《Smart Agricultural Technology》：Artificial intelligence in agri-food production and supply chains: Applications, implementation barriers, and opportunities
编辑推荐：
数字技术正在重塑农产品生产、质量控制、预测和物流。然而，人工智能（AI）在讨论时往往未与更广泛的食品工业4.0（Food Industry 4.0）生态系统加以区分。本结构化叙述性综述综合了四个应用领域的156篇学术与机构文献来源：生产与资源管理、质量保证与储
数字技术正在重塑农产品生产、质量控制、预测和物流。然而，人工智能（AI）在讨论时往往未与更广泛的食品工业4.0（Food Industry 4.0）生态系统加以区分。本结构化叙述性综述综合了四个应用领域的156篇学术与机构文献来源：生产与资源管理、质量保证与储存、作物产量预测以及供应链规划。一项于2026年8月29日进行的可复现OpenAlex更新检索获得4,945条记录，去重后得到4,638条唯一记录；最终语料库包含152篇学术来源和4份机构文件。该综述将AI与物联网（IoT）、传感器、射频识别（RFID）、大数据、云与边缘计算、机器人技术、区块链和数字孪生并列定位。这些技术提供数据、连接、计算、执行、可信记录和系统表征，而AI支持感知、预测、优化和决策支持。在上述四个领域中，机器学习（ML）、深度学习（DL）、计算机视觉和序列模型可实现病害检测、投入品管理、质量评估、产量估算、需求预测和路径规划。所报告的优势仍取决于数据的互操作性、可靠的基础设施、可负担性、可解释性、隐私保护以及本地化验证。该综述提出一个概念性实施图谱，将技术能力与部署障碍和赋能干预措施联系起来。其范围有意侧重于技术层面和生产导向，并不声称全面覆盖粮食安全的所有维度。优先事项包括透明的基准测试、全生命周期成本评估、以用户为中心的协同设计，以及在不同生产条件下的评估。
论文解读文章
一、研究背景与问题
农业食品系统正面临人口增长、气候极端事件、土地和水资源约束、物流中断、出口限制以及市场波动等多重压力。粮食安全包含六个相互关联的支柱——可获得性、可及性、利用、稳定性、能动性和可持续性——无法仅从生产技术加以推断。传统管理方法往往缺乏应对复杂生产环境所需的时间分辨率和整合能力。数字农业能够将田间观测、作业记录与市场信息相结合，以支持更早的检测和更一致的决策，但其实际价值取决于数据质量、基础设施和制度支持。
在此背景下，人工智能作为食品工业4.0更广泛生态系统的分析组件之一，常与其他数字技术混为一谈。传感器和物联网负责采集和传输观测数据，射频识别支持身份识别与追踪，大数据平台组织异构记录，云或边缘计算提供计算能力，机器人提供物理执行，区块链可保存共享交易记录，数字孪生表征生产系统。AI则通过学习模式补充这些技术，实现感知、预测、优化和决策支持。然而，以往综述往往只考察单一应用领域，或描述数字技术而未清晰区分其功能。因此，有必要开展一项跨领域综合研究，厘清AI在农产品生产与供应链中的实际应用、实施瓶颈与战略机遇。
二、研究设计与核心结论
该研究采用结构化叙述性综述设计，综合了技术导向和生产导向的AI在农业食品系统中的应用。研究聚焦四个领域：生产与资源管理、质量保证与储存、作物产量预测以及供应链规划。文献检索结合了Web of Science核心合集索引的学术文献、期刊定向检索和机构来源，并辅以2026年8月29日进行的可复现OpenAlex更新检索，共获得4,945条记录，去重后4,638条唯一记录，最终保留156篇来源。质量评估参考叙述性综述评估量表（SANRA），涵盖研究重要性、数据与方法透明度、模型评估适当性、生产情境清晰度、科学推理、结果数据呈现及局限性说明等方面。证据按四个领域进行主题综合，并按技术功能、报告结果和部署约束进行比较。
研究得出以下核心结论：AI在作物病害检测、投入品管理、质量评估、产量估算、需求预测和路径规划等方面展现出显著潜力，但所报告的优势均以数据互操作性、可靠基础设施、可负担性、可解释性、隐私保护和本地化验证为前提条件。AI应被视为嵌入更广泛生产系统的决策支持组件，而非解决农业约束或食品系统可持续性问题的独立方案。研究提出了一个概念性实施图谱，将技术能力与部署障碍和赋能干预措施联系起来，强调技术能力本身并不能自动产生可靠或公平的结果。
三、关键技术方法
研究人员主要采用了以下关键技术方法：结构化叙述性综述方法，结合Web of Science核心合集检索、参考文献链式追踪、定向期刊检索和机构文献来源；可复现的OpenAlex文献计量更新方法，使用四组领域特定检索字符串，覆盖2016年1月1日至2026年8月29日发表的英文期刊论文和综述；叙述性证据综合方法，按四个应用领域进行主题分类和比较分析；以及基于SANRA量表的质量评估框架。研究未采用元分析方法，因为所纳入研究在数据集、任务、验证设计和结果定义方面差异显著。
四、研究结果
4.1 生产与资源管理
AI已广泛用于作物管理、精准施肥、病虫害智能监测和极端天气预测。深度学习（DL）模型在小麦条锈病评估、马铃薯斑驳病预测和芒果叶病检测中达到较高准确率。智能温室将土壤湿度和养分传感器与卫星作物生长动态数据相结合，使AI系统能够确定施肥和灌溉的最佳时机与用量。AI驱动的遥感技术为土地、植被和作物提供关键洞察。DL模型还被用于训练超声波发生器实现非化学驱虫，减少农药依赖。机器学习（ML）在干旱预测中实现准确预警，支持水资源储备和生产计划调整。研究还表明，AI结合物联网和计算机视觉可在无土栽培中实现叶面积覆盖率的自动化追踪，交并比（IoU）得分达0.99。
4.2 食品质量保证与储存监测
在质量控制方面，AI广泛应用于农业无损检测（NDT）任务。多粒度卷积神经网络（CNN）模型可从不同尺度提取小麦图像特征，实现快速准确的质量评估。拉曼光谱结合化学计量学的两层级方法可检测葵花籽油中的污染物和掺假物。基于ResNet34的CNN和迁移学习模型可检测鹰嘴豆粉中的掺假，对小麦和开心果痕迹的检测准确率分别达99.1%和96.4%。在储存监测方面，集成物联网和AI的智能仓储系统可持续监测温度、湿度、气体成分和害虫活动。基于CNN的声学检测系统可识别隐蔽害虫，平均准确率为84.51%。基于YoloX的害虫检测模型实现了75.29%的两类害虫识别准确率。DL框架支持移动端实时多类害虫检测。AI结合经验模态分解和气象输入的食品水分预测提高了储存安全性。
4.3 食品产量预测
长短期记忆网络（LSTM）及其双向变体（Bi-LSTM）在作物产量预测中表现突出。LSTM通过遗忘门、输入门和输出门三个门控机制捕获和保留序列数据中的长期依赖关系。Bi-LSTM通过双向处理扩展了LSTM，在预测截止点之后不使用观测数据以避免信息泄漏。研究还使用了支持向量机（SVM）、决策树和随机森林等监督学习模型。SVM通过最大化分类间隔识别最优超平面，决策树通过递归划分数据集进行预测，随机森林通过自助聚合（bagging）集成多个决策树提高预测稳定性和准确性。这些模型通过超参数调优、特征选择和多维数据源整合，在印度、巴基斯坦、美国等地区的多种作物产量预测中取得良好效果。
4.4 AI支持的供应链规划与可追溯性
AI、物联网、RFID、区块链和相关数字技术在食品供应链规划、监测和可追溯性方面发挥互补作用。AI负责需求预测、质量风险评估、库存需求和路径规划，而其他技术提供观测、身份、连接和可信记录。智能包装系统使用神经网络、模糊逻辑或专家系统评估储存和运输过程中的质量。随机规划和元启发式优化可在不确定性下平衡成本、环境目标和路径规划。区块链仅在数据采集可靠、治理完善和参与者采用充分的情况下才贡献可追溯性。可追溯性和智能标签应设计为面向人的信息系统，从用户信息需求、素养、价值观和决策情境出发，将产品身份、产地、生产条件、安全、环境影响和伦理属性连接到可理解的界面。
五、讨论与结论
讨论部分指出，AI在农业食品系统中的部署受到技术、基础设施、经济、环境和社会条件的交互约束。技术障碍包括AI实施成本高、算法歧视、数据和软件依赖、可解释性低、缺乏技术标准化等。数据可用性和质量问题涉及农村大数据基础设施缺乏、数据来源异构、标注质量低、网络攻击威胁等。环境障碍包括农村基础设施落后、数字鸿沟、农机设备陈旧、区域和国家适用性差异。社会关注包括农民对AI技术的接受度差异、数据隐私担忧、算法偏见可能加剧不平等、数字素养不足等。AI安全治理面临法律政策不完善、区域治理分散和治理理念差异等挑战。
政策与监管框架对AI采用具有双重作用：财政支持和激励政策、行业标准与法规可促进采用，而政策缺失和滞后、过度监管和不适当监督则构成障碍。
研究结论强调，AI在农业食品系统中的部署应通过可互操作的标准和明确的数据质量、模型监测、网络安全和记录治理责任来实现。整合应以可衡量的结果评估，如损失减少、预测误差、可追溯性完整性、服务可靠性和全生命周期成本，而非以所结合的技术数量衡量。优先事项包括透明基准测试、全生命周期成本评估、以用户为中心的协同设计和不同生产条件下的评估。农民采用AI既不自动也不必然，取决于技术是否在可负担、可理解和与现有生产实践兼容的前提下提供可证明的农艺和经济价值。持续监测和结构化农民反馈应为每个实施周期提供信息，使系统设计者和机构能够识别绩效差距、响应变化的当地条件并改进可用性。技术准确性本身并不能保证信任、公平获取或持续使用；成功采用最终需要技术性能、经济可行性、制度支持和农民实际需求之间的协调一致。
