【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】 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】 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】 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】 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。

【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】 在农业领域，用户需求文本是农技精准推广、政策靶向服务的核心依据，但其包含的农业专业术语、多场景差异、动态更新特征，导致传统方法存在“专业术语识别误差大、多场景需求分类模糊、动态需求响应滞后”的问题，难以支撑高效的需求分析。因此，本研究构建基于大语言模型的农业需求智能分析方法，针对性解决传统方法的上述痛点，实现农业用户需求的精准识别、结构化提取与高效解析，为农技推广、政策服务提供高质量的需求数据支撑，推动农业数字化转型的精准落地。 【方法】 在农业需求分析中引入大语言模型，利用其语义理解与推理能力实现对用户需求的精准解析。提出了“3阶段训练+多智能体协同”的技术路径：首先收集8万条农业文本与2.28万条标注样本，用于领域预训练与指令微调，以增强模型的领域适应性；随后设计多智能体协同框架，由管理型智能体负责任务调度与质量控制，任务型智能体分别承担需求分类、关键因子提取与解释生成，从而实现对农业用户需求的结构化分析。 【结果和讨论】 农业需求分析智能体框架（Agri-NeedAgent）在需求类型匹配的准确率达到84.6%，关键因子提取的F₁值达到85.2%，接口合规率94.2%，可解释性90.2分，均显著优于未经过领域微调的通用大语言模型与不含多智能体协同机制的对照方法。 【结论】 大语言模型经过领域适配与微调后，能够实现对农业用户需求的深度解析与关键因子精准提取，且能通过多智能体协同机制提升分析的完整性与可解释性，为智慧农业决策支持系统提供高质量的数据支撑。

【目的/意义】 蔬菜供应链具有生产主体类别多、产品品种多、流通环节复杂等特点，针对传统追溯过程中数据采集准确率低、追溯标签易伪造、数据易篡改、供应链信息断链等问题，通过分析蔬菜生产、加工、储运、销售等流程，利用蓝牙、区块链、物联网等手段，创建数据可信共享、全链溯源区块链平台。 【方法】 集成气象站、农残检测仪、标签打印机等物联网设备，通过硬件标识与企业主体绑定机制建立设备-主体可信映射；融合椭圆曲线综合加密方案与后量子密码中的Kyber算法，研发抗量子混合加密方案，实现物联网数据量子安全加密，阻断伪造篡改行为。在此基础上研发基于物联网和区块链的蔬菜防伪追溯系统并进行实验测试，对信息采集准确率、数据上链、数据查询进行了测试分析。 【结果和讨论】 实验结果表明，物联网方式能够提高数据录入的准确率，数据上传至蔬菜防伪溯源区块链系统时延为2 879 ms，查询数据时延为122 ms。蔬菜供应链后量子增强型椭圆曲线综合加密方案对128 B明文的加密与解密时间总开销为10~30 ms，相比于传统加密方法RSA非对称加密的50~80 ms表现出较高效率，相较于对称加密的高级加密标准时间开销大，但抗量子安全性高。 【结论】 系统的数据上链和数据查询效率较高，可以满足系统的应用需求，能够有效解决传统追溯存在的漏填或错填追溯信息、追溯数据造假等问题，实现蔬菜的可信溯源。

【目的/意义】 随着工厂化育秧的快速发展，育秧环节的智能化已成为提升水稻生产效率与品质的关键。育秧盘中穴孔内稻种数量的准确识别，直接影响气振式育苗精密播种装置的作业效率与参数优化。然而，在复杂环境下，穴孔内稻种检测精度低，难以实现单粒精确分割。 【方法】 提出一种融合图文定位生成（Caption Grounding and Generation, CGG）模型与预训练模型的稻种实例分割方法，通过图像与文本特征的联合对齐，实现目标定位与语义理解的协同学习，从而显著提升了稻种的检测与分割精度。 【结果和讨论】 消融实验结果表明，核心改进模块基于自举式语言-图像预训练模型生成的伪标签，以及基于双向编码器表示的 Transformer的词向量嵌入，均能够提升模型性能。二者结合时表现出协同效应，使分割准确率较基线提升超过3个百分点。所提CGG模型在交并比阈值为0.5时，边界框检测平均精度达到90.7%，实例分割平均精度达到91.4%，显著优于Mask R-CNN和Mask2Former等主流模型。进一步在播种场景验证中，CGG模型在单穴种子数量检测精度达88%，表现最优。其针对单粒稻种的误差指标，包括均方根误差16.8粒、平均绝对误差13.7粒和平均绝对百分比误差2.46%，均显著低于对比模型。 【结论】 该模型具备实时在线检测稻种数量的能力，为后续需补种穴位的精准再播种提供了可量化操作依据，具有良好的实际应用前景，可为智慧农业和智能播种技术的发展提供有力支持。