《Agronomy》：Precision Agriculture in Maize Production: A Systematic Review of Technologies, Applications, and Yield Optimisation
编辑推荐：
摘要
精准农业（Precision Agriculture, PA）已成为一种数据驱动的方法，通过整合遥感（Remote Sensing）、地理信息系统（Geographic Information Systems, GIS）、全球导航卫星系统（Global
摘要
精准农业（Precision Agriculture, PA）已成为一种数据驱动的方法，通过整合遥感（Remote Sensing）、地理信息系统（Geographic Information Systems, GIS）、全球导航卫星系统（Global Navigation Satellite Systems, GNSS）、物联网（Internet of Things, IoT）和机器学习（Machine Learning, ML）来改善玉米（Zea mays L.）生产。本系统性综述评估了2020年至2026年间PA在玉米生产中用于产量优化和资源利用效率的应用情况。遵循PRISMA 2020指南，研究人员从Scopus和Web of Science数据库中识别出464条记录，其中129项研究符合纳入标准。所综述的文献包括田间试验（28.6%）、遥感和PA集成研究（25.5%）、机器学习应用（19.4%）、气候信息型PA策略（23.4%）以及土壤退化研究（3.1%）。遥感与多技术集成系统是研究最广泛的方法，其次是基于机器学习的产量预测和作物监测模型。总体而言，PA技术通过特定地点的管理和数据驱动的决策支持，提高了玉米生产力、养分利用效率、水分利用效率和产量预测精度。尽管潜力巨大，PA的推广仍受到高实施成本、技术复杂性和数据可用性有限的制约。综合来看，这些发现表明，精准农业通过提高生产力、优化资源利用效率和增强对气候变率的适应性，为可持续的玉米集约化提供了有效框架。
以下是论文主体部分的专业学术总结：
1. 引言
玉米是全球第三大谷类作物，其生产面临气候变化、土壤退化、水资源短缺等多重挑战。传统的田间监测方法劳动密集且难以捕捉田间的时空变异性。精准农业（Precision Agriculture, PA）通过整合数字技术实现特定地点的作物管理，从而克服上述限制。遥感、无人机（Unmanned Aerial Vehicle, UAV）、机器学习（Machine Learning, ML）和人工智能（Artificial Intelligence, AI）以及物联网（Internet of Things, IoT）等技术的最新进展显著扩展了PA的能力。然而，现有证据较为分散，缺乏对玉米生产系统中PA技术应用及其有效性的全面综合评估。
2. 材料与方法
本系统性综述遵循PRISMA 2020指南进行，在Web of Science和Scopus数据库中检索了2020年1月至2026年4月15日期间发表的研究。检索使用了“precision agriculture”、“smart farming”、“digital agriculture”和“maize production”等关键词。经过筛选，最终有129项研究被纳入定性综合。数据提取包括出版年份、国家、研究目标、PA技术、研究设计、农艺指标等。采用基于ROBIS原则的定性框架对纳入研究的方法学质量进行评估，重点关注抽样清晰度和分析透明度两个领域。
3. 结果
3.1 纳入研究的概述与特征：最终纳入129项研究，涵盖田间试验、观测研究、建模研究、系统综述和技术评估研究。最常报告的结果包括作物产量、养分利用效率、水分利用效率、作物健康、病虫害管理、资源利用效率和环境可持续性。
3.2 精准农业研究的时间与主题趋势：2020至2025年间，Scopus和Web of Science上的年发文量均呈显著上升趋势，表明学术参与度日益增强。中国、印度和美国是主要的贡献国，合计占Scopus和WoS出版物总量的74%以上。主要期刊包括《Precision Agriculture》、《Computers and Electronics in Agriculture》和《Agronomy》。
3.3 玉米生产中应用的精准农业技术：遥感（Remote Sensing, RS）和多技术集成系统是最常报道的技术（各占22.48%），其次是机器学习（Machine Learning, ML）和人工智能（Artificial Intelligence, AI）（17.05%）。土壤水分和养分传感器出现在10.85%的研究中，精准养分管理占7.75%。地理信息系统（Geographic Information Systems, GIS）和全球定位系统（Global Positioning System, GPS）引导系统的报道较少。
3.3.1 地理空间与遥感技术：遥感，特别是基于卫星和无人机的平台，主导着玉米监测和产量估算研究。归一化差异植被指数（Normalized Difference Vegetation Index, NDVI）和叶面积指数（Leaf Area Index, LAI）等植被指数与作物生长和产量密切相关。无人机多光谱和高光谱影像进一步改进了生长和LAI估算。
3.3.2 基于传感器的技术：基于物联网的土壤水分和养分传感器在精准玉米管理中发挥着越来越重要的作用。无线传感器网络能够实时监测土壤状况，支持精准灌溉和施肥管理。光谱学和深度学习技术的进步改善了土壤有机质估算。
3.3.3 精准作物管理技术：变量施肥技术（Variable-Rate Technology, VRT）研究不足，仅占1.6%。精准养分管理强调通过传感器工具和决策支持系统提高氮肥利用效率。精准灌溉集成了土壤水分传感器、遥感、作物模型和自动化技术。精准病虫害和杂草管理则利用无人机靶向喷洒和基于人工智能的图像检测技术。
3.3.4 决策支持与智能系统：基于农业技术转让决策支持系统（Decision Support System for Agro-technology Transfer, DSSAT）的作物模拟模型应用有限，仅占1.55%。产量监测与收获管理见于8.5%的研究中，主要涉及配备GPS的收获系统和产量制图。综合精准农业系统将地理空间技术、传感器和作物模型相结合，以提高产量预测和田间变异评估能力。
3.4 精准玉米农业中的应用与方法论途径：综述文献显示方法论呈现多样性。田间试验和综述文章各占24.0%，而使用无人机、遥感、机器学习和深度学习的研究占20.9%，反映了人工智能和地理空间技术的日益普及。其余31.0%的研究包括模拟、决策支持、文献计量和基于模型的研究。整体趋势是从单一技术转向集成传感、空间分析、计算建模和人工智能的综合系统。
3.5 农艺与环境影响
3.5.1 精准农业优化玉米产量的综合证据：精准农业技术通过改善投入管理、作物监测和特定地点决策，经常与提高玉米生产力相关联。然而，报告的效益因环境条件、技术类型、管理实践和研究设计而异。
3.5.2 精准农业在玉米种植中采纳的关键农艺成果：研究明确了技术性能、管理与资源利用成果以及农艺成果三个证据领域。一些研究报告了精准管理后的产量提升，以及与特定地点养分管理、传感器监测和精准灌溉相关的氮肥利用效率（Nitrogen Use Efficiency, NUE）和水分利用效率（Water Use Efficiency, WUE）的提高。相反，遥感、机器学习和自动监测主要提升了技术性能，尤其是在病虫害检测和作物监测精度方面，除非经过明确评估，否则无法直接证明产量或资源利用方面的收益。
4. 讨论
4.1 演进与技术整合：精准农业研究正从单一技术转向综合系统。无人机多光谱成像和NDVI等植被指数被广泛用于评估作物状况。人工智能和机器学习越来越多地支持预测、分类和检测任务。然而，技术性能的提升并不保证农艺效益。开放式大田玉米的精准管理与受控环境下的园艺系统不同，其作用主要是诊断和适应性的。
4.2 农艺与环境影响：精准农业可通过揭示时空变异性和实现更精准的投入来提高玉米管理水平。变量养分管理可提高NUE，精准灌溉可提高WUE。这些效应的生理学基础在于更好地同步养分和水分的供应与作物需求。一些研究还报告了环境效益，但这些结果并非普遍存在。
4.3 挑战、研究空白与未来方向：综述研究揭示了从单一PA技术向集成系统的转变。推广障碍包括高成本、基础设施有限以及技术能力不足，尤其是对小农户而言。变量施肥技术和基于DSSAT的模型面临各自独特的挑战。未来研究应根据每种PA技术的具体要求定制解决方案，并在长期、多地点的试验中结合农艺、环境和经济效益评估。
4.4 综述局限性：研究异质性限制了直接比较和荟萃分析。地理集中性限制了全球普适性。纳入研究对实验和采样特征的报告不一致，以及对植物年龄、发育阶段和采样器官的报告不一致，也构成了限制。
5. 结论
本综述综合了2020至2026年间129项研究的证据。研究结果表明，遥感、无人机、传感器、机器学习、人工智能、GIS和决策支持系统的集成正在支持特定地点的玉米管理。这些技术改善了作物监测、投入优化和产量预测，从而有助于提高玉米生产力、养分利用效率、水分利用效率以及更有效地检测生物和非生物胁迫。然而，重要挑战依然存在，包括变量施肥技术和作物模拟模型的采用有限、实施成本高、技术复杂性以及在长期绩效和经济可行性方面证据不足。总体而言，精准农业在提高玉米生产的可持续性方面具有巨大潜力。
