【目的/意义】 数字农业的本质在于通过物联网、大数据、人工智能及遥感等信息技术，实现农业生产全过程的数字化映射与智能化管控。对地观测技术作为关键的数据引擎与推动力，为农业特别是种植业的数字化转型提供了不可或缺的空间信息支撑。本文从对地观测的视角出发，剖析其驱动的数字（智慧）农业研究前沿与典型案例。 【进展】 当前，研究前沿聚焦于三个领域。一是农情智慧监测，整合高分辨率遥感数据和机器学习技术，实现全口径作物制图、精准产量预测和灾害监测、评估与预警等。二是数字孪生农场，将农业生产全要素数字化建模，动态科学指导精准农业生产，提高生产效率与效益，减少对环境的影响。三是农业系统韧性，通过量化韧性措施的贡献，帮助农业系统应对气候变化挑战。在此基础上，本文结合农情遥感智能监测系统与农业水管理系统两个典型案例，展示了数字（智慧）农业在宏观政策支持和农业生产赋能的云端服务能力。进而分析了影响数字（智慧）农业商业化和业务化进程的多重阻力。 【结论/展望】 数字农业不仅是提升生产效率、保障粮食安全的关键路径，更是推动农业智慧转型、增强农业韧性的一种新型生产要素与系统性能力，即农业领域的“新质生产力”，其系统解决方案与商业模式有望在全球农业变革中形成“中国名片”，助力零饥饿目标的实现。

【目的/意义】 为突破大语言模型在农业生产决策领域应用中存在的物理世界交互能力不足、专业工具调用受限，以及“幻觉”生成等问题，构建了一个工具增强型环控智能体系统。 【方法】 首先，基于开放气象数据与作物生长模型构建农业数字孪生评测平台，提供标准化闭环控制验证环境。其次，提出了AgriAgent架构，通过“传感器-记忆库-检索器-大语言模型-工具执行器”闭环流程，实现了田间环境的动态感知、知识检索、推理决策与精准执行的端到端闭环控制。该端到端架构的优势在于实现了“环境感知-动态决策-执行反馈”的全流程无缝衔接，极大地提升了系统在复杂、动态农业环境下的实时响应能力和决策精度，解决了传统应用缺乏“感知-决策-执行”闭环能力的问题。为验证系统有效性，在数字孪生环境中，对玉米、小米、甜菜、番茄、卷心菜5种作物在常规、扰动、极端3种情景下开展实验。 【结果和讨论】 以Qwen2.5_7B为核心的AgriAgent-7B模型表现最优，常规情景、扰动情景和极端情景下玉米产量较基线模型分别提升562.20%、459.70%、463.60%；小米产量分别提升646.80%、558.70%、351.20%；甜菜产量分别提升228.20%、118.20%、125.40%；番茄产量分别提升926.20%、979.55%、1 537.46%；卷心菜产量分别提升501.67%、504.65%、1 185.14%。此外，智能体参数量显著影响决策的质量，当参数量达到7 B时，智能体展现了卓越的灵活性与适应性，能够解决大部分复杂的农业生产决策问题。 【结论】 本研究验证了工具增强型智能体在农业动态决策中的有效性，提出的AgriAgent端到端架构，通过知识检索与工具调用闭环，在农业场景下实现了“环境感知-动态决策-执行反馈”的全周期闭环控制，为农业智能体研究提供了可靠技术路径和创新范式。

【目的/意义】 针对当前砀山梨表面缺陷因尺度小而导致检测精度差的问题，本研究提出了一种基于改进Mamba-YOLO的轻量化高精度模型，旨在实现检测精度与效率的平衡。 【方法】 首先，采用动态上采样模块，相较于现有Mamba-YOLO的上采样模块具有更少的参数量和浮点运算次数，可在保障模型计算效率的同时，提升对缺陷细节信息的保留能力。其次，提出频率自适应空洞卷积，通过动态调整卷积核尺寸，使网络依据输入局部特征自适应选择匹配的卷积核，从而增强对缺陷的特征提取能力。最后，融合压缩和激励模块和通道混合器卷积门控线性单元，同时引入多尺寸卷积核提取多尺度特征，进一步提升模型对局部细节的捕捉能力与鲁棒性。 【结果和讨论】 改进后的算法在砀山梨测试集上经过评估，平均精度均值达到了95.1%，帧率达到了72帧/s。与YOLOv8n、Gold-YOLO-N和YOLOv12n相比，平均精度均值分别高出了4.7、5.3和6.3个百分点；与基准Mamba-YOLO-T相比，平均精度均值提升了3.4个百分点，帧率提高了10.8个百分点。 【结论】 改进模型在提升综合检测性能的同时降低了计算复杂度与参数量，可为轻量化梨表面缺陷检测研究提供可靠的算法支撑。

【目的/意义】 本研究旨在突破传统光学遥感在云遮天气与耕地破碎地形下的局限性，通过构建一种具备优秀跨模态融合能力与泛化性能的深度网络模型来提升农业遥感分类精度。 【方法】 提出一种基于注意力机制的3D卷积神经网络（3D Convolutional Neural Network Based on Attention Mechanism, Attention-3DCNN）模型：其通过3D卷积+2D卷积结构处理时序哨兵二号多光谱影像，在空间与时间维度上提取丰富特征；同时以深度可分离卷积形式处理来自哨兵一号的合成孔径雷达（Synthetic Aperture Radar, SAR）数据，实现对全天候可获取信息的高效抽取；进一步，模型引入“通道-时间-空间”三重注意力机制与残差连接策略，对两个模态的特征进行动态加权与深度融合，使得在光学数据缺失或遮挡严重的情形下，SAR数据能够有效补偿并维持分类性能。 【结果和讨论】 为全面评价模型性能，选取法国全景农业卫星时序数据集，以及山东省沂水县实测数据集进行对比实验：在法国数据上模型达到97.5%的整体准确率，在沂水县数据上获得93%的准确率，均显著优于对照基线模型；同时，通过对注意力分布的可视化分析可见，模型聚焦的关键物候期与当地农业实地记录高度一致，其高权重光谱波段亦符合农学机理，这体现出模型在判别机制层面的可解释性。 【结论】 综上，Attention-3DCNN模型在耕地破碎、云遮影响严重的山区条件下显著提升了作物分类精度，具有良好的推广前景与应用价值。

【目的/意义】 土壤有机质（Soil Organic Matter, SOM）是土壤肥力和质量的重要指标。为解决山区复杂地形条件下SOM空间变异性强、传统数字土壤制图方法预测精度受限的问题，本研究旨在引入并验证地理加权随机森林（Geographically Weighted Random Forest, GWRF）模型在县域尺度复杂地形区SOM数字制图中的适用性与精度优势，并实现SOM含量的高精度空间预测，对合理利用和科学管理土壤资源具有重要意义。 【方法】 以山东省典型山地农区沂源县为研究区，利用实测SOM样点数据，考虑气候、地形、土壤、植被和土地利用等环境变量，通过构建融合空间局部建模与非线性建模能力的GWRF模型对研究区SOM预测、数字制图，并与普通克里格（Ordinary Kriging, OK）、多元线性回归（Multiple Linear Regression, MLR）、GWR和随机森林（Random Forest, RF）等模型进行精度对比。 【结果和讨论】 GWRF模型表现最优，决定系数（R²）为0.48、均方根误差（Root Mean Square Error, RMSE）为5.12 g/kg，较OK、MLR、GWR和RF模型R²分别提升0.24、0.16、0.13和0.07，RMSE降低了1.06、0.73、0.59和0.36 g/kg。研究区SOM含量整体偏低，呈中部高、西南和东北低的空间分布特征，主要受土壤类型、年蒸散量、坡度和砂粒含量等环境因素影响。 【结论】 研究结果证明GWRF模型在复杂地形区的县域SOM预测中具有显著优势，可为第三次全国土壤普查背景下的高精度SOM数字制图提供技术支撑。

【目的/意义】 高时空分辨率遥感技术正深刻变革农业灾害管理模式，系统梳理其在气象致灾因子主导的水文胁迫、温度胁迫与结构破坏三类农业灾害监测预警中的应用进展，对于应对气候变化背景下日益严峻的农业灾害风险、构建精准高效的灾害防控技术体系具有重要理论意义与实践价值。 【进展】 本文系统阐述了“天空地”一体化观测网络的技术特征，分析了卫星、无人机与地面平台协同，光学、微波与热红外传感器互补的立体观测优势；构建了“监测-预警-决策”方法论框架，深入剖析了物理机理模型与数据驱动模型在灾害识别、过程模拟与风险研判中的技术路径与融合潜力；分灾害类型论证了干旱洪涝、高温冻害、作物倒伏等单一灾害及复合灾害在监测预警决策各环节的核心挑战与解决方案，特别强调了根区土壤水分反演、器官温度感知、多致灾因子耦合建模等关键科学问题的研究进展。 【结论/展望】 研究表明，当前农业灾害遥感管理仍面临数据壁垒、模型鸿沟、尺度效应与系统闭环断裂等共性瓶颈，未来应重点发展物理引导的机器学习方法，构建农业灾害数字孪生平台，探索面向复合灾害的智能体建模，推动农业灾害管理从被动响应向主动干预、从单点突破向系统集成的范式转变，为实现农业防灾减灾智能化提供技术支撑。

【目的/意义】 由于串番茄果实密集重叠、温室光照复杂多变及果实颜色连续渐变等因素，检测模型在对成熟度进行精准快速识别时面临挑战。因此，提出了一种基于改进YOLOv10（You Only Look Once version 10）的轻量级串番茄成熟度目标检测模型LampCT-YOLO （Cluster Tomato YOLO with Layer-wise Adaptive Mask Pruning），以提高检测精度、推理速度和鲁棒性。 【方法】 以YOLOv10为基线模型，在主干网络引入SegNeXt（Segmentation Next）注意力机制，通过自适应调整注意力权重，增强模型对3类不同成熟度串番茄关键区域（如边界、颜色深浅）的特征提取能力；在训练完成的模型基础上，通过基于梯度的全局通道重要性方法LAMP（Layer-wise Adaptive Mask Pruning）通道剪枝，显著压缩模型体积和计算复杂度，同时有效保持模型对串番茄3分类成熟度的高检测性能。 【结果和讨论】 在NVIDIA A100显卡环境下，LampCT-YOLO模型对串番茄红熟早期、中期、晚期的平均精度均值（Mean Average Precision, mAP）分别为84.6%、89.5%、88.4%，相比YOLOv10分别提升了5.5、7.7和0.9个百分点，对串番茄3个成熟度类别的mAP₅₀为87.6%，相比YOLOv10提升了4.7个百分点。应用LAMP通道剪枝技术后，模型的参数量和计算量分别减少63.07%和50.06%，推理速度提升23.1%。部署至自主研发的果蔬巡检机器人后，在边缘设备NVIDIA Jetson AGX Orin上达到9.1帧/s的推理速度，实现了检测精度与实时性的有效平衡。 【结论】 研究结果可为基于巡检机器人的串番茄成熟度精准快速识别提供坚实的技术支撑。

【目的/意义】 土壤有机质（Soil Organic Matter, SOM）是土壤质量的核心表征指标，开展SOM制图研究具有重要意义。尽管机器学习已成为提升数字土壤制图（Digital Soil Mapping, DSM）精度的重要手段，但其性能依赖于输入采样数据的质量。因此，合理的采样点布局是DSM的关键前提。本研究旨在剔除冗余采样点、降低采样成本，并进一步提升SOM的预测精度。 【方法】 构建基于河马优化算法（Hippopotamus Optimization Algorithm, HO）随机森林残差克里金插值的最优采样策略。以浙江省兰溪市已布设调查的1 080个土壤样点为基础，结合环境协变量，优化生成多组采样方案，确定最优的采样密度和样点位置，用于SOM的空间预测与制图。 【结果和讨论】 HO优化的多组采样方案中，当采样密度为2.3点/km²（629个采样点）时效果最佳，均方根误差和平均绝对误差分别降低至5.11和3.79 g/kg，决定系数为0.49，林氏一致性相关系数达到0.63，优化后采样成本较原始方案下降41.8%。 【结论】 综上所述，兼顾采样成本和预测精度，HO是一种潜在有效的采样优化方法，能为类似区域的土壤有机质空间预测与制图采样提供参考。

【目的/意义】 藜麦穗是藜麦产量评估的重要指标之一。为提高藜麦穗目标检测精度和检测效率，提出一种适用于无人机搭载的目标识别轻量模型YOLOv8n-SSND（YOLOv8n with Switchable Atrous Convolution, Slim Neck, and Deformable Attention）。 【方法】 以YOLOv8n和YOLOv11n为基准模型，考虑藜麦穗形态大小不一及结构复杂，在Backbone层加入可切换空洞卷积模块以提升检测复杂特征的能力；引入Slim-Neck特征融合层，轻量化主干网络；添加可变形注意力机制，使模型能够动态识别藜麦穗部的复杂特征，同时保持较高的推理效率。 【结果和讨论】 YOLOv8n-SSND模型平均精度均值达94.3%，相较于YOLOv11n-SSND、YOLOv11n、YOLOv12n、YOLOv7、YOLOv5s、SSD（Single Shot MultiBox Detector）、Fast R-CNN（Fast Region-Based Convolutional Neural Network）和YOLOv8n模型，分别提升0.7、0.9、2.1、1.4、2.0、23.1、19.6、1.8个百分点。该模型推理速度达166.7帧/s，较基准模型提高26.7%；计算量为6.8 GFLOPs，较基准模型降低16.0%。 【结论】 YOLOv8n-SSND模型在藜麦穗部识别上表现出更高的精确度、更快的推理速度以及更少的浮点运算量，为无人机搭载针对藜麦穗部的藜麦目标检测提供了可行方法，也为藜麦产量评估与智能农业管理提供了高效的技术方案。

【目的/意义】 倒伏是制约作物产量与品质的关键因素之一，本研究针对胡麻田间图像中倒伏区域形态复杂、边界模糊、背景干扰大导致不易识别的问题，提出一种高精度、轻量化的倒伏区域识别方法，以支持智能化田间监测和自动化农业设备的实际部署。 【方法】 提出一种基于改进YOLOv11n-seg模型的胡麻倒伏区域识别方法，该方法从模型轻量化与精度提升出发，首先在骨干网络中引入融合多尺度高效通道注意力机制的集成空间深度可分离模块（C3k2 Spatial‑Depthwise, C3k2_SDW），以增强模型对倒伏区域特征的敏感性；其次在颈部结构中引入双向特征金字塔网络结构，并结合多阶段语义融合策略，实现不同尺度与语义层次特征的充分交互，从而提升对细粒度倒伏区域的识别能力；最后在输出阶段对预测边界进行精细化处理，提高倒伏区域分割结果的边界精度。 【结果和讨论】 改进后的YOLOv11n-seg模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。 【结论】 基于改进YOLOv11n-seg模型的胡麻倒伏区域识别方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。