【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】 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。

【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】 枝叶遮挡是田间胡萝卜苗精准识别的主要挑战，对此开发一种轻量、高效的检测模型，以实现田间遮挡条件下胡萝卜苗的精准鲁棒识别。 【方法】 提出了一种基于改进YOLOv11s（You Only Look Once）的轻量化检测方法CD-YOLO（Carrot Detection-YOLO）。首先，为降低模型复杂度，将主干网络中的部分标准卷积替换为深度可分离卷积，以减少计算量与参数量；其次，在C3k2模块中引入高效多尺度注意力机制（Efficient Multi-Scale Attention, EMA），构建C3k2_EMA模块，增强模型对关键特征的动态感知能力，从而抑制背景与遮挡噪声；最后，采用动态检测头，强化模型对不同尺度特征的融合与感知，进一步提升检测鲁棒性。 【结果和讨论】 结果表明：CD-YOLO模型的计算量和模型大小相较于YOLOv11s分别降低了6.2 GFLOPs和4.8 MB，单张图像推理速度提升了4.7 ms，准确率、召回率与平均精度分别提高了3.0、1.5和2.4个百分点；在应对枝叶遮挡方面，CD-YOLO的漏识率为13.4%，较YOLOv11s下降了5.7个百分点；将模型部署于边缘算力设备，在随机选取的胡萝卜苗图像上进行测试，漏识率和误识率分别为5.1%和2.7%。 【结论】 CD-YOLO模型在保持轻量化的同时，有效提升了田间胡萝卜苗的检测精度与速度，特别是在应对枝叶遮挡方面表现优异。该研究可为胡萝卜自动化育苗过程中的出苗率统计与精准管理提供可靠的技术支持。

【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】 苹果始花期是果园物候管理的核心节点，其精准预测对于安排疏花疏果、病虫害防治及规避花期冻害至关重要。传统始花期预测模型特征输入所用气温特征类型单一，且对深层语义信息挖掘不足，难以表征内在物候变化规律；物理驱动模型需预设物候变化函数，依赖人工分区标定阈值，难以实现大范围自适应花期预测。为克服这些局限并进一步提升预测精度，构建了一种数据驱动的深度学习预测框架。 【方法】 以陕西省洛川县为研究区域，选取2019—2021年苹果采摘后至次年开花期前的逐日最高/平均/最低近地表气温数据，引入局部依赖头、全局依赖头和累积特征头3种多头注意力机制，联合表征多维气温特征，增强模型对气温局部波动、全局趋势及累积变化等时变规律的识别能力，并将地理因子（高程经纬度）作为静态特征与递归神经网络融合，构建区域自适应的双向长短期记忆网络，实现面向空间差异的苹果始花期预测。以洛川县2022年实际调查的始花期数据对模型进行了精度验证。 【结果和讨论】 模型在测试集上的均方根误差为1.34 d，平均绝对误差为1.13 d，预测误差主要集中在0~2 d，相关系数达到0.84。进一步分析表明，引入地理因子有助于降低预测误差并增强模型的空间适应性。经验证，该方法在研究区内可实现提前15~20 d的稳定预测。 【结论】 研究结果为实现苹果始花期更高精度的预测提供了新路径，为果园花期管理及灾害防控提供了技术支撑。

【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。

【目的/意义】 针对复杂背景下密集且小尺度海水网箱目标检测困难的问题，本研究构建专用数据集并设计具有针对性的检测模型，以提升在实际养殖管理中的识别精度与鲁棒性。 【方法】 基于来自澳大利亚、加拿大、智利、克罗地亚、希腊、中国及法罗群岛七个具有代表性的海水养殖区域的高分辨率遥感影像，构建了海水网箱数据集；提出了基于 YOLOv5的Cage-YOLO 深度学习检测模型，用于密集小目标网箱的自动识别。首先，引入自适应密集感知算法，自动选择并生成反映小型网箱密集分布特征的特征图；其次，集成改进的快速空间金字塔池化模块，有效减少背景噪声干扰并增强全局特征提取能力；最后，加入混合注意力模块，进一步提升模型对密集小目标的感知能力。 【结果和讨论】 实验结果表明，Cage-YOLO在精度、召回率及平均精度方面分别较原始YOLOv5提升了5.6、21.8和17.4个百分点。模型体积保持为16.9 MB，兼具优越性能与良好的部署优势。 【结论】 本研究为密集小目标检测提供了一种有效的新方法，并为海洋网箱养殖的智能化管理提供了重要的技术支持。

【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。