编辑推荐：
传感、计算和自动化方面的快速发展正在重塑植物与农业系统的观测、分析和管理方式。传统的植物测量和田间调查对于获取可靠的生物学和农学信息仍然不可或缺，但通常劳动密集、耗时，且难以在大群体、异质环境和重复观测中规模化应用。与此同时，农业生产越来越需要满足不断增长的粮
传感、计算和自动化方面的快速发展正在重塑植物与农业系统的观测、分析和管理方式。传统的植物测量和田间调查对于获取可靠的生物学和农学信息仍然不可或缺，但通常劳动密集、耗时，且难以在大群体、异质环境和重复观测中规模化应用。与此同时，农业生产越来越需要满足不断增长的粮食生产需求，同时应对资源约束、环境变异和气候相关风险。这些挑战催生了对高效方法的强烈需求，这些方法能够在多个空间和时间尺度上获取植物信息，并将这些观测转化为定量且可操作的知识。
因此，遥感（Remote Sensing, RS）和人工智能（Artificial Intelligence, AI）已成为现代植物科学和精准农业（Precision Agriculture）中日益重要的工具。卫星、无人机（Unmanned Aerial Vehicle, UAV）、近端、高光谱、多光谱和显微成像系统提供了从区域植被模式到单株植物、器官、组织和细胞的互补信息。与此同时，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）方法能够从这些数据中提取越来越精细的结构、生理和表型信息。人工智能（AI）还与机器人技术、传感器融合、导航和数据驱动建模相结合，将其作用从图像解释扩展到自主传感、预测和农业作业。传感技术与智能计算的融合为作物监测、植物表型分析、胁迫评估、森林特征描述、质量预测和自动化农业管理提供了新的机遇。
然而，这些技术的实际应用仍面临重要挑战。农业和自然环境影响高度异质，光照、冠层结构、生长阶段、传感器配置、环境条件和空间尺度的变化会显著影响数据分布和模型性能。对于许多植物应用而言，准确标注数据集的可用性仍然有限，而在特定实验条件下开发的模型可能无法可靠地迁移到新的作物、地点、季节或传感平台。此外，从准确的实验模型过渡到可部署系统需要考虑计算效率、多源信息集成、导航可靠性、边缘实现以及预测性状的生物学相关性。
在此背景下，本期特刊汇集了10篇论文，展示了遥感（RS）、人工智能（AI）、计算机视觉、机器人平台、植物表型分析、生理性状估计和数据驱动农业应用的最新进展。这些论文涵盖了特别广泛的观测尺度，从区域森林生物量制图和基于无人机（UAV）的树木监测，到温室果实评估和显微植物细胞分割。总体而言，这些研究展示了传感和人工智能（AI）的进步如何逐步将植物观测与定量表征、预测和智能决策联系起来。
论文解读：遥感与人工智能在农业和林业中的进展
传统植物测量和田间调查依赖大量人力和时间，难以在大规模、异质环境中重复观测。农业生产同时面临粮食需求增长、资源约束和气候风险，迫切需要能在多空间和时间尺度上获取植物信息并转化为定量知识的方法。遥感（RS）和人工智能（AI）的快速发展为现代植物科学和精准农业提供了新工具，但环境异质性、标注数据不足、模型迁移性差以及从实验模型到可部署系统的转化问题，仍制约着实际应用。这篇发表在《Plants》上的综述型特刊文章，汇集了十项研究，展示了从区域森林制图到微观细胞分割的多尺度传感与AI融合进展。
研究人员在特刊中围绕多个方向展开了研究。首先，系统层面的综述梳理了AI在作物生产中的应用，指出了模型泛化、数据偏差、实施障碍和可持续性等关键约束。其次，自主传感平台的研究从空中和地面两个视角展开，分别讨论了无人机导航和地面移动机器人的感知-决策-行动框架。在生理性状遥感反演方面，研究者利用高光谱分数阶导数和域自适应等方法，提高了马铃薯氮素含量和叶绿素反演对冠层异质性和光照变化的鲁棒性。多源遥感研究结合卫星、雷达、高分辨率无人机影像和深度学习，实现了区域森林生物量制图和单树冠层分割。计算机视觉应用则覆盖了果实成熟度分级和显微细胞分割，展示了对不同生物尺度的适应能力。最后，数据驱动方法将生理、冠层与代谢变量相结合，用于苹果品质预测，连接了植物功能性状与经济产出。
主要关键技术方法包括：针对作物生产的AI应用进行系统文献综述；对农业UAV导航的感知、定位、建图、规划与控制框架进行总结；采用感知-决策-行动框架分析地面移动机器人表型平台。在光谱反演方面，使用高光谱分数阶导数与优化光谱指数估计马铃薯冠层分层氮素含量；将光照变化建模为条件域偏移，并引入域自适应框架解决异质遮阴下的叶绿素反演。森林应用方面，联合Sentinel-2、ALOS-2 PALSAR-2和地形数据，结合深度学习与地统计残差校正进行区域森林地上生物量制图；通过UAV RGB与多光谱影像的跨模态注意力实现野生银杏冠层分割。计算机视觉方面，提出统一实例分割框架用于番茄和甜椒成熟度分级，并构建多尺度注意力U-Net用于毛竹细胞分割。品质预测采用特征筛选与反向传播神经网络整合生理、冠层和代谢变量。各研究分别以马铃薯、番茄、甜椒、银杏、毛竹和苹果等植物为对象。
研究结果表明：Xu等人的综述强调AI在生物胁迫监测、土壤管理、精准作业、供应链优化和气候韧性农业中的作用，但模型泛化、数据偏差、实施障碍和可持续性是限制部署的关键因素。Dong等人指出农业UAV正从被动成像平台转变为面向监测和喷洒的任务导向系统。Zhang等人通过感知-决策-行动框架，强调多模态传感、导航、表型分析、机器人干预和边缘部署的集成。Jin等人的高光谱方法对垂直冠层异质性更敏感，显著改善了马铃薯氮素估计。Chen等人的域自适应框架提高了异质遮阴条件下叶绿素反演的可迁移性。Qian等人结合多源遥感与深度学习实现了区域森林生物量制图，提升了区域尺度估测精度。Guo等人的跨模态注意力方法改善了个体银杏树冠的识别与分割。Li等人的实例分割框架解决了作物特异性模型的局限，同时满足机器人实时部署需求。Zhou等人的多尺度注意力U-Net有效应对了弱边界、密集结构和形态变化强的毛竹细胞分割。Zeng等人的特征筛选与神经网络预测模型建立了苹果功能性状与品质间的关联，支持果园精准管理。
讨论部分指出，本期特刊的研究共同体现了三个方向：异构传感源的集成、对鲁棒性和迁移性的日益重视，以及从孤立感知任务向可部署智能系统的演变。未来工作应更强调跨环境验证、有限标注下的高效学习、标准化评估和生物学可解释建模，同时需要算法、传感硬件、导航、边缘计算和农艺知识的协同发展，以实现感知、决策与行动闭环的农业智能系统。
研究结论部分可翻译为：本期特刊的论文表明，植物科学正从孤立的传感和预测任务转向集成、数据驱动的系统。在遥感、计算机视觉、机器人和生理建模领域，一个共同趋势是越来越多地使用多模态和多源信息来改进跨空间尺度的植物表征。同时，鲁棒性和可迁移性仍是主要制约因素。作物类型、光照、冠层结构、环境、季节和传感配置的变化会显著影响模型性能。因此，未来工作应更加重视跨环境验证、有限标注下的高效学习、标准化评估和生物学可解释建模，而不是仅关注狭隘实验条件下的准确性。另一个优先方向是更紧密地整合传感、AI和自主平台。无人机、地面机器人和机器人视觉的进展表明，农业智能正朝着连接感知、决策和行动的闭环系统发展。推进这一转变需要算法、传感硬件、导航、边缘计算和任务特异性农艺知识的协同开发。总体而言，遥感与AI在定量植物表型、作物和森林监测以及智能农业管理中正变得越来越核心。未来的进展将依赖于开发不仅准确，而且可迁移、高效，并能在现实生物和田间条件下部署的方法。
