【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】 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】 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】 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】 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】 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】 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】 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】 玉米作为中国主要粮食作物，其产量的精准预测在维护国家粮食供给体系稳定方面具有重要意义。针对传统预测方法难以揭示变量间因果关系的问题，提出了一种融合因果推断与机器学习的预测方法。 【方法】 首先，基于遥感指数、气象数据、土壤剖面湿度和阶段性作物观测数据等多源异构信息，采用偏相关与瞬时条件独立算法系统分析玉米产量与各影响因子之间的因果关系。其次，构建了移动平均-卷积神经网络-长短期记忆网络混合模型，先通过移动平均模块平滑数据噪声，进而利用卷积神经网络提取变量间的空间关联特征。最后，通过长短期记忆网络捕捉产量随时间变化的动态特征。 【结果和讨论】 10 cm和50 cm深度的土壤湿度对产量具有显著的正向影响（P<0.01），其中深层湿度具有更强的时滞效应；反射率中的改进叶绿素吸收指数与归一化植被指数等植被指数则在玉米生长中期呈现出短期因果关系。与其他模型的对比实验结果表明，所提出的模型在多个指标上表现突出，其中决定系数（R²）达到0.955，平均绝对误差和均方根误差分别为1.201 kg/亩和1.474 kg/亩（1 hm²=15亩）。 【结论】 因果分析可为模型提供关键变量筛选依据，显著提升产量预测性能。