基于CiteSpace的數字農業國際研究熱點與趨勢分析

王越晗 夏煜

摘要：以2004—2022年Web of Science核心數據庫中592篇文獻為樣本，采用CiteSpace文獻計量軟件，可視化分析數字農業國際研究熱點和趨勢。結果表明，數字農業國際研究呈持續增長趨勢，在經歷了理論探索期、穩定發展期后正處于迅猛暴發期；國際研究集中于數字農業的理論、方法、政策、實踐應用等方面，而其主要陣地依然是以美國為首的歐美發達國家，雖然中國發文量較多，但國際學術影響力有待提升；研究熱點從數字農業較關注的大數據、人工智能對數字農業的影響逐漸轉向數字農業技術的創新、數字農業物聯網設備的性能、數字農業供應鏈平臺搭建與維護等方面；數字農業研究的前沿包括大數據分析技術與GIS技術結合處理農業監測數據、農業科技創新促進農業綠色發展以及人工智能方法支持農業決策系統等。此外，對數字農業發展中存在的問題進行了梳理，并展望了數字農業發展的前景。

關鍵詞：數字農業；可視化分析；國際；研究熱點；研究前沿；趨勢；CiteSpace

中圖分類號：F327? ? ? ? ?文獻標識碼：A

文章編號：0439-8114（2023）12-0178-10

DOI：10.14088/j.cnki.issn0439-8114.2023.12.032 開放科學（資源服務）標識碼（OSID）：

International research hotspots and trends analysis of digital agriculture

based on CiteSpace

WANG Yue-han1，XIA Yu2

（1. Beidou College，Wuhan Qingchuan University，Wuhan? 430204，China；2. Institute of Spatial Information Technology Application，

Changjiang River Scientific Research Institute，Wuhan? 430010，China）

Abstract： Using 592 articles from the Web of Science core database from 2004 to 2022 as samples， the CiteSpace bibliometric software was used to visually analyze international research hotspots and trends in digital agriculture. The results indicated that the international research on digital agriculture was showing a sustained growth trend， and after experiencing a period of theoretical exploration and stable development， it was in a period of rapid outbreak；international research focused on the theory， methods， policies， and practical applications of digital agriculture， while its main focus was still on developed countries in Europe and America， led by the United States. Although China had a large number of publications， its international academic influence needed to be improved；the research focus had shifted from the focus on big data and the impact of artificial intelligence on digital agriculture， to the innovation of digital agriculture technology， the performance of digital agriculture IoT devices， and the construction and maintenance of digital agriculture supply chain platforms；the forefront of digital agriculture research included the combination of big data analysis technology and GIS technology to process agricultural monitoring data， agricultural technological innovation to promote green development of agriculture， and artificial intelligence methods to support agricultural decision-making systems. In addition， the problems existing in the development of digital agriculture were sorted out， and the prospects for the development of digital agriculture were looked forward to.

Key words： digital agriculture； visual analysis； international； research hotspots； research frontiers； trends； CiteSpace

數字農業是將信息作為農業生產要素，用現代信息技術對農業對象、環境和全過程進行可視化表達、數字化設計和信息化管理的現代農業。數字農業屬于數字經濟的一部分［1］，它是一個集合概念，主要包括農業物聯網、農業大數據、精準農業和智慧農業4個方面。數字農業使信息技術與農業各環節實現有效融合，對改造傳統農業、轉變農業生產方式具有重要意義。

數字農業必不可少的就是數字技術，而數字技術擁有較強的抗干擾能力，且精度較高，同時數字信號能夠長期存儲，有效保存大量珍貴的信息資源。數字技術還擁有良好的保密性，可進行加密處理，確保信息資源不受竊取［2］。有學者將數字技術的變化總結為4個方面，一是實在與虛在的區分變得模糊，二是人類、機器和自然界的區分變得模糊，三是當它涉及信息時，從匱乏逆轉為過剩，四是從以實體為主導轉向以互動為主導。數字技術的這些特點及優勢極大地推動了相關研究領域的發展，并在數控領域、電子計算機領域、數字化儀表、通訊設備及其他領域得到廣泛應用［3］。

Kamble等［4］認為農業食品供應鏈的主要問題是缺乏工業化、管理不足、信息不準確和供應鏈效率較低，物聯網、區塊鏈和大數據技術是可持續農業供應鏈的潛在推動者，并提出了一個應用框架，該框架將指導農業食品供應鏈從業人員規劃投資，以建立一個強大的、數據驅動的農業食品供應鏈；Klerkx等［5］認為有關農業數字化的文獻可分為4個主題群，一是數字技術在農業中的使用和適應，二是數字化對農民身份、農民技能和農業工作的影響，三是數字化農業生產體系和價值鏈中的權力、所有權、隱私和倫理，四是數字化和農業知識創新系統以及數字化農業生產體系和價值鏈的經濟與管理。Lezoche等［6］、Rotz等［7］認為物聯網、區塊鏈和大數據技術正推動農業供應鏈向數據驅動的數字化供應鏈發展，并指出了數據驅動的可持續農業供應鏈的重要性，揭示了數字農業與農場多樣性之間的聯系，探討政治和經濟格局可以在多大程度上讓農業得到最大程度的公平。

Hunt等［8］對無人機系統（UAS）遙感技術用于精準農業進行了深入探討，與擁有相同傳感器的載人飛機平臺相比，其具有更小的樣本距離、圖像校準以及運動點云構成的冠層高度模型3個優點。Dematte等［9］認為土壤制圖是環境問題的關鍵，開發一種利用多時相衛星圖像信息的程序，建立一個單一的合成圖像來代表土壤，該程序被稱為地理空間土壤遙感系統（GEOS3）；Oliphant等［10］認為粗分辨率地圖在較小的區域（如東南亞）用途有限，同時在耕地定位的地理精度和產品精度方面都存在不確定性，利用高空間分辨率影像可以將耕地與非耕地地區分開，也可以在谷歌地球引擎（GEE）云計算環境中編碼，并運行基于像素的隨機森林（RF）監督機器學習算法，實現耕地與非耕地的分離；Shen等［11］基于大數據技術，構建了一種高性能農產品推薦算法，對農產品智能供應鏈系統進行研究，采用網絡均衡方法構建了多個農產品供應鏈網絡模型；有學者［12-15］采用案例形式，探討了大數據分析在各平臺上的應用現狀、挑戰和未來發展方向，引入了數據主權的概念。通過對文獻的梳理發現，國內文獻對數字農業的熱點和前沿研究較少，且相關理論與實踐價值不高。

前期對數字農業的研究集中在概念界定和技術應用2個方面，主要在農業物聯網、農業大數據、精準農業及智慧農業4個方向開展研究。

農業物聯網通常是將大量的傳感器節點構成監控網絡，通過各種傳感器采集信息，以幫助農民及時發現問題，并準確地確定發生問題的位置。在農產品生產和流通中，經常會出現農產品質量問題，在農產品供應鏈上植入物聯網技術已是大勢所趨。物聯網的數據融合技術可以解決農產品來源不明問題，提高農產品供應效率；利用5G物聯網技術構建5G物聯網農產品流通信息系統，實現農產品供應鏈的實時定位、信息共享和流通安全；設計一種基于物聯網的農田灌溉系統，對網絡監測節點硬件進行改造，實現對農田環境的數據采集和近距離傳輸。

農業大數據是近年來興起的研究方向，是大數據理念、技術和方法在農業中的實施。農業大數據能夠在農業經濟領域上起到較大作用，推動農業轉型，通過對農產品價格影響因素和價格波動狀況的分析，對相關農業大數據進行挖掘，并實現數據可視化，從而為企業創新經濟管理提供相關的科學依據。農業大數據在涉農企業的日常運作中也開始凸顯自身的重要性，基于大數據技術的新型農業企業主體會計工作體系能夠有效提高會計工作質量。在管理層面上，構建基于大數據分析的精準智能農業決策支持系統也離不開農業大數據。此外，智慧農業建設與發展也離不開農業大數據為其提供強有力的數據支撐。

精準農業是信息技術與農業生產全面結合的一種新型農業。精準農業可以與農業生態原理相結合，成為精準農業生態學。無線傳感器網絡可在精準農業生產中發揮重要作用，通過建立一種有效利用傳感器節點能量的模型，為精準農業提供全面分析，促進農業經濟的增長。

智慧農業是云計算、傳感網、3S等多種信息技術在農業中綜合全面的應用，實現更完備的信息化基礎支撐、更透徹的農業信息感知、更集中的數據資源、更廣泛的互聯互通、更深入的智能控制以及更貼心的公眾服務。

本研究利用科學計量工具，對 Web of Science核心合集數據庫中數字農業文獻進行可視化分析，繪制科學知識圖譜，描繪出數字農業國際研究大趨勢，識別國際研究熱點，剖析該領域發展脈絡和知識演進體系。

1 研究設計

1.1 研究方法與工具

文獻計量法是用數學和統計學的方法，從不同維度對文獻體系和文獻計量特征進行描述性統計分析，本研究采用陳悅等［16］研發的CiteSpace軟件作為分析工具，首先，對數字農業領域發展階段、核心期刊、核心作者、核心國家和機構進行統計分析，探討數字農業研究的基本趨勢；然后，對數字農業國際研究文獻關鍵詞共現網絡和突現值進行分析，深入探索數字農業在國際領域的研究熱點和研究前沿；最后，基于關鍵詞聚類科學知識圖譜可視化分析了數字農業國際主流細分領域。科學知識圖譜是一種重要的文獻計量學分析方法，以可視化方式展現數字創新領域的知識結構、組成規律和分布情況［17-19］，探討數字農業領域知識發展進程、研究熱點和前沿。

1.2 數據來源

為保證數字農業國際研究數據的可靠性，選取Web of Science核心合集數據庫，引文索引選擇“SCI”“SSCI”，設置主題為“Digital agriculture”or“Agricultural internet of things”or“Agricultural big data”or“Precision agriculture”or“Intelligent agriculture”，不限時間，共檢索到1 934條文獻數據；將文獻類型設置為“Article”，文獻類別設置為“Agriculture multidisciplinary”“Agronomy”“Green sustainable science technology”“Ecology”“Agricultural engineering”“Agricultural economics policy”“Management”“Business”“Agriculture dairy animal science”，精煉得到592條文獻數據，時間跨度為2004—2022年。對592篇文獻進行人工篩選，未發現會議通知、重復等無效文獻，也未發現與主題不符的文獻。故本研究以592條文獻數據為原始數據，并將其導入CiteSpace軟件，時間參數設置為2004—2022年，Year per slice設置為1。

2 數字農業國際研究基本特征分析

2.1 數字農業國際研究的發展階段

使用文獻計量法分析數字農業發展歷程，根據文獻數量變化和時序規律統計分析，可以揭示數字農業領域的發展狀況，預測其研究前景。如圖1所示，2004—2021年，發文量整體呈上升趨勢。數字農業國際研究文獻隨時間發展呈明顯的指數型增長趨勢，增長過程大致分為3個階段。

1）理論探索期（2004—2006年）。隨著互聯網的普及，農業的生產方式也受到了極大的沖擊，也有一些學者保持觀望的態度，因此該時間段的數字農業研究較少，平均每年核心期刊的發文量為7.3篇。

2）穩定發展期（2007—2015年）。該時期核心期刊每年發文數量較穩定，平均每年發文量保持在14.6篇；該時期平均每年發文量是第一階段的2倍，說明越來越多的學者開始關注數字農業領域。

3）迅猛暴發期（2016—2022年）。2016—2021年平均每年核心期刊的發文量為70.5篇，其中僅2021年就發文150篇；2022年1個月的核心期刊發文量也有15篇；與第二階段相比，該時期平均每年發文量增加55.9篇，說明數字農業已經受到了研究者的高度關注且研究前景非常好。

2.2 數字農業國際研究核心力量分布

2.2.1 數字農業國際研究高被引作者分布 高被引作者是衡量學者在數字農業領域影響力的重要指標之一。高被引作者排序如表1所示，高被引作者主要研究以下2方面內容。

1）數字農業的概念及相關的社會問題。Wolfert等19］認為要深入了解大數據在智能農業中的應用，并確定需要解決的相關社會經濟挑戰，按照結構化的方法構建一個概念性框架，從社會經濟的角度進行研究以及在不同供應鏈場景下數據共享。

2）數字農業在制度與政策上的創新。Klerkx等［20］認為從農業創新系統的復雜性角度來看，創新網絡及其環境之間的交互作用只能在有限的程度上可控，農業創新政策不應以全面規劃和控制創新為目標，而應以促進靈活的支持手段為目標，以實現適應性創新管理。

為更加直觀地展現數字農業領域被引作者的合作情況，本研究以“Cited author”為節點繪制作者被引頻次網絡。被引作者數量（N）為466人，連線的數量（E）為1 654，被引作者之間合作的緊密度（Density）為0.015 3。由圖2可知，被引作者網絡間聯結比較緊密，聚集度較高，表明目前關注數字農業領域的高水平學者數量逐漸增加，相對應的高水平學者之間的研究交流開始變得密切，數字農業領域研究空間較大。

2.2.2 數字農業國際研究核心期刊分布 期刊共被引是分析2篇不同期刊來源文獻同時被第3篇其他期刊來源文獻所引用的頻次，從而判斷期刊在數字創新領域發文的關注度和認可度［21］。表2列出了數字農業國際領域2004—2022年排名前10的高被引期刊，這些期刊在數字農業領域有相當的權威性，能夠把握數字農業領域研究動態，并為相關學者的后續研究提供思路和方向。其中《Computers and electronics in agriculture》的被引頻次排在首位（255次），該刊主要關注園藝、林業、農作物科學與計算機科學應用的結合等問題；《Precision agriculture》的被引頻次位居第二（149次），該刊主要收錄農業與生物科學類論文，并在近年逐漸加大對農業大數據方面論文的收錄。被引頻次為107次的《Remote sensing of environment》則是影響因子（2020年）最高的期刊，影響因子高達10.164，該刊主要關注土壤科學、地質狀況以及地球信息科學等方面的研究。被引頻次為122次的《Animal science and zoology》主要關注動物學與動物科學、農作物科學方面的研究。被引頻次為89次的《Remote sensing》則主要收錄農業工程與計算機應用、地理信息科學方面的論文。

2.2.3 數字農業國際研究核心國家和機構分布 發文量在一定程度上反映了不同國家、機構在數字創新領域的研究水平和貢獻度［22］。表3列出了數字農業國際研究領域高發文國家、機構。從發文國家看，首先，作為傳統農業發達國家的美國、澳大利亞及德國的發文量均在前5位，其中美國的發文量排第1位，為119篇；其次，作為金磚五國的巴西、中國、印度的發文量均在前15位，其中，巴西和中國排名靠前，分別為第2位、第3位；再次，歐洲國家明顯更重視數字農業的發展，除前文提到的德國外，西班牙、意大利、荷蘭、法國、英國、比利時的發文量均在前15位。從發文機構看，美國農業部農業科學研究院、西班牙國家研究委員會、瓦赫寧根大學研究院、瓦赫寧根大學、澳大利亞聯邦科學院、悉尼大學的發文量均在前6位，歐美國家仍然是數字農業的主要研究陣地，其中，美國農業部農業科學研究院以16篇發文量排名高發文機構榜首。中國農業大學以7篇發文量進入到高發文機構中上水平行列。值得注意的是，中國雖然在高發文國家名列前茅，同時中國的科研機構也能在高發文機構中占得一席之地，但是根據表1的高被引作者排序可知，中國的學者無一入選，可見中國在數字農業領域學術影響力還有待加強。

3 數字農業國際研究熱點與前沿分析

3.1 關鍵詞共現研究熱點分析

關鍵詞是對論文研究內容的高度凝練，反映了文章研究主題，也是表征文獻研究熱點最直接的元素［23］。通過研究關鍵詞共現網絡可以揭示數字農業國際研究領域的演變過程和研究熱點，出現頻次較高的關鍵詞即是學者在一段時間內共同關注的研究熱點［24］。表4列出了前15位關鍵詞頻次，清晰地顯示出2004—2022年數字農業國際研究領域的研究熱點。數字農業國際研究高頻關鍵詞集中在2004年、2007年、2008年、2010年、2012年、2013年、2016年、2017年、2018年。精準農業是數字農業領域出現頻次最高的關鍵詞，這反映出數字農業的核心所在；其次是系統、農業、數字農業、管理、大數據、采用、技術、遙感、模型、分類、信息等，表明數字農業研究以專業的學科科研機構和組織等為單位，以農業為基礎，依托大數據、人工智能、遙感技術等先進的科技手段，將數字化技術融入到農業生產中。此外，高頻關鍵詞還有接受、可變性、挑戰、生物多樣性、影響等，從倫理、道德的層面探討了數字農業帶來的影響。

為了更好地了解數字農業國際研究領域近年來研究熱點的演進態勢，本研究列出了2016—2021年頻次較高的關鍵詞，分析了近年來數字農業國際領域研究發展趨勢，如表5所示。2016年、2017年的關鍵詞最高頻次均超過45次，研究熱點比較集中，著重分析數字農業的本質并將大數據引入數字農業研究；2018年、2019年頻次最高的關鍵詞均為技術，說明數字農業研究的重心在技術的更迭上；從2019年開始，研究熱點較分散，呈百花齊放的態勢，這是因為物聯網、大數據的運用已經較成熟，研究熱點逐步細化。近年來的研究已經從數字農業較關注的大數據、人工智能對數字農業的影響，逐漸轉向數字農業技術的創新、數字農業物聯網設備的性能、數字農業供應鏈平臺的搭建與維護等方面。

3.2 數字農業國際研究前沿分析

突現詞圖譜可以回顧哪些關鍵詞在什么時間段成為了熱點，且由于突現詞通常具有時間延續性，可用于輔助預判未來一段時間內的研究熱點趨勢［25］。本研究使用Burstness突現詞探測工具生成圖譜預判數字農業國際研究前沿和轉向。其原理是某個關鍵詞的詞頻在短時間內激增，使研究熱度在短時間內迅速升高。

表6列出了數字農業國際研究領域前11位關鍵詞，紅色區域的長度則代表突現時間段的持續時長。數字農業的突現強度最大，高達8.10，雖然數字農業最早于1997年被提出，但是該詞于2020年開始突現并持續至今，得益于物聯網、大數據、人工智能等新技術的逐漸成熟，讓數字農業的實現成為了可能，故而引發了新一輪數字農業研究熱潮，成為最具影響力的研究前沿。其次為大數據、技術、未來、性能、人工智能，突變強度分別為4.63、4.26、3.44、3.37、3.05，這5個詞代表數字農業的重要研究前沿領域。

3.3 數字農業國際研究聚類分析

關鍵詞聚類圖譜可以客觀地反映數字農業國際研究的共現熱點。聚類可選的算法主要有LSI（潛語義索引算法）、LLR（對數似然率算法）及MI（互信息算法）3種，同時可通過聚類模塊值Modularity（Q）與聚類平均輪廓值Mean silhouette（S）2個指標，判斷聚類結果的效度。一般認為Q>0.3表示聚類結構顯著，S>0.5表示聚類合理，S>0.7表示聚類令人信服［26］。本研究采用LLR對數字農業國際研究領域中的關鍵詞進行聚類分析，根據關鍵詞網絡中的聚類模塊值和聚類平均輪廓值來判斷聚類結果的效度。聚類模塊值為0.767 4，表明聚類結構合理；聚類平均輪廓值為0.900 8，表明聚類結果令人信服。本研究將數字農業國際研究劃分為10類，分別為聚類0（Digitalization）、聚類1（Precision agriculture）、聚類2（Artificial intelligence）、聚類3（Vegetation indices）、聚類4（Climate change）、聚類5（Circular economy）、聚類6（Digital soil mapping）、聚類7（Soil texture）、聚類8（Laser）、聚類9（Urban agriculture）。聚類序號越靠前表示該聚類包含的文獻越多，研究的主題相對集中。

為更好地分析聚類效果，本研究進一步統計出各聚類標簽的相關指標。如表7所示，節點數量代表研究熱度，聚類緊密度越接近1表示其內部關聯越密切，對數似然率越高越具有聚類的代表性，P越小聚類效果越顯著。前8類聚類標簽的節點數量均超過10個，緊密程度的最大值為0.933，最小值為0.817，聚類結果大多滿足在0.000 1水平上顯著，總體聚類效果較好。

聚類0、聚類1、聚類2、聚類8、聚類9的研究主題分別是數字化、精準農業、人工智能、激光、都市農業。以數據為中心的農業4.0正在重塑農業產業。農業數字化［27］涉及新型信息和通信技術，包括傳感器、物聯網、大數據分析、機器人、人工智能和機器學習。數字化是應用數字創新的社會技術過程［27］，這一趨勢帶來了社會過程和實踐的變化。鑒于數字技術的變革潛力，社會科學家提出了許多與農業數字化相關的重要社會問題和倫理問題，包括誰受益以及如何受益，對農村和農業社區以及它們與日益城市化的社會之間的關系［28］。此外，利潤驅動的私人組織（通常是跨國組織）在數字農業領域的強大存在對創新過程具有高度影響力［19］。智能農業和精準農業的進步為應對農業可持續性挑戰提供了重要工具，機器學習、大數據分析、云計算和區塊鏈等顛覆性信息和通信技術能夠提高生產率，也能確保土壤和植物健康，還能強化對環境的治理［29］。云計算已經成為一種新的模型，可以作為服務器有效地管理和交付相關應用程序，云計算與無線傳感器網絡、物聯網（IoT）和大數據分析等技術的融合為云服務提供了新思路。通過預先配置的設備和物聯網傳感器收集來自不同用戶的信息，并在云計算中使用大數據分析進行處理，自動向用戶提供所需的信息，利用云計算和大數據技術實現農業即服務（AaaS）的交付［30］。人工智能（AI）已經順利滲透到包括農業在內的許多監測和控制應用中，搭載全功能人工智能的低功耗傳感設備的研究工作仍在進行中，人工智能嵌入式系統是基于低功耗嵌入式傳感系統，帶有圖形處理單元（GPU），能夠運行基于神經網絡的AI，將一種稱為長短期記憶網絡（LSTM）的循環神經網絡（RNN）作為核心，依靠先進的移動圖形芯片對自動設備進行智能分析和控制［31］。大數據技術為數據密集型決策創造了新的機遇，產生的大量、詳細的數據為成功實施精準農業帶來了幫助，在農業領域運用大數據分析實踐可以解決各種問題［32］。現代農業作業中生成的數據由各種不同的傳感器提供，這些傳感器能夠更好地理解作業環境和作業本身（機械數據），從而實現更準確、更快速的決策［33］。在發達國家中數字農業所帶來的決策支持工具是目前非常熱門的研究方向。

聚類3、聚類4、聚類5、聚類6、聚類7的研究主題分別是植被指數、氣候變化、循環經濟、數字土壤制圖、土壤質地。植被指數作為一種經濟、有效和實用的地表植被覆蓋和長勢參考量，在作物長勢監測和產量預報中有著廣泛的應用，其中還涉及遙感技術、無人機的運用等。植被指數是利用衛星多光譜波段獲取大范圍植被信息的一種方法，近年來，無人機影像被用于更快速、更精確地獲取植被信息［34］。遙感技術（包括無人機和衛星獲得的圖像和植被指數）已開始廣泛用于管理灌溉和農業系統的其他方面，配備高分辨率多光譜相機的無人機也能對農業用水進行管理［35］。作為傳統衛星遙感系統的重要補充，越來越多地應用于城市規劃、農業管理和環境監測等領域［34］。數字農業對氣候變化產生的影響以及帶動的循環經濟可以歸納為通過數字化新興技術推廣應用促進環境效益與經濟效益的雙贏。圖像處理在農業的不同領域有許多應用［36］，由于現代設施農業的快速發展，強烈的人為干擾也給土壤制圖帶來了很大的不確定性，特別是在鄉村、郊區和城鄉交錯帶，在地形復雜的偏遠山區，土壤變異程度較高［37］。數字土壤制圖作為一種生成空間土壤信息的工具，為高分辨率土壤圖日益增長的需求提供了解決方案［38］。

3.4 數字農業國內外研究比較分析

隨著數字農業的發展，數字農業在世界范圍內引起了學者的廣泛關注。縱觀國內關于數字農業的研究，彭鵬等［39］探討了數字農業的由來、特點、技術體系及發展戰略，唐世浩等［40］ 明確了數字農業的概念。本研究以數字農業為主題，在中國知網搜索相關文獻來進行中外研究對比。

1）數字農業技術開發。在技術開發方面，國外學者熱衷于開發數字農業相關的平臺，Shamshiri等［41］用虛擬環境中的仿真方法和評估方法為不同的傳感和作用機制提供了負擔得起和可靠的框架；Cunha等［42］開發了低成本的農業應用RPA，適用于農業生產和低成本投資；Belkadi等［43］在MATLAB/Simulink環境平臺上建立了改進的中間模型，對能量平衡和模糊邏輯控制器（FLC）進行了仿真，通過對溫室內相關執行器的控制來改善氣候。相較發達國家，國內在農業上對數字技術的自主研發較少，僅有秦洪等［44］、袁濤等［45］、仇天月等［46］學者及機構對數字技術在農業上的技術研發提供了思路及方法。因此，有必要加強對數字農業平臺的自主研發，將數字農業創新作為研究的核心。

2）數字農業影響因素與面臨的挑戰。目前國外聚焦于數字技術在農業上的變革潛力以及論證產生的社會問題，社會科學家Jakku等［28］討論了Digiscape未來科學平臺（旨在促進農業和土地部門數字化轉型的項目），將國際創新維度與社會學理論和合作創新原則相結合；Fleming等［47］通過訪談了解農民和其他行業利益相關者對大數據的看法，并探討了新出現的道德和倫理問題，同時強調在農業數字技術和大數據的進一步發展中，有些關鍵問題需要解決，特別是在信任、公平、利益分配和獲取方面；Carolan［48］探討了數字城市農業系統與傳統城市農業系統2種平臺模式的差異及數字化轉型產生的問題。國外研究者多采用案例、訪談的形式進行論證，提出了許多與農業數字化相關的社會和倫理問題，國內學者對數字農業產生的社會問題研究相對匱乏，今后要加強數字農業的農村社會學研究。

3）數字農業決策支持工具的開發與應用。國外研究者對數字農業決策支持工具的開發與應用成果較豐富，例如，Farmstar（農場之星）是一個基于衛星和無人機支持的作物分析和控制系統，已經在法國運行了15年。同時，在GPS的輔助下，農業拖拉機會根據Farmstar的數據進行精準化的現代農事操作，根據Airbus（空中客車公司）的研究結果發現，正是由于這種合理決策和精準作業，法國農民每公頃小麥可以節省57美元。國內研究者主要研究北斗系統在農業上的應用，但是研究者數量較少同時研究程度不深，將來可以加強對數字農業決策支持工具開發與應用的研究。

4 小結與展望

4.1 小結

本研究運用CiteSpace文獻計量軟件對數字農業國際研究領域2004—2022年592篇文獻的發展階段、 核心期刊、核心作者、核心地區和研究熱點等進行了分析，主要得出以下結論。

1）數字農業研究大致經歷了理論探索期、平穩發展期和迅猛暴發期。特別是從2016年開始，數字農業開始受到學者的關注，研究內容不只停留在數字農業概念及前景上，越來越多的研究開始深入到數字農業技術的開發、應用以及產生的社會影響方面。

2）數字農業國際研究的主要研究力量分布在以美國為首的歐美發達國家，中國正在加大科研力量的投入。美國以119篇高發文量位列榜首，巴西、中國的發文量分別位于第2位、第3位，歐美發達國家仍是數字農業研究的重要區域，中國正在逐步擴大數字農業在國際上的影響力。高發文量機構依然集中在歐美國家，值得肯定的是中國農業大學進入了高發文機構名單。同時，數字農業研究機構之間的合作比較匱乏，多數研究機構都是在獨立研究，跨機構合作較少。

3）數字農業研究重點關注數字農業技術研究開發和實踐應用中產生的社會問題。同時，數字農業研究前沿呈現由單一維度到多維度輻射、全面發展的演化趨勢。數字農業研究從概念的提出逐漸深入到系統的采用、大數據技術的運用、人工智能機器學習、虛擬現實技術的實踐等方面。

4.2 展望

隨著數字農業高速發展所帶來的技術更迭與應用服務更新，數字農業也面臨著新的局面與新的挑戰，這給數字農業帶來了新的課題和研究角度。根據以往數字農業相關的研究內容，提出一些研究方向，可為相關學者開展數字農業研究提供一定參考。

1）加強對數字農業技術的自主研發并拓寬數字農業研究方法。基于關鍵詞聚類及中外文獻精讀后的分析可知，國內數字技術的發展已經步入快車道，在大數據及人工智能方面的自主研發已經接近甚至超過發達國家，但是數字技術在數字農業領域的研究相對缺乏。未來可以將技術研發的重點放在數字農業領域，包括但不局限于大數據平臺的開發、人工智能項目的研發、虛擬現實技術的試驗。此外，數字農業領域的研究多以案例、走訪的形式進行分析，未來可加強數字農業的實證研究，提供更加科學的數據支撐，減少案例研究特殊性和非理性帶來的影響。

2）深入挖掘數字農業的影響因素。目前中國知網上數字農業產生社會矛盾方面的研究較少，今后可以從農村社會學、倫理學等角度來研究數字農業帶來的影響。

3）整合相關資源探究適合中國國情的數字農業決策支持工具。國外數字農業決策支持工具的研究在2012年已經被Stilgoe等［49］提出，美國的Smart Pro、法國的Farm-Star等數字農業決策支持工具利用其強大的分析系統解析數據，為農業利益相關者提供咨詢和建議，以數據為核心實現決策的管控和農業活動的精準實施。國內對數字農業決策支持工具的開發與使用還處于萌芽階段，因此，將來可以從工具的開發以及工具的使用所產生的問題等方面來進行研究。

本研究還存在一些不足之處，對國內數字農業的發展與國際數字農業發展異同的研究相對較少，未來可以深入分析數字農業不同社會環境下的發展影響，以便更好地為數字農業發展提供新思路。

參考文獻：

［1］ 阮俊虎，劉天軍，馮曉春，等. 數字農業運營管理：關鍵問題、理論方法與示范工程［J］. 管理世界， 2020，36（8）： 222-233.

［2］ 周光明. 數字技術與廣播電視信息產業［J］. 電視技術，2000（1）：11-13.

［3］ 于毓藍， 陳小燕. 數字技術背景下的中國特色哲學社會科學話語建構［J］. 河海大學學報（哲學社會科學版）， 2021， 23（6）： 22-27，109-110.

［4］ KAMBLE S S， GUNASEKARAN A， GAWANKAR S A. Achieving sustainable performance in a data-driven agriculture supply chain： A review for research and applications［J］. International journal of production economics， 2020， 219： 179-194.

［5］ KLERKX L， JAKKU E， LABARTHE P. A review of social science on digital agriculture， smart farming and agriculture 4.0： New contributions and a future research agenda［J］. NJAS-Wageningen journal of life sciences， 2019， 90-91： 100315.

［6］ LEZOCHE M， HERNANDEZ J E， DEL MAR EVA ALEMANY D?AZ E， et al. Agri-food 4.0： A survey of the supply chains and technologies for the future agriculture［J］. Computers in industry， 2020， 117： 103187.

［7］ ROTZ S， DUNCAN E， SMALL M， et al. The politics of digital agricultural technologies： A preliminary review［J］. Sociologia ruralis， 2019， 59（2）： 203-229.

［8］ HUNT E R， DAUGHTRY C S T. What good are unmanned aircraft systems for agricultural remote sensing and precision agriculture［J］. International journal of remote sensing， 2018， 39（15-16）： 5345-5376.

［9］ DEMATTE J A M， FONGARO C T， RIZZO R，et al. Geospatial soil sensing system （GEOS3）： A powerful data mining procedure to retrieve soil spectral reflectance from satellite images［J］. Remote sensing of environment， 2018， 212： 161-175.

［10］ OLIPHANT A J， THENKABAIL P S， TELUGUNTLA P，et al. Mapping cropland extent of Southeast and Northeast Asia using multi-year time-series Landsat 30-m data using a random forest classifier on the google earth engine cloud［J］. International journal of applied earth observation and geoinformation， 2019， 81： 110-124.

［11］ SHEN J， XU C， YING Y. Construction of intelligent supply chain system of agricultural products based on big data［J］. Acta agriculturae scandinavica， section B—Soil and plant science， 2022，? ? 72（1）： 375-385.

［12］ ROSE D C， CHILVERS J. Agriculture 4.0： Broadening responsible innovation in an era of smart farming［J］. Frontiers in sustainable food systems， 2018， 2： 87.

［13］ SAGGI M K， JAIN S. A survey towards an integration of big data analytics to big insights for value-creation［J］. Information processing and management， 2018， 54（5）： 758-790.

［14］ CAROLAN M. ‘Smart farming techniques as political ontology： Access， sovereignty and the performance of neoliberal and not‐so‐neoliberal worlds［J］. Sociologia ruralis， 2018， 58（4）： 745-764.

［15］ FRASER A. Land grab/data grab：Precision agriculture and its new horizons［J］. The journal of peasant studies， 2019， 46（5）： 893-912.

［16］ 陳 悅，陳超美，劉則淵，等. CiteSpace知識圖譜的方法論功能［J］. 科學學研究，2015， 33（2）： 242-253.

［17］ 趙蓉英，朱偉杰，常茹茹，等. “十三五”圖情檔學科進展：外文期刊論文解析［J］. 圖書情報工作， 2021， 65（5）： 26-39.

［18］ 李先躍. 中國文化產業與旅游產業融合研究進展及趨勢——基于CiteSpace計量分析［J］. 經濟地理， 2019， 39（12）： 212-220，229.

［19］ WOLFERT S， GE L， VERDOUW C，et al. Big data in smart farming—A review［J］. Agricultural systems， 2017， 153： 69-80.

［20］ KLERKX L， AARTS N， LEEUWIS C. Adaptive management in agricultural innovation systems： The interactions between innovation networks and their environment［J］. Agricultural systems， 2010， 103（6）： 390-400.

［21］ 魏明坤. 大數據時代的數字資源分布式聚合服務研究［J］. 圖書館學研究， 2020（17）： 43-48.

［22］ 史宇鵬，王 陽，張文韜. 我國企業數字化轉型：現狀、問題與展望［J］. 經濟學家，2021（12）： 90-97.

［23］ 吳映雪. 農村集體經濟研究的發展脈絡及展望——基于CiteSpace的可視化分析［J］. 經濟問題探索， 2021（7）： 34-43.

［24］ 王海花，杜 梅. 數字創新國際研究熱點與演化：一個可視化分析［J］. 科技進步與對策，2021， 38（21）： 152-160.

［25］ 苗藝源，黃家章，劉 銳，等. 我國農產品優質優價研究熱點及發展趨勢——基于CiteSpace的可視化分析［J］. 中國農業資源與區劃，2022，43（7）： 144-153.

［26］ CHEN C， IBEKWE-SANJUAN F， HOU J. The structure and dynamics of cocitation clusters： A multiple-perspective cocitation analysis［J］. Journal of the american society for information science and technology， 2010， 61（7）： 1386-1409.

［27］ TOTIN E， VAN MIERLO B， KLERKX L. Scaling practices within agricultural innovation platforms：Between pushing and pulling［J］. Agricultural systems， 2019， 179： 102764.

［28］ JAKKU E， FIELKE S， FLEMING A，et al. Reflecting on opportunities and challenges regarding implementation of responsible digital agri-technology innovation［J］. Sociologia ruralis，2020，27（8）：12366.

［29］ SHARMA R， KAMBLE S S， GUNASEKARAN A，et al. A systematic literature review on machine learning applications for sustainable agriculture supply chain performance［J］. Computers & operations research， 2020， 119： 104926.

［30］ GILL S S， CHANA I， BUYYA R. IoT based agriculture as a cloud and big data service： The beginning of digital india［J］. Journal of organizational and end user computing， 2017， 29（4）： 1-23.

［31］ SHADRIN D， MENSHCHIKOV A， SOMOV A，et al. Enabling precision agriculture through embedded sensing with artificial intelligence［J］. IEEE transactions on instrumentation and measurement，2020， 69（7）： 4103-4113.

［32］ TANTALAKI N， SOURAVLAS S， ROUMELIOTIS M. Data-Driven decision making in precision agriculture： The rise of big data in agricultural systems［J］. Journal of agricultural and food information， 2019， 20（4）： 344-380.

［33］ LIAKOS K， BUSATO P， MOSHOU D，et al. Machine learning in agriculture： A review［J］. Sensors， 2018， 18（8）： 2674.

［34］ LEE G， HWANG J， CHO S. A novel index to detect vegetation in urban areas using UAV-based multispectral images［J］. Applied sciences， 2021， 11（8）： 3472.

［35］ CANCELA J J， GONZ?LEZ X P， VILANOVA M，et al. Water management using drones and satellites in agriculture［J］. Water， 2019， 11（5）： 874.

［36］ PARSAEIAN M， SHAHABI M， HASSANPOUR H. Estimating oil and protein content of sesame seeds using image processing and artificial neural network［J］. Journal of the American oil chemists society， 2020， 97（7）： 691-702.

［37］ ZHANG G， LIU F， SONG X. Recent progress and future prospect of digital soil mapping： A review［J］. Journal of integrative agriculture， 2017， 16（12）： 2871-2885.

［38］ BEHRENS T， SCHOLTEN T. Digital soil mapping in Germany—A review［J］. Journal of plant nutrition and soil science， 2006， 169（3）： 434-443.

［39］ 彭 鵬，謝炳庚，侯伊林. 關于“數字農業”［J］. 農業現代化研究，2000（4）： 254-256.

［40］ 唐世浩，朱啟疆，閆廣建，等. 關于數字農業的基本構想［J］. 農業現代化研究，2002（3）： 183-187.

［41］ SHAMSHIRI R R， HAMEED I A， PITONAKOVA L，et al. Simulation software and virtual environments for acceleration of agricultural robotics：Features highlights and performance comparison［J］. International journal of agricultural and biological engineering， 2018， 11（4）： 15-31.

［42］ CUNHA J P A R D， SIRQUEIRA M A. Assembly of a remotely piloted aircraft of low cost applied to agriculture［J］. Engenharia agrícola， 2017， 37： 1268-1274.

［43］ BELKADI A， MEZGHANI D， MAMI A. Design and implementation of flc applied to a smart greenhouse［J］. Engenharia agrícola， 2020， 40： 777-790.

［44］ 秦 洪，肖伯祥. 虛擬現實環境中的物理模型和仿真及其在農業信息技術中的應用［J］. 科技導報， 2018， 36（11）： 82-94.

［45］ 袁 濤，陳 旭，徐識溥，等. 基于WebGIS的農業生產管理系統研究［J］. 上海農業學報，2011， 27（3）： 70-73.

［46］ 仇天月，周靜怡，黃攀攀，等. 基于JBPM工作流的農業Web服務鏈架構研究［J］. 上海農業學報， 2014， 30（6）： 90-94.

［47］ FLEMING A， JAKKU E， LIM-CAMACHO L，et al. Is big data for big farming or for everyone？ Perceptions in the Australian grains industry［J］. Agronomy for sustainable development，2018，38（3）： 24.

［48］ CAROLAN M. 《Urban Farming Is Going High Tech》digital urban agricultures links to gentrification and land use［J］. Journal of the American planning association， 2020， 86（1）： 47-59.

［49］ STILGOE J， OWEN R， MACNAGHTEN P. Developing a framework for responsible innovation［J］. Research policy，2013，42（9）：1568-1580.