农业系统的自动化、效率和可扩展性,特别是在受控环境和高价值作物生产中。表11提供了代表性AI赋能机器人系统及其对现代农业功能贡献的比较概览。
4.5.6. 作物识别和分类
由于物种多样性、视觉相似性和环境变率,自动化作物识别和分类仍然具有挑战性。基于DL的计算机视觉模型与手动识别相比显著提高了分类准确率。Mingdong等人(2023)通过坐标注意力和EIoU损失增强了YOLOv5,在黄瓜冠层检测中实现97.1%的准确率。Cong等人(2023)将Swin Transformer集成到Mask R-CNN中,改善遮挡下的甜椒分割。Su等人(2022)开发了SEYOLOv3-MobilenetV1用于番茄成熟度分类,实现97.5%的精确率。Knezevic和Datta(2022b)使用CNNs和SVMs展示了有效的杂草和作物分类,突出AI在自动化作物监测中的潜力,尽管实时处理和户外变率等挑战仍然存在。总体而言,基于AI的识别模型显著提高了作物分类准确率和效率,但遮挡、户外变率和实时处理等挑战仍需进一步优化(表12)。
4.5.7. 害虫和昆虫监测
害虫和昆虫监测对可持续农业至关重要,因为侵染显著降低作物产量和品质。传统监测方法耗时且易出错。AI赋能的方法使用ML、IoT传感器、声学分析和DL模型提供实时、准确的害虫检测。Kapetas等人(2025)开发了基于YOLOv10的系统用于温室黑蚜检测,实现89.1%的mAP50。Li等人(2021)引入TPest-RCNN检测粉虱和蓟马,实现0.952的平均精度。Ali等人(2025)提出了基于IoT的声学害虫监测系统,使用多特征提取和深度学习网络。Ture?ek等人(2022)开发了基于Faster R-CNN的侦察系统,用于温室环境中粉虱的自动化检测。这些研究证实了基于AI的害虫监测系统在改善作物保护和精准农业方面的有效性。

5. 2021年至2025年的主要发展趋势
2021年至2025年期间标志着现代农业的变革阶段,从传统、资源密集型实践明确转向精准、自动化和气候适应性生产系统。从2021年到2022年,农业AI从基于传感器的监测和产量预测转向IoT赋能的智能农业,用于灌溉、养分管理和远程控制。然后在2023-2024年,重点转向预测性农业、多传感器融合、表型分析、自动化、机器人技术、基于无人机的估计和实时边缘应用。到2025年,该领域已向农业4.0推进,涉及AIoT、数字孪生、自主机器人和可解释AI,而部署挑战仍限制更广泛的现实应用。图9总结了2021年至2025年AI在现代农业中应用的主要研究趋势,通过展示关键焦点、核心AI技术、基础设施、主要进展、影响和未来方向。

6. 智能农业中的环境可持续性、经济效益、作物效益和数据安全
在综述的研究中,温室和水培作物,特别是生菜,从AI中获益最多,因为受控环境能够实现精确的气候、灌溉和病害管理。类似的应用程序也报道用于番茄、卷心菜、辣椒、草莓、蘑菇和黄瓜,改善了水和养分利用效率,减少了浪费和劳动力,并支持更好的决策。在田间作物中,玉米和大豆通过AI赋能的灌溉和产量预测获益最大,而小麦通过基于无人机的机器学习实现了生产力提高。Lakshmi和Corbett等人发现,基于AI的精准农业工具使玉米、小麦和水稻产量提高了10-25%,特别是在移动和传感器基础设施良好的地区。综述的研究还表明,田间农业中的AI可以通过减少水、肥料和农药使用同时优化资源效率来改善环境可持续性。例如,数字孪生框架实现了约22%的节水、17%的肥料减少和18%的运营成本节省,证明了AI在受控环境农业中的环境和经济优势。在经济上,AI支持更低的投入成本、更稳定的产量和更大的长期运营效率。智能农业可以通过在数据分析、精准农艺、设备操作、传感器维护、软件支持和农场管理方面创造新机会,同时减少喷洒、收获和监测等体力要求高且重复的任务,对就业产生积极影响。AI还可以通过自动化减少对低技能农业工作的需求,同时为农村青年和受教育工人创造数据分析、农业技术服务、无人机操作等新机会,从而重塑农村劳动力市场。南亚研究表明,AI采用可以改善小农的收入安全,特别是在小额信贷和数字合作社的支持下。然而,传感器、连接性和AI基础设施的高初始投资仍然是关键障碍。尽管AI应用对于水稻等大规模主粮作物仍不发达,但可以通过识别耐旱基因或实现抗病虫害的遗传修饰来提高生产力。
随着AI系统日益依赖IoT设备、传感器、无人机和云平台进行连续数据收集,数据隐私和安全已成为关键考虑因素。数据隐私可以通过采用隐私设计原则、仅收集特定应用所需的数据以及实施安全的数据治理来加强。对存储和传输数据的加密、访问控制、认证机制和安全云存储有助于防止对农业数据的未经授权访问和滥用。此外,联邦学习等去中心化方法使得AI模型训练无需暴露原始农场数据,从而在保持数据效用的同时提高隐私性。关于数据所有权、同意和受控数据共享的明确政策对于建立农民信任和确保AI在农业中的负责任部署也至关重要。

7. 优化现代农业中AI的挑战
尽管农业AI取得快速进展,若干障碍仍然限制大规模实施和优化。从经济角度看,AI技术的高前期成本以及持续的安装、维护、能源和劳动力费用,仍然是采用的主要障碍,特别是对于中小型农民。自动化也可能影响农村就业,进一步增加对机械化的经济阻力。技术可靠性仍然是另一个问题,因为许多AI模型在小型、特定地点的数据集上训练,可能在不同作物和环境间表现不佳。嘈杂的传感器数据、校准错误、传感器故障和数据传输问题也会降低基于AI的决策的可靠性。另一个问题是制度障碍,包括数字基础设施薄弱、技术支持有限以及缺乏标准化政策数据共享框架。熟练人员短缺和培训机会不足进一步阻碍实施,特别是在农村地区,农民通常依赖外部支持。AI采用还受到数字素养低、意识不足和对自动化系统信任度低的影响,尤其是仍依赖传统实践的老年农民。例如,Olawumi等人(2025)报告了尼日利亚农村农民中AI访问的性别和识字差距,强调需要包容性设计、培训和用户友好的界面。因此,培训和农民友好的设计对于更广泛的使用至关重要。
智能农业的采用和就业效应因地区而异,因为经济能力、气候、农场规模、数字基础设施、技术专长和政策支持存在差异。AI在发达国家往往传播更快,而发展中地区经常面临连接薄弱、传感器访问有限、互操作性差和投资低的障碍。例如,荷兰在自主拖拉机和机器人挤奶中使用AI,而在印度,其成功更多依赖于政府、非政府组织和地方机构的协调支持。此外,为温室或垂直农场开发的AI解决方案可能由于作物、气候和管理实践的差异而无法转移到其他地区。围绕AI辅助基因工程和育种的伦理和监管问题也可能减缓采用,而长期对生物多样性、粮食安全和生态系统平衡的影响仍不确定。智能农业可能通过自动化减少农村劳动力需求,并产生网络安全风险,包括GPS欺骗可能误导自主机器并导致作物或设备损坏。硬件问题也可能发生;例如,太阳能杀虫灯的高压脉冲可能干扰IoT设备中的ZigBee通信。解决这些挑战需要具有成本效益的系统设计、标准化数据集、改善的基础设施、能力建设举措和支持性政策框架,以实现可扩展和可持续的AI采用。

8. 现代农业和AI技术的未来方向
未来研究应通过开发区域数据集、多作物训练集和适用于多样化农业条件的可行框架来解决作物、地区和任务覆盖有限的问题。为了应对大型、计算密集模型的挑战,未来研究应侧重于通过剪枝、量化和高效硬件设计实现轻量级AI,用于边缘和无人机部署,特别是在田间。例如,Alsamhi等人提出使用具有B5G无线网络的AI赋能无人机来执行边缘AI和联邦学习,通过高速、低延迟通信实现实时数据处理。由于许多当前系统在田间条件下鲁棒性较弱,研究人员应跨农场、季节和天气模式验证模型以提高可转移性。可以通过开发即插即用的AI生态系统和联邦学习框架来减少互操作性问题和不佳的改造能力。自主机器之间缺乏协调要求群体机器人、智能拖拉机、无人机、多智能体强化学习和协作规划方法。为提高信任和接受度,融入SHAP、LIME和显著性图等可解释AI工具。公平技术设计、补贴、开源或本地化解决方案以及更强有力的治理框架可以缓解高成本和模糊的数据治理。最后,应更加关注通过碳监测、生物多样性保护和水利用优化中的AI应用实现气候智能型和再生农业。

9. 结论
本综述系统性地综合了AI在现代农业中应用的最新进展,重点关注
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号