農業大數據研究進展（2024）

報告主體由引言、概念與范疇、數據與方法、農業大數據發展概況、農業大數據研究主題演化分析、農業大數據研究熱點前沿主題分析、農業大數據研究全球競爭力分析以及總結與展望等8個部分組成。

1""引言

隨著信息技術的飛速發展和農業生產方式的深刻變革，農業大數據已成為推動現代農業轉型升級的關鍵驅動力。農業大數據涵蓋了從田間到餐桌的整個農業產業鏈，包括農業生產、加工、流通、消費等各個環節產生的海量數據。這些數據蘊含著豐富的信息和價值，為農業科研、生產決策、精準管理、智能服務等提供了前所未有的機遇。

近年來，農業大數據研究已成為全球農業科技創新的熱點前沿。從數據獲取、存儲、分析到應用，農業大數據研究正在經歷快速發展。遙感、物聯網等技術的應用極大地拓展了農業數據的來源和維度；人工智能、云計算等新一代信息技術為海量農業數據的處理和挖掘提供了強大支撐；精準農業、智慧農業等新型農業模式的興起也為農業大數據研究的實踐應用開辟了廣闊空間。

然而，農業大數據研究仍面臨諸多挑戰。數據標準化、數據質量、數據安全、跨學科融合等問題亟待解決。例如，不同來源的數據由于缺乏統一的標準，導致數據難以兼容和共享，影響了數據的有效利用。為解決數據標準化問題，需要建立統一的農業數據標準和規范，制定數據格式、元數據、標識符等方面的統一標準，促進數據的互聯互通和共享利用。在數據安全方面，面對日益增長的數據規模和復雜的網絡環境，必須加強數據安全保護。采用先進的加密技術和安全協議，建立健全的數據安全管理體系，確保數據的機密性、完整性和可用性。同時，制定相關的法律法規和行業標準，明確數據使用和共享的權限和責任，保護個人隱私和商業機密?？鐚W科融合也是農業大數據研究的關鍵挑戰之一。農業大數據涉及農學、計算機科學、信息科學、統計學等多個學科領域。為推動跨學科融合，需要構建多學科協同研究平臺，培養兼具農業知識和信息技術能力的復合型人才，促進不同學科之間的交流與合作。

此外，如何將大數據分析結果有效轉化為農業生產實踐，實現數據驅動的農業科學決策，仍需要進一步探索。在此背景下，系統梳理農業大數據研究的發展現狀、研究前沿、研究競爭力和未來趨勢具有重要意義。報告旨在全面分析農業大數據研究的學科分布、發展脈絡、研究前沿和研究競爭力，深入分析重點研究前沿方向，并對中國農業大數據研究的現狀與趨勢進行剖析。報告的研究發現將為相關領域的科研人員、政策制定者以及產業界人士提供有價值的參考，推動農業大數據研究與應用的進一步發展。

報告采用文獻計量學和科學知識圖譜分析等方法，基于Web of Science核心合集數據庫的相關文獻，從農業大數據獲取、分析和密集型應用3個領域出發，系統呈現了農業大數據研究的全貌。報告不僅關注宏觀發展態勢，還深入挖掘了具體研究主題的演化規律和前沿動向，力求為讀者提供一個全面、深入、前瞻的農業大數據研究發展圖景。

2 "概念與范疇

2.1 "農業大數據研究概念界定

大數據（Big Data）是指無法用傳統數據處理工具和方法在可接受的時間內捕獲、管理和處理的大規模、復雜和高速增長的數據集合。大數據的特點通常概括為“5V”：Volume（大量）、Velocity（速度）、Variety（多樣性）、Veracity（真實性）和 Value（價值）^[1]。

在農業領域，大數據的應用正在推動精準農業、智能農業的發展。農業大數據是指在農業生產、經營、管理和服務等過程中產生的大量、多樣、快速更新的數據集合，是融合了農業地域性、季節性、多樣性、周期性等自身特征后產生的來源廣泛、類型多樣、結構復雜、具有潛在價值的數據集合。它涵蓋了從田間到餐桌的整個農業價值鏈，包括氣象數據、土壤數據、種質數據、作物生長數據、化肥農藥數據、農機操作數據、農產品加工、市場銷售數據等多種類型^[2]。

農業大數據研究指利用傳感器、遙感、互聯網、物聯網、人工智能等現代信息技術，獲取存儲、處理分析和應用海量多源異構農業數據，以支持農業生產、經營、管理、服務和決策的過程。其核心在于對海量數據進行整合、分析和挖掘，以揭示數據背后的規律和價值，從而為農業生產提供精準化、智能化的決策支持。不僅可以幫助農業從業者更好地理解農業生產的全過程，提升生產效率和農產品質量，降低生產成本，還能優化農業資源配置，增強農業的可持續發展能力。

2.2 "農業大數據研究特征分析

農業大數據研究具有4個主要特征：研究對象的廣泛性、研究方法的先進性、研究目標的實用性以及應用領域的全面性。

首先，就研究對象的廣泛性而言，農業大數據研究涵蓋了農業生產的各個方面。這包括：農業生產環境數據（包括土壤、氣象、水資源等）、農業生物數據（包括種植品種、種植密度、作物生長周期、作物產量、病蟲害信息、作物營養狀況、畜品種、畜牧數量、畜牧生長狀況、畜牧疾病信息、飼料消耗、水產養殖品種、水產數量、水產生長狀況、水質數據等）、農業市場數據（包括農產品價格、供需情況、市場趨勢、貿易信息等）以及農業管理數據（包括農資、農機、物流、銷售、農戶信息、生產經營情況、農業政策、補貼、標準、農業科技等）。

其次，在研究方法的先進性方面，農業大數據研究充分利用了現代信息技術。其結合人工智能、云計算、區塊鏈等新興技術，采用數據挖掘、機器學習、統計分析等先進方法對農業大數據進行獲取、分析和應用。值得注意的是，IDC預計，2026年中國人工智能市場規模將達到264.4億美元，2021-2026年的五年復合增長率（CAGR）將超20%。這一趨勢將進一步推動農業大數據研究方法的創新和發展。

第三，就研究目標的實用性而言，農業大數據研究旨在揭示農業生產規律，預測農業發展趨勢，為農業生產經營決策提供科學依據。其最終目標是實現農業的精準化、智能化和可持續發展。

最后，在應用領域的全面性方面，農業大數據研究涵蓋了精準農業、智慧農業、農業風險預警、農產品質量溯源和農業政策制定等多個方面。

隨著信息技術的不斷進步，農業大數據研究的范圍和影響力還在持續擴大。它不僅能夠提高農業生產效率，優化資源配置，還能促進農業生態系統的可持續發展。

2.3 "農業大數據研究基本框架

通過梳理全球農業大數據研究知識構架，可以發現全球農業大數據研究主要包含3個核心要素：農業大數據集合、數據密集型模式和認知（圖1）。其中，農業大數據集合是農業大數據研究的核心，包括傳感器數據、調查數據、圖像視頻數據以及實驗數據等多種形式。這些數據的采集、組織和共享是研究的關鍵環節；數據密集型模式是農業大數據研究的重要組成部分，包括精準農業、數字果園、無人農場等新型農業模式，以及數據密集型農業科研范式。這些模式的發展直接依賴于農業大數據應用；認知環節包括知識、理解、判斷和決策等方面，是將數據轉化為實際應用的關鍵步驟。通過對農業大數據的分析，可以獲得新的農業生產和管理認知。這3個要素與數據終端和大農業系統共同形成農業大數據研究知識構架。其中，數據終端（如智能農機等）在整個構架中起到連接作用，是實現數據采集、傳輸和應用的重要載體；大農業系統是整個知識架構的基礎，包括從農田到餐桌的全過程，涵蓋人-機-物-信息/數據混合系統。這一系統為農業大數據獲取提供了廣泛的數據源。

另外，從農業大數據研究知識構架將研究問題劃分為獲取新數據（從系統到數據）、達成新認知（從數據到知識，認知和操作）、應用新模式（從數據到系統）；將研究維度劃分為理論、方法、技術和應用等多個層面；將研究性質劃分為管理、技術和工程等多個方面；將學科領域劃分為作物學、園藝學和植保學等多個農業相關學科；將技術形式劃分為傳感、調查、圖形圖像等多種技術手段。通過梳理這一知識構架，不僅明確了農業大數據研究的核心要素、研究問題、研究維度、研究性質、學科領域、技術形式等，還為進一步細化研究領域奠定了基礎。

2.4 "農業大數據研究技術領域劃分

基于全球農業大數據研究知識構架，報告將農業大數據研究劃分為3個主要技術領域。這種劃分不僅與農業大數據研究的核心要素（大數據集合、密集型模式和認知）相呼應，還能更好地反映農業生產技術流程。具體劃分如下：1）農業大數據獲?。ㄔ擃I域主要涉及各類農業相關數據的收集，包括但不限于遙感數據（如SAR數據、衛星圖像）、物聯網傳感器數據、無人機數據等）；2）農業大數據分析（該領域聚焦于對獲取的數據進行深入分析，主要運用的先進技術包括但不限于機器學習、人工智能、神經網絡等）；3）農業大數據應用（該領域主要關注大數據在農業實踐中的具體應用，包括作物生長監測、產量預測、土壤生態系統評估、智能農場管理、水資源管理、能源消耗和環境影響評估等）（表1）。這種基于技術流程的農業大數據研究領域劃分方式具有完整性、邏輯性和實用性，能夠更好地反映農業生產和農業大數據研究的流動和價值創造過程。

這3個技術領域緊密相連，形成了一個完整的農業大數據研究生態系統。數據獲取為分析提供必要的原料，而分析結果又反過來影響數據獲取的方式和重點。分析產生的洞察被應用于實際的農業生產中，而應用過程中獲得的實踐反饋又會對數據獲取和數據分析提出新的要求。隨著農業實踐的不斷發展，新的挑戰和需求促使數據分析探索新的算法和模型，數據獲取探索新的方式。通過這個良性循環，農業大數據研究有潛力推動農業生產方式的革命性變革，為解決糧食安全、資源效率和環境保護等全球性挑戰提供創新解決方案。

3 "數據與方法

3.1 "數據來源

報告數據來源于Web of Science核心合集收錄的SCIE、SSCI、CPCI-S、CPCI-SSH英文論文數據。報告選取該數據庫作為數據來源是因為Web of Science核心合集遵循嚴格的選刊標準，遴選全球最具學術影響力的高質量期刊，被公認為世界范圍最權威的科學技術文獻索引工具，能夠提供科學技術領域最重要的研究成果。另外，報告數據包含Remote Sensing、ComputersANDElectronics in Agriculture、Sensors、IEEE Access、Journal of Cleaner Prodution等同時被EI收錄的農業大數據研究重要期刊論文。也包含IEEE International Conference on Big Data、International Conference on Data Mining、International Conference on Advanced ComputingANDCommunication Systems、International Conference on Machine LearningANDApplications、International Conference on Agricultural AND Biological Sciences等同時被EI收錄的農業大數據研究重要會議論文，確保了分析數據集的完整性。

3.2 "檢索策略

報告數據的檢索時間是2024年7月，檢索字段主要包括標題、摘要、關鍵詞、發表時間、地址、學科規范化引文影響力（Category Normalized Citation Impact，"CNCI）、被引頻次以及是否高被引論文等。基于檢索式構建策略（詳見附表，僅電子版，可從本刊網站查閱），對論文發表時間介于1995年至2023年間的論文進行檢索，檢索內容全面覆蓋了農業大數據獲取、分析和應用關鍵技術領域。經人工主題去噪后得到1995－2023年農業大數據研究領域相關論文38 291篇。

3.3 "主題聚類及演化

主題聚類及演化分析方法是用于分析大規模文本數據中主題結構和變化趨勢的方法。這種方法結合了文本聚類、主題模型和時序分析等技術，有助于理解文本集合中的主要話題以及它們隨時間的演變過程。

3.3.1 "主題聚類

主題聚類分析方法是將論文集合中主題內容相似的論文聚集在一起，形成主題類，并對其進行主題命名。本報告采用LDA概率主題模型算法進行論文主題聚類。

3.3.2 "主題演化

主題演化分析方法通過時間序列分析主題聚類結果，了解主題的演化過程和趨勢。本報告采用基于LDA的時間序列主題分析法。首先，采用時間切片法，將論文的標題和摘要按時間戳分割為多個時間段，確保數據具有時間維度；其次，采用LDA模型對各時間段內論文進行主題聚類；再次，使用共詞分析和相似度計算方法，通過比較不同時間段的主題分布情況，分析識別主題的出現、消失和融合等演化特征；最后，使用?；鶊D可視化展示主題的演化路徑和趨勢，客觀揭示復雜的主題演化過程。

3.4 "研究熱點前沿遴選及分析

研究熱點前沿（Research Front）包含2個層次含義，即研究熱點和熱點中的前沿。其中，研究熱點反映了特定學科領域內當前學術界普遍關注和積極探討的主題或問題。在這些熱點研究領域中，最新、最具創新性和影響力的研究方向就是研究前沿。

報告采用以下方法遴選和分析研究熱點前沿：第一步，數據處理與主題聚類。使用PhraseLDA（Phrase Latent Dirichlet Allocation，PhraseLDA）算法^[3]對高被引論文和Q1期刊論文的標題和摘要進行主題聚類；計算各主題類的研究主題熱度綜合指數得分及其新穎性得分，并進一步綜合篩選出研究主題熱度綜合指數得分較高的主題聚類，遴選為研究熱點。研究熱點中新穎性得分較高的主題，遴選為研究前沿。研究主題熱度綜合指數得分計算方法如下：

研究主題熱度綜合指數=影響力得分+活躍性得分+跨學科性得分""""""""""""""""""""""""""""（式1）

第二步，專家評審與遴選。組建由計量專家和農業大數據研究專家組成的農業大數據研究熱點前沿遴選專家組；利用德爾菲法，對研究熱點所屬技術領域的準確性進行審定；同時綜合考量研究主題熱度綜合指數得分、新穎性得分以及各個研究熱點的研究內容，綜合多輪專家意見反饋和現場咨詢研討結果，并結合層次分析法進

行迭代篩選，最終確定大數據研究領域研究熱點及研究前沿。

第三步，前沿分析?；趫蟾驽噙x的19個研究熱點前沿及其相關文獻，由文獻計量人員對其中3個重點研

究前沿的發展趨勢進行了全面分析，并對其概念內涵、發展脈絡和未來趨勢進行了深入探討。

3.5 "競爭力指標體系

農業大數據研究發展水平國家/機構評估指標體系采用國家/機構科技論文競爭力指數揭示全球國家/機構在農業大數據研究的總體競爭力排名和農業大數據研究領域排名。

3.5.1 "科技論文競爭力指數評價指標構成

國家/機構科技論文競爭力指數是用以衡量國家/機構的論文成果產出規模和產出質量與影響力的綜合評估指標，指標體系詳見表2。

3.5.2 "國家/機構的科技論文競爭力指數評價指標計算方法

3.5.2.1 "國家/機構一級指標計算方法

國家/機構科技論文競爭力指數得分計算方法如下：

國家科技論文競爭力指數=發文量得分+學科規范化引文影響力得分+高被引論文量得分""""""""""（式2）

機構科技論文競爭力指數=發文量得分+被引頻次得分+高被引論文量得分""""""""""""""""""""""（式3）

該指數得分是通過分別計算其對應的二級指標得分加和后歸一化獲得，重點從國家/機構科研生產力、學術質量與影響力來考察分析對象的科研競爭能力。

3.5.2.2 "國家/機構二級指標得分計算方法

國家/機構發文量得分是通過計算目標分析國家/機構集合內一個國家/機構科技論文發文量的歸一化值獲得，用以揭示國家/機構的相對科技論文成果產出能力，即科研生產力。

國家學科規范化引文影響力（Category Normalized Citation Impact，CNCI）和高被引論文量這兩個指標的得分均是通過計算指標數值后歸一化獲得，分別表示一個國家的科技論文的無偏引文影響力和高質量科技論文成果的現有存量，反映一個國家科研產出的影響力和質量。

機構總被引頻次和高被引論文量兩個指標得分是通過分別計算目標分析機構集合內某個機構某段時間內發表科技論文的總被引頻次和高被引論文量，并歸一化后獲得，分別表示一個機構的科技論文的總體影響力和高質量科技論文成果的現有存量，反映一個機構科研產出的影響力質量。需要特別說明的是，CNCI值用于國家分析，可以排除出版年、學科領域和文獻類型差別的影響，但在機構統計層面由于出版物樣本量少，機構CNCI值會存在違背客觀事實的可能。故機構學術影響力指標中采用機構發文的總被引頻次指標來揭示機構的科研影響力。

4 "農業大數據研究發展概況

聚焦全球農業大數據研究1995年至2023年間的發展歷程，揭示其主要趨勢和變革。

4.1 "農業大數據研究學科分布

報告采用Web of Science（WOS）學科分類體系作為農業大數據研究的學科分類標準。選擇WOS分類體系的原因主要有兩點：首先，相較于教育部的學科分類，WOS分類具有更廣泛的國際通用性；其次，在使用WOS數據庫進行文獻檢索和科研計量分析時，直接采用其固有的學科分類可以確保數據的一致性，避免因分類標準差異導致的數據偏差。WOS學科分類體系包括約250個學科類別，每個類別又細分為多個子領域和子類。該體系涵蓋了自然科學、社會科學、人文藝術等多個領域，包括物理學、化學、生物學、醫學、計算機科學、工程學、環境科學、社會科學、經濟學、管理學、心理學、教育學、藝術與人文等。值得注意的是，各學科領域之間的論文常有交叉現象。

從全球農業大數據研究學科分布來看，發文量排名前20的學科涵蓋了多個與農業相關的領域，充分體現了農業大數據研究的跨學科特性（圖2）。其中，環境科學（Environmental Sciences）以7 218篇相關論文位居榜首，體現了農業與生態環境的相互作用和協調發展。農業活動不僅依賴于環境條件，如氣、水資源和土壤質量，而且對環境也有顯著影響，包括資源消耗和污染排放。因此，環境科學在農業大數據研究中占據重要地位，旨在促進農業與生態環境的協調發展。環境科學在農業大數據研究領域涉及的范圍主要包括氣候變化對農業的影響評估和預測、農業環境監測和污染控制、農業生態系統的可持續管理、農業碳排放和碳匯研究、水資源管理和節水農業等多個方面。

電氣電子工程（Engineering Electrical Electronic）和遙感（Remote Sensing）這2個學科的發文量分別位列第二名（3 682篇）和第三名（3 601篇），表明它們在這一領域的重要性。電氣電子工程的相關研究主要為農業大數據研究中涉及的農業設備智能化和自動化提供了技術支持，包括但不限于智能農業機械設計與控制、農業物聯網、傳感器網絡、農業自動化系統開發、農業機器人技術、智能灌溉系統等應用方向。這些技術的廣泛應用推動了農業向智能化、自動化方向發展。與此同時，遙感技術在農業大數據研究中展現出獨特優勢。通過

衛星、無人機等設備，遙感技術能夠實時獲取大面積農田的詳細信息，在農田精準監測、作物分類、農業災害評估與預警、土地利用變化監測、作物生長狀況與產量估算、農業生態環境評價等方面具有廣闊的應用前景。這些能力使得遙感技術能夠為農業決策提供全面且科學的依據，進一步提升了農業管理的精細化水平。

值得注意的是，農學（Agronomy）和地球科學（Geosciences Multidisciplinary）這2個學科的發文量分別位列第四名（2 816篇）和第五名（2 781篇）。反映了傳統農業研究與現代技術深度融合的趨勢。農學作為農業研究的核心學科，在大數據時代煥發出新的活力。其研究內容涵蓋精準農業、智能化種植技術、作物生長模型與產量預測、土壤健康評估與管理、病蟲害預警與綜合防治、以及農業資源優化配置等領域，重點進行數據集成與分析。借助大數據技術，農學研究能夠更加精準地預測和優化農業生產過程，從而提高產量與質量。此外，農業大數據研究還與地球科學緊密相關，后者在耕地土壤化學屬性分析和農田數據分析等方面也具有重要應用。

農業大數據研究的多學科特性反映了現代農業研究的復雜性和系統性。通過整合不同學科的知識和技術，農業大數據研究為解決復雜的農業問題提供了新的思路和方法。未來，隨著技術的不斷進步和學科間的深度融合，農業大數據研究將在提高農業生產效率、優化資源利用、應對氣候變化等方面發揮更加重要的作用，推動農業向更智能、更精準、更可持續的方向發展。

4.2 "農業大數據研究技術布局

從全球農業大數據研究技術領域來看（圖3），農業大數據應用領域的論文數量最多，共有20 174篇。緊隨其后的是農業大數據獲取領域，發表了20 082篇論文。農業大數據分析領域的相關論文共有10 083篇。由此可見，農業大數據應用和農業大數據獲取是當前研究的主要焦點，兩個領域的論文數量相近，共同占據了研究的主導地位。盡管農業大數據分析領域的論文數量相對較少，但仍然是不容忽視的重要研究方向。

同時，這3個技術領域的論文存在交叉現象。其中，農業大數據獲取領域與農業大數據應用領域交叉的論文有5 427篇，農業大數據獲取領域與農業大數據分析領域交叉的論文有1 288篇，農業大數據分析領域與農業大數據應用領域交叉的論文有1 324篇。此外，有2 005篇論文同時屬于這3個領域。這種技

術布局和交叉現象反映了農業大數據研究的多元化趨勢，同時也凸顯了各技術領域間的緊密聯系。

4.3 "農業大數據研究整體發展概況

農業大數據研究作為現代農業發展的重要支撐，近年來受到全球學術界的廣泛關注，發文量也呈現持續增長的趨勢。1995年至2023年期間，全球農業大數據研究相關論文數量為38 291篇，占同期農業領域論文數量的1.69%。值得注意的是，全球農業大數據研究論文數量在2019年之后出現了顯著增長。2019年至2023年期間發表的相關論文達21 897篇，占該時期農業領域論文總量的2.64%（圖4）。這一數字不僅反映了農業大數據研究的快速發展，也凸顯了其在農業科研中日益重要的地位。

在這一全球趨勢中，中國的貢獻尤為突出。自1995年以來，中國學者在農業大數據研究方向發表論文數量快速增長，共發表了8 426篇論文，占全球相關論文總量的22.01%，顯示出中國在該領域的研究活躍度和影響力。特別是2019年以后，中國在這一領域的研究產出更加顯著，發表論文5 906篇，占同期全球相關論文的26.97%。

從全球農業大數據研究年度發文趨勢來看（圖4），可以將其發展歷程大致劃分為兩個主要階段：萌芽階段，以及成長階段。

4.3.1 "農業大數據研究的萌芽階段

農業大數據研究的萌芽可以追溯到20世紀90年代中期。1995年至2012年，全球農業大數據研究處于萌芽階段。發文量呈現緩慢且持續的增長態勢，年均發文量約為400篇。盡管大數據分析技術在農業中的應用還處于早期階段，但其潛力已經被識別出來，為未來的研究和應用開辟了道路^[4]。這一時期的研究主要聚焦于傳統數據和統計數據的應用，為后續的快速發展奠定了重要基礎。

具體來看，1995年至1999年左右，農業大數據研究主要以地理信息系統、遙感等技術應用為主，相關研究包括但不限于利用SAR數據評估作物生長狀況和灌溉需求，以及利用衛星數據對作物生長進行監測和預測等（圖5）。1997年發表于《REMOTE SENSING OF ENVIRONMENT》，題名為“OpportunitiesANDlimitations for image-based remote sensing in precision crop management”的綜述文章論述了基于圖像的遙感技術在為精準作物管理提供空間和時間分布信息方面的潛力，并強調了將遙感信息納入決策支持系統并進行試點應用的重要性。

2000年至2012年左右，農業大數據研究的重點轉移到土壤水分和土壤性質的監測、利用遙感技術和模型模擬進行作物生長監測和產量預測、農業生產對環境的影響、農用土地利用與管理等方面。尤其是無線傳感器網絡在農業中的應用，推動了數據采集和分析的效率。值得注意的是，在這個階段的后期，一些具有大數據特征的分析方法，如人工智能、機器學習等數據挖掘與關聯分析方法開始在農業領域嶄露頭角。這些方法的引入為農業大數據研究注入了新的活力，為后續的快速發展階段做好了技術儲備。

4.3.2 "農業大數據研究的成長階段

2013年可以被視為農業大數據研究進入成長階段的轉折點。這一年，全球農業大數據研究相關論文數量首次突破1 000篇大關，達到1 059篇。此后，大數據在農業中的應用逐漸普及，年發文量呈現出爆發式增長態勢，到2023年已攀升至4 631篇，十年間增長了近4.37倍，充分體現了農業大數據理念的普及與深化。

具體來看，2013年至2014年左右，農業大數據研究開始與人工智能、機器學習等技術深度融合，應用范圍進一步擴大，研究范圍包括但不限于應用人工智能技術改進農業生產管理、利用物聯網技術實現精準農業、農業生產和食品安全、農業水資源管理。人工智能和機器學習技術的引入，使得數據分析的精確度和效率大幅提升。2015年至今，物聯網、云計算、人工智能等新一代信息技術的快速發展為農業大數據研究的爆發式增長提供了肥沃土壤。2023年發表于《DRONES》，題名為“A Review on Unmanned Aerial Vehicle Remote Sensing： Platforms， Sensors， Data Processing Methods，ANDApplications”的綜述文章分析了無人機遙感在精準農業、林業遙感、電力系統遙感、人工設施與自然環境遙感4個應用場景中的數據類型、數據元素和分析方法。物聯網技術的快速發展使得農業數據的實時監測和管理成為可能。相關研究不僅在數據規模與復雜性上實現了質的飛躍，還見證了數據挖掘、機器學習等大數據特有分析技術的廣泛應用。智能農業的概念逐漸形成，研究者們開始探索如何將物聯網與農業生產相結合，以實現精準農業和智能決策，標志著農業大數據研究進入了技術驅動的新紀元^[5]。

未來農業大數據研究將更加注重源數據融合，例如將遙感數據、氣象數據、土壤數據、農田管理數據等整合在一起，構建更加完善的農業信息體系。此外，更多面向農業生產的專業大數據平臺將陸續出現，為廣大用戶提供數據分析、模型訓練、應用開發等服務，進一步促進農業大數據研究應用的普及?？傊?，農業大數據研究的發展前景十分廣闊，并將繼續朝著更加智能化、精準化、可持續的方向發展，為農業生產效率提升、資源利用化、食品安全保障等方面做出更大的貢獻。

4.4 "農業大數據研究技術領域發展趨勢

4.4.1 "農業大數據獲取領域發展趨勢

1995年以來，農業大數據獲取領域主要包括基于大數據的氣候變化對全球糧食安全和農業可持續發展影響的監測研究、作物生長及干旱高精度多源遙感監測數據獲取、基于物聯網的智慧農業大數據采集與決策支持系統研究、農業用地生態系統與土地利用管理決策GIS數據獲取、流域水資源智能管理與高效利用多源數據獲取等5個主要主題（圖6）。

從1995年至2009年期間，“作物生長及干旱高精度多源遙感監測數據獲取”和“農業用地生態系統與土地利用管理決策GIS數據獲取”這2個主題在該領域占據主導地位，發文數量分別位居前兩名。其中，“作物生長及干旱高精度多源遙感監測數據獲取”的研究主要利用多種遙感技術，對作物生長狀況和農業干旱情況進行高精度、大范圍、實時的監測和數據采集。例如，農學家可以借助衛星遙感技術，監測全國范圍內小麥、水稻等主要糧食作物的生長狀況，及時發現生長異?；虿∠x害發生區域，為農民和農業部門提供預警信息。2009年以前共發表論文608篇?！稗r業用地生態系統與土地利用管理決策GIS數據獲取”的研究主要利用地理信息系統（GIS）技術，獲取、整合和分析與農業用地生態系統和土地利用管理相關的空間數據，為決策提供支持的過程。例如，可以使用GIS技術對農田的土壤類型、肥力狀況和土地利用方式進行精細化監測和數據獲取，為農業規劃和土地資源管理提供科學依據。2009年以前，共發表論文605篇。

自2010年以來，“基于大數據的氣候變化對全球糧食安全和農業可持續發展影響的監測研究”的發文數量迅猛增長，成為該領域發文數量最多的研究主題。該主題主要收集和整合與氣候變化、糧食安全和可持續農業相關的海量數據，以深入理解和預測氣候變化對全球糧食生產和農業可持續發展的影響。例如，通過獲取全球氣溫、降水、極端天氣事件等數據，對主要糧食作物的產量進行預測，評估氣候變化帶來的風險，幫助各國政府制定應對策略和農業政策。自2010年以來，共發表論文5 220篇。

4.4.2 "農業大數據分析領域發展趨勢

1995年以來，農業大數據分析領域主要包括利用神經網絡與支持向量機分析土壤有機碳和水分影響因素、基于智能農業的精準農業大數據分析與管理研究、基于農業大數據的水資源與氣候變化影響下的農田管理實踐分析、提升糧食安全的時序分析與葉面積指數評估分析、利用卷積神經網絡與數據增強技術提升圖像數據分析準確性等5個主要主題，發文量如圖7所示。

1995年至2008年期間，農業大數據分析領域的研究集中在“基于農業大數據的水資源與氣候變化影響下的農田管理實踐分析”“基于智能農業的精準農業大數據分析與管理研究”“利用神經網絡與支持向量機分析土壤有機碳和水分影響因素”這3個研究主題，它們在該時期的論文發表數量居于前三位。其中“基于農業大數據的水資源與氣候變化影響下的農田管理實踐分析”主要研究利用農業大數據技術，分析水資源變化和氣候變化對農田管理的影響，并提出相應的管理實踐策略。它強調了數據驅動的決策方法在應對環境變化中的重要性。例如，研究人員收集了中國西北干旱地區長期的氣象數據和作物產量數據，建立了不同灌溉方案和氣候情景下的作物產量預測模型。這有助于當地農民優化灌溉策略，以應對水資源短缺和氣候變異。該研究主題在1995年至2008年期間發表了225篇論文，是該時期發表論文數量最多的研究主題。“基于智能農業的精準農業大數據分析與管理研究”這一主題是一個跨學科的研究領域，它將信息技術、農學、統計學等多個學科相結合，旨在通過大數據分析和管理，實現農業生產的精準化、智能化和可持續發展。在該時期，相關論文發表量達到217篇，位居第二?！袄蒙窠浘W絡與支持向量機分析土壤有機碳和水分影響因素”這一主題主要利用人工智能和機器學習方法，對土壤有機碳和水分的影響因素進行建模和分析的方法。其目的是通過大數據分析，找出哪些因素對土壤有機碳含量和水分有顯著影響，以及這些因素之間的相互作用關系。例如，在東北黑土地區，研究人員收集土壤特性、土地利用方式和氣候條件等數據，利用神經網絡建立了土壤有機碳分布模型，幫助制定土壤保護和肥力提升措施。該時期共發表207篇論文，位列第三。

2009年至2018年期間，農業大數據分析領域的研究重點發生了轉變，“基于智能農業的精準農業大數據分析與管理研究”成為主導主題，其論文發表數量激增至1 126篇，標志著精準農業研究在這一階段達到了新高峰，成為該領域的核心研究方向。例如，無人機搭載多光譜傳感器的廣泛應用，使得對作物生長狀況的實時監測成為可能。農民可以利用分析后的數據進行變量施肥和灌溉，大大提高了資源利用效率。

自2019年以后，“利用神經網絡與支持向量機分析土壤有機碳和水分影響因素”逐漸成為該領域發表論文數量最多的研究主題，為3 673篇。表明人工智能和機器學習在土壤與環境因素分析中的應用得到了廣泛關注和深入研究。例如，在精準灌溉管理中，利用支持向量機根據天氣預報和土壤數據預測土壤水分含量，指導農民優化灌溉時間和用水量，既節約了水資源，又保證了作物健康生長。

4.4.3 "農業大數據應用領域發展趨勢

1995年以來，農業大數據應用領域主要包括基于物聯網的灌溉管理智能化大數據決策、提升小農戶食品安全與節能減排大數據研究、基于機器學習的作物基因組選擇育種預測精度提升、基于農業大數據的數字化轉型與可持續發展研究、基于農業大數據的水資源管理與農藥使用優化研究、基于遙感數據的作物生長與農業干旱監測評估、基于卷積神經網絡的植物疾病計算機視覺研究等7個主要主題，發文量如圖8所示。

1995年至2014年期間，“基于農業大數據的水資源管理與農藥使用優化研究”是農業大數據應用領域的主要研究方向，該期間共發表論文880篇。該主題通過數據挖掘、機器學習等方法，開展灌溉用水的科學調度與分配、水資源的高效利用與節約、水質監測與保護、水土保持措施的實施、農藥品種的合理選擇、施藥時間/劑量的精準控制、減少農藥使用量、降低農藥殘留等相關應用研究。該主題將大數據技術與傳統農業管理相結合，旨在通過數據驅動的方式實現農業生產的精細化管理和可持續發展。

2015年至2022年期間，農業大數據應用領域的研究焦點轉向“基于物聯網的灌溉管理智能化大數據決策”，共發表論文數量3 967篇。該主題主要利用物聯網技術收集農田環境和作物生長的實時數據，通過大數據分析和人工智能算法，為農業灌溉提供精準、智能的決策支持。該主題的研究內容能夠顯著提高灌溉管理的精準度和智能化水平，對推動農業現代化具有重要意義。

2023年，“基于機器學習的作物基因組選擇育種預測精度提升”成為發表論文數量最多的研究主題，僅當年就有855篇論文發表。該主題利用機器學習算法和技術，對作物基因組數據進行分析和建模，從而提高對作物性狀和產量等目標性狀的預測準確性，進而指導和優化作物育種過程。該主題代表了現代生物技術、信息技術和農業科學的深度融合，是推動精準育種和智能農業發展的重要方向。2023年，一篇題名為“Smart breeding driven by big data， artificial intelligence，ANDintegrated genomic-enviromic prediction”的綜述文章發表于《MOLECULAR PLANT》。該文章評估了可以與預測育種策略相結合的多維信息概況，并基于集成的多組學信息、大數據技術和人工智能技術，提出了一種集成基因組-環境預測智能育種方案。最終，通過綜合育種平臺和開源育種計劃進行推廣。

5 "農業大數據研究主題演化分析

進一步聚焦2019年至2023年全球農業大數據研究的主題聚類與演化情況。通過更細粒度的語義分析，深入探討農業大數據研究的主題布局和演化趨勢，在為研究熱點前沿的挖掘奠定基礎的同時，輔助預測未來農業大數據研究的發展趨勢，起到承上啟下的作用。

2019年至2023月，農業大數據獲取領域共發表論文10 563篇，農業大數據分析領域共發表論文6 663篇，農業大數據應用領域共發表論文12 375篇，農業大數據獲取領域與農業大數據應用領域交叉的論文有3 159篇，農業大數據獲取領域與農業大數據分析領域交叉的論文有791篇，農業大數據分析領域與農業大數據應用領域的交叉論文有978篇，另有1 388篇論文同屬于3個技術領域（圖9）。通過對這3個領域的主題聚類分析，分別形成了7個、5個和7個核心聚類主題。

5.1 "農業大數據獲取領域主題演化分析

5.1.1 "主題分布

農業大數據獲取是現代農業發展的關鍵領域，通過使用主題聚類方法可以將農業大數據獲取的研究主題歸納為以下7個主要方向（圖10）：

1）氣候變化下小農戶糧食安全價值鏈韌性的數據獲取方法研究

此主題重點研究小農戶在氣候變化背景下的糧食安全，通過全面監控農業價值鏈，從生產到分配，確保糧食安全。利用數據分析和預測技術，幫助農戶和決策者有效應對氣候變化帶來的挑戰。該主題包含論文6 917篇，成為近5年該領域發文量最多的主題。

2）基于無人機高精度遙感的作物生長參數測量與預測

無人機技術在農業中的應用日益廣泛，特別是在實時獲取和預測作物生長參數方面。無人機通過高精度圖像和數據分析，提供作物生長狀態的信息和預測，幫助農民優化種植決策。該主題包含論文4 798篇。

3）面向環境監測的傳感器節點設計與數據采集技術研究

研究主題主要集中于優化傳感器網絡和物聯網技術，以提高農業數據采集的效率和準確性。傳感器節點的布局和能耗優化對于精準農業和智能農業的發展至關重要。該主題包含論文4 444篇。

4）利用衛星影像時間序列的土地利用變化動態監測

衛星影像和時間序列數據在農業監測和土地利用變化分析中具有重要作用。利用遙感技術，可以識別農田作物類型和評估氣候變化的影響，從而提升決策的科學性。該主題包含論文4 188篇。

5）農業經濟增長與碳排放關系的可持續發展數據監測分析

該研究主題評估農業經濟增長對碳排放和可持續發展的影響，通過數據監測與分析，研究如何在促進農業經濟增長的同時減少碳排放，助力實現可持續發展目標。該主題包含論文4 072篇。

6）基于生態系統服務價值的農業土地利用變化動態監測

該主題通過動態監測和分析土地利用變化，評估農業活動對生態系統服務的影響，為政策制定和土地管理提供數據支持。該主題包含論文2，601篇。

7）農業灌溉水資源優化配置與管理策略研究

此主題關注通過智能灌溉系統提升農業用水效率，并利用大數據進行水資源調度與監測，應對水資源短缺和氣候變化帶來的挑戰。該主題包含論文1 270篇。

以上7個主題涵蓋了農業大數據獲取的關鍵方面，推動了農業現代化與可持續發展領域的深入研究與實踐，為應對全球糧食安全和氣候變化等重大挑戰提供了重要支持。隨著技術的不斷進步，這些主題之間的界限日益模糊，跨學科綜合研究將成為未來的發展趨勢。

5.1.2 "主題演化分析

通過使用主題演化方法，可以可視化展示近5年來農業大數據獲取領域的主題發展趨勢。從圖11可以發現，農業大數據獲取領域主要形成了4條演化路徑。研究內容涉及作物生長數據監測、農業生產及相關因素數據獲取、物聯網與傳感器數據獲取，以及水資源管理與利用數據獲取。具體分析如下：

1）作物生長與土地利用變化數據獲取技術研究路徑

該演化路徑（綠色路徑）在2019年包含有2個主要研究主題，分別為“基于無人機的作物生長參數獲取”和“農業生產遙感圖像和衛星數據獲取”，這個主題分別基于高低空不同數據采集設備對農作物種植情況進行數據獲取。在2020年左右，該路徑與“氣候變化對農業影響的面板數據獲取”這一研究主題融合，產生了一個新的研究主題，主要研究遙感衛星獲取氣候變化對作物生長影響的數據獲取。在2021年左右，該演化路徑的兩個主要研究方向經歷了1次主題聚合。在2022年左右，又再次分裂，并與“食品安全和生產管理數據獲取”主題相融合，形成關于土地利用衛星調查圖像數據獲取的新主題。隨著農業大數據獲取技術的創新，對作物生長乃至農業生產過程的監測正朝著精準化、智能化方向發展，應用場景也在不斷擴大。該演化路徑逐漸形成了“多源衛星數據驅動的作物精準識別與時序解析”這一研究熱點。

2）農業經濟與環境影響數據獲取技術研究路徑

該演化路徑（黃色路徑）早期主要關注環境變化對食品生產的影響，近幾年擴展到農業全產業鏈，數據獲取范圍更為廣泛。

3）環境監測與傳感器網絡數據獲取技術研究路徑

隨著物聯網和傳感器技術在農業領域的廣泛應用，該演化路徑（紅色路徑）也見證了農業大數據獲取正在向著精準化、智能化方向發展。該演化路徑逐漸形成了“智能感知與精準監測技術在農業中的創新應用”這一研究前沿。

4）水資源與農業可持續發展數據獲取技術研究路徑

與其他主題相比，該主題研究數量相對較少，因此在早期沒有顯現出明顯的主題聚類。藍色路徑顯示，從2020年開始才逐漸顯現，但尚未形成發展壯大的趨勢，水資源管理在農業中的重要性可能推動該領域未來發展。

隨著技術的不斷進步，農業大數據獲取將更加精細化、智能化，并與人工智能、區塊鏈等新興技術深度融合，為精準農業和智慧農業的發展提供強有力的數據支持。

5.2 "農業大數據分析領域主題演化分析

5.2.1 "主題分布

農業大數據分析利用先進的數據分析技術來解決農業生產和管理中的復雜問題。通過主題聚類，可以將農業大數據分析的研究主題歸納為以下5個主要方向（圖12）：

1）基于機器學習的農業水資源與氣象數據分析

這個主題主要關注利用機器學習算法對農業相關數據進行分析和預測，涉及使用多種機器學習方法，如支持向量機、隨機森林、人工神經網絡等。主要應用場景包括但不限于土壤屬性預測、水資源管理、氣候變化影響評估等領域。該主題包含論文5 382篇。

2）農業生產決策支持的大數據分析與應用

涉及對整個農業生產和管理過程中產生的大數據進行綜合分析。重點是如何收集、管理和分析農業數據，以支持決策和改進農業實踐。該主題包含論文4 509篇。

3）基于遙感影像的農作物生長與土地利用精準分析方法研究

該主題主要關注利用遙感技術（如合成孔徑雷達、衛星圖像等）對農作物種植和土地利用情況進行分類和分析。主要研究使用遙感技術（如合成孔徑雷達、衛星圖像）進行農作物分類和土地利用監測。重點是提高分類準確性，利用Google Earth Engine等平臺處理時間序列數據。該主題包含論文2 897篇。

4）基于深度學習的農作物病蟲害識別與圖像分析

這個主題專注于利用深度學習技術處理和分析農業相關的圖像數據，特別是利用卷積神經網絡分析農業圖像。主要應用場景包括但不限于作物疾病檢測、圖像分類和對象檢測等。該主題包含論文2 488篇。

5）基于多光譜數據的作物生長狀況與土壤質量評估

主要關注使用植被指數和無人機技術來監測作物生長階段，支持精準農業實踐。重點是冬小麥等作物的生長狀況評估。該主題包含論文1 609篇。

5.2.2 "主題演化分析

近5年來，農業大數據分析領域呈現出4條主要演化路徑（圖13），分別為精準農業與物聯網數據分析、資源環境機器學習分析、深度學習與作物病害識別、作物生長監測大數據分析。這些路徑的演化反映了農業技術與數據科學的深度融合，展現了農業大數據分析向智能化、精準化、平臺化方向發展的趨勢：

1）精準農業與物聯網大數據智能分析技術研究路徑

這一路徑（紅色路徑）的發展主要得益于物聯網技術的進步。通過對大量實時數據進行分析，農業生產實現了更高程度的精準化管理，顯著提升了生產效率。這一趨勢是數字化轉型在農業領域的具體體現。該演化路徑逐漸形成了“智能感知與精準監測技術在農業中的創新應用”“農業大數據驅動的智能農業技術深度融合與應用”“農業智能預測技術前沿探索與多維度應用”“智能農業能量自給物聯網技術創新與應用”這些研究熱點前沿。

2）基于機器學習的農業水土資源與氣象數據分析技術研究路徑

該演化路徑（藍色路徑）在2019年左右主要涵蓋“基于機器學習的土壤屬性、作物指數、光譜數據等分析”“不同機器學習模型在農業預測中的性能評估”這2個主題。到了2021年左右，路徑融合成為一個主題。隨后又再次分裂，并最終在2023年左右聚焦于“基于機器學習的土壤屬性預測、水資源管理和氣候變化影響預測和分析”這一主題。該演化路徑雖然經歷過多次主題匯聚和分裂，但是其研究主要方向始終不變，且突顯了機器學習算法在農業資源管理和環境分析中的關鍵作用。該演化路徑逐漸形成了“土壤養分動態模擬及精準農業實施策略”“農業體系變革與可持續發展路徑深度解析”“高性能離子傳感技術在農業溫室氣體排放管控中的應用”這些研究熱點前沿。

3）基于深度學習的作物病蟲害識別與圖像分析技術研究路徑

隨著計算能力的提升，深度學習技術在作物病害檢測、診斷和管理中的應用日益廣泛。該路徑（黃色路徑）的發展不僅伴隨著病害識別的準確性和效率的提升，還為精準施藥和病害防控提供了科學依據。該演化路徑逐漸形成了“多源衛星數據驅動的作物精準識別與時序解析”“基于遙感和AI的作物生產力精準預測與分析”“遙感技術賦能農業精準監測與管理升級”這些研究熱點前沿。

4）基于遙感與多光譜數據的作物生長與土壤質量評估技術研究路徑

該演化路徑（綠色路徑）在2023年分裂為2個主題，其中“基于大數據平臺的作物類型和土地利用分析”這一主題的出現，反映了農業大數據分析對大規模數據處理平臺的迫切需求。該演化路徑逐漸形成了“農業生態系統與土地利用變化動態監測與分析”這個研究熱點。

農業大數據分析的4條主要演化路徑清晰地展示了農業與先進技術的深度融合趨勢。機器學習、深度學習和大數據分析平臺等技術的應用，正在推動農業大數據分析向更加智能、精準和可持續的方向發展。

5.3 "農業大數據應用領域主題演化分析

5.3.1 "應用學科分布

農業大數據研究可以應用于多種學科場景，解決多種農業生產問題。從發表論文數量來看，環境科學、電氣電子工程、計算機科學與信息系統是排名前三的WOS學科（圖14）。

首先，農業大數據應用在環境科學（Environmental Sciences）的發文量為1 870篇。作為發文量最高的WOS學科，環境科學主要關注環境因素對農業生產的影響。通過收集和分析大量環境數據，農業大數據研究能夠在優化農業生產流程，提高資源利用效率的同時，提升生態系統健康狀況，促進可持續農業發展。

其次，農業大數據應用在電氣電子工程（Engineering Electrical Electronic）的發文量為1 289篇，排名第二。該WOS學科主要聚焦于智能設備和傳感器技術的開發與應用。農業大數據應用對該WOS學科的貢獻主要體現在設計和制造高精度農業傳感器，實現農田環境的實時監測；開發智能灌溉系統，提高水資源利用效率；研發農業機器人和自動化設備，減少人力成本；構建物聯網基礎設施，實現農業生產全過程的數字化管理等方面。

最后，計算機科學與信息系統（Computer Science Information Systems）為農業大數據研究提供了強大的數據處理和分析能力。農業大數據應用在計算機科學與信息系統的發文量為879篇，排名第三。農業大數據研究在該學科的具體應用主要體現在設計和開發農業大數據平臺，實現海量數據的存儲和管理；運用機器學習和人工智能技術，提高農業數據分析的準確性和效率；開發決策支持系統，為農民提供科學的生產決策建議；構建農業信息管理系統，促進農業產業鏈的信息化和現代化等方面。

農業大數據應用通過整合多學科優勢，正在深刻改變現代農業的面貌。未來，隨著各學科的進一步交叉融合，農業大數據應用將在提升農業生產力、保障糧食安全和推動農業現代化進程中發揮越來越重要的作用。

5.3.2 "主題分布

通過主題聚類，可以將農業大數據應用的研究主題歸納為以下7個主要方向（圖15）：

1）無線傳感器網絡在智能農業中的精準監測與控制系統研究

無線傳感器網絡和物聯網技術在農業中的應用日益廣泛。這些技術通過實時數據采集和傳輸，提高了農業生產的智能化水平，支持精準農業的發展。主要應用包括但不限于：土壤墑情監測系統，實時監測土壤水分、

溫度等參數；智能灌溉系統，根據土壤墑情自動控制灌溉；溫室環境監控系統，自動調節溫度、濕度、光照等；畜牧業養殖環境監測和動物健康監測；農產品倉儲物聯網系統，監控儲藏環境，減少損耗等。該主題包含論文5 438篇。

2）基于農作物指數的生長季節動態監測與趨勢預測

這個主題通過遙感技術和地理信息系統來監測和分析農作物的生長狀況，研究農作物的生長指數和季節變化。這有助于預測產量和制定農業管理策略。具體應用包括但不限于：利用歸一化植被指數等指標來評估作物生長狀況和預測產量；分析歷史氣象數據和作物生長數據，確定最佳種植和收獲時間；監測作物生長階段，為精準施肥、灌溉和病蟲害防治提供依據；大范圍作物分布制圖和面積估算等。該主題包含論文4 595篇。

3）氣候變化對農業生產模式的影響研究

氣候變化對農業生產帶來了深遠影響。該主題的研究重點在于評估氣候變化的影響，并制定相應的適應策略，以保障糧食安全和農業可持續性。主要應用包括但不限于：使用氣候變化影響評估模型，預測未來氣候變化對作物產量的影響；耐旱、耐熱等抗逆性作物品種篩選；農業保險風險評估系統，幫助農民應對極端天氣；智能溫室控制系統，調節微氣候環境；農業氣象預警系統，提前預警極端天氣事件等。該主題包含論文4 437篇。

4）數字技術在促進可持續農業生產中的應用與效益評估

數字技術在推動可持續農業發展中發揮著重要作用。研究涉及數字化轉型、碳排放管理和農業生態系統的優化。主要應用包括但不限于：精準農業技術，如變量施肥、精準灌溉等，減少資源浪費；農場管理系統，優化生產流程，提高資源利用效率；區塊鏈技術在農產品溯源中的應用，保障食品安全；智能農機設備，減少人力需求，提高生產效率；農業廢棄物資源化利用的信息化管理等。該主題包含論文3 874篇。

5）機器學習在農業遺傳育種方案優化中的應用與效能分析

機器學習模型被廣泛應用于農業遺傳育種，幫助優化育種計劃和選擇優良品種。該主題的研究促進了農業生產效率和作物質量的提升。主要應用包括但不限于：基因組選擇模型，預測作物性狀，加速育種周期；表型預測模型，根據基因型數據預測作物表型；雜交組合預測模型，預測雜交后代的性狀表現；多組學數據整合分析，挖掘重要農藝性狀相關基因；分子標記輔助選擇系統，提高育種效率等。該主題包含論文3 197篇。

6）基于深度學習的多類別作物病害實時檢測與分類系統研究

該主題利用深度學習技術，特別是卷積神經網絡，進行作物病害的自動檢測和診斷。通過計算機視覺和特征提取技術，提升了病害識別的準確性和效率。主要應用包括但不限于：基于圖像的作物病害識別系統；病蟲害預警模型，預測病蟲害發生風險；無人機巡檢系統，大范圍監測作物健康狀況；智能手機App，幫助農民快速診斷作物病害；病蟲害防治決策支持系統，提供科學防治建議等。該主題包含論文1 970篇。

7）區域性水資源管理優化與智能灌溉技術應用研究

水資源管理是農業可持續發展的關鍵。研究集中在優化灌溉用水和提高水資源利用效率，以應對水資源短缺和氣候變化帶來的挑戰。主要應用包括但不限于：精準灌溉系統，根據作物需水量和土壤墑情精確控制灌溉；灌溉調度優化模型，合理分配水資源；農田水分監測網絡，實時監測土壤水分狀況；作物需水量預測模型，指導科學灌溉；節水灌溉技術評估系統，評估不同灌溉方式的節水效果等。該主題包含論文906篇。

農業大數據應用領域的研究主題涵蓋了從科技創新到可持續發展，從育種、種植到收獲、儲藏等一系列關鍵問題，體現了大數據技術在現代農業中的廣泛應用，顯示出該領域在應對現代農業挑戰中的重要性和前景。

5.3.3 "主題演化分析

近5年來，農業大數據應用領域呈現出4條主要演化路徑（圖16），分別為數字技術與人工智能在農業中的應用、氣候變化與農業的關系、機器學習與深度學習在農業中的應用、計算機視覺與物聯網在農業中的應用。

1）數字技術促進可持續農業生產的應用技術研究路徑

數字技術在農業中的應用逐漸深化，特別是在農業經濟增長和農業可持續發展方面。該路徑（黃色路徑）展示了數字技術和人工智能在提高農業生產效率、優化資源配置和推動農業現代化方面的重要作用。該路徑與藍色路徑在2021年左右融合，匯聚形成“氣候變化對小農戶的影響研究”這一主題，主要探究數字技術在氣候變化影響小農戶經濟可持續發展過程中的應用。該演化路徑逐漸形成了“農業數字化轉型的技術接受度與社會效應分析”“數字農業供應鏈復雜性管理策略與優化”“智能農業技術驅動的農業數字化轉型新路徑”“農業體系變革與可持續發展路徑深度解析”這些研究熱點。

2）氣候變化對農業生產的影響應用技術研究路徑

氣候變化及其對農業的影響成為一個重要的研究主題。該演化路徑（藍色路徑）揭示了氣候變化對糧食生產和食品安全的影響，反映出對氣候適應性和可持續農業實踐的重視。研究內容包括氣候變化對農業生產的直接影響以及應對氣候變化的農業策略。該演化路徑逐漸形成了“全球糧食與營養安全的多維度挑戰與應對策略”“高性能離子傳感技術在農業溫室氣體排放管控中的應用”這2個研究熱點。

3）機器學習與深度學習在作物生長與基因分析中的應用路徑

2019年，“作物病害圖像識別與診斷”主題分裂為兩條演化路徑，一條路徑側重機器學習圖像識別算法，并在2022年左右與“農作物無人機監測”這條演化路徑融合，最終形成了完整的“機器學習與深度學習在農業中的應用”路徑（綠色路徑）。該路徑側重利用機器學習算法對作物生長圖像進行分類，并進行基因選擇和育種優化。該演化路徑逐漸形成了“微生物組學及其在畜禽遺傳改良中的應用”“高通量作物表型組學與精準育種技術”“遙感技術賦能農業精準監測與管理升級”這3個研究熱點前沿。

4）計算機視覺與物聯網在作物病害識別與診斷中的應用路徑

“作物病害圖像識別與診斷”主題分裂的另一條路徑側重利用深度學習對作物病害圖像進行特征提取。這條路徑在2023年與“無線傳感器網絡與物聯網在農業中的應用”路徑融合，形成“計算機視覺與物聯網在農業中的應用”主題。該路徑（紅色路徑）強調通過計算機視覺技術和物聯網設備，實現對農業生產過程的實時監控和智能管理，提高農業生產的精準度和效率。該演化路徑逐漸形成了“農業智能預測技術前沿探索與多維度應用”“智能農業能量自給物聯網技術創新與應用”這2個研究熱點。這條演化路徑與前面的“機器學習與深度學習在作物生長與基因分析中的應用路徑”內容較為相近，都用到了計算機視覺和機器學習等方法。因此，在早期也出現過交叉現象。但是兩條技術演化路徑的研究內容各有側重。綠色路徑側重通過計算機視覺提取作物生長特征，并進一步分析作物生長和基因選擇之間的關系，通常使用到無人機等圖像數據獲取工具。而紅色路徑側重通過計算機視覺提取作物病害圖像特征，并進行識別和診斷，常用到物聯網、無線傳感器等的圖像數據獲取工具。

農業大數據應用領域的4條主要演化路徑分別在數字技術與人工智能、氣候變化、機器學習與深度學習以及計算機視覺與物聯網方面展現出顯著的發展趨勢。這些路徑共同推動了農業大數據應用的發展。此外，“區域性水資源管理優化與智能灌溉技術應用研究”這個研究主題在農業大數據應用領域沒有形成顯著的演化路徑，但是該研究主題依然演化出“智能農業水資源高效管理與可持續利用技術”“農業干旱智能監測與地下水綜合管理研究”這2個研究熱點，說明該研究方向具有較強的發展潛力，未來通過更多地與農業生產、管理等實際性應用場景相結合，可能為農業發展帶來更多助力。

6 "農業大數據研究熱點前沿主題分析

聚焦2019年至2023年全球農業大數據研究的高被引論文和Q1期刊論文，旨在準確反映當前的研究熱點前沿。在此期間，該領域共發表3 072篇高被引論文和Q1期刊論文。

6.1 "研究熱點前沿概覽

農業大數據研究共得到19個研究熱點前沿（表3）。其中有16個研究熱點，3個研究前沿。從研究熱點前沿所屬領域來看，有2個研究熱點前沿側重于農業大數據獲取領域研究，11個研究熱點前沿側重于農業大數據分析領域研究，13個研究熱點前沿側重于農業大數據應用領域研究，3個領域的熱點前沿存在內容交叉。

農業大數據獲取領域目前聚焦于2個主要的研究前沿與熱點。首先，“智能感知與精準監測技術在農業中的創新應用”被確立為該領域的研究前沿。該前沿強調利用先進的智能感知技術，對農業生產過程中的關鍵參數進行高精度的實時監測與獲取，從而提升農業生產的精準度和效率。其主要源自“基于無人機高精度遙感的作物生長參數測量與預測”和“面向環境監測的傳感器節點設計與數據采集技術研究”這2個研究主題的持續演化與發展。其次，“多源衛星數據驅動的作物精準識別與時序解析”成為該領域的研究熱點。該研究熱點關注對多源衛星數據的獲取和整合，通過先進的數據監測技術，實現對作物分布的精準映射和生長序列的動態監測，從而為農業管理和決策提供科學依據。這一熱點主要源自“利用衛星影像時間序列的土地利用變化動態監測”這一研究主題的深入探討。這些研究主題的形成和發展，清晰地展示了農業大數據獲取領域從基礎研究主題向熱點前沿技術演進的過程，同時也反映了該領域在面對現代農業需求時的創新響應。通過這種演進，研究者們不斷推動著農業信息化和精準化的進程，為實現可持續農業發展提供了有力的技術支撐。

農業大數據分析領域目前聚焦于11個熱點前沿方向，這些熱點前沿均源自各個研究主題的發展與演化。首先，研究主題“基于機器學習的農業水資源與氣象數據分析”衍生出多個研究熱點前沿，包括“智能感知與精準監測技術在農業中的創新應用”、“農業大數據驅動的智能農業技術深度融合與應用”以及“農業智能預測技術前沿探索與多維度應用”。其次，研究主題“基于深度學習的農作物病蟲害識別與圖像分析”發展出“基于遙感和AI的作物生產力精準預測與分析”這個研究熱點。針對“農業生產決策支持的大數據分析與應用”這一研究主題，進一步演化出4個研究熱點，即“農業體系變革與可持續發展路徑深度解析”、“遙感技術賦能農業精準監測與管理升級”、“智能農業能量自給物聯網技術創新與應用”以及“高性能離子傳感技術在農業溫室氣體排放管控中的應用”。此外，研究主題“基于遙感影像的農作物生長與土地利用精準分析方法研究”經演化衍生出“土壤養分動態模擬及精準農業實施策略”與“農業生態系統與土地利用變化動態監測與分析”兩個研究熱點。最后，“基于多光譜數據的作物生長狀況與土壤質量評估”研究主題的延伸主題為“多源衛星數據驅動的作物精準識別與時序解析”研究熱點。這些研究主題及其衍生的研究熱點前沿反映了農業大數據分析領域的多元化發展趨勢，為農業的智能化和可持續發展提供了重要的技術支撐。

農業大數據應用領域有13個熱點前沿。這些研究熱點前沿源自7個核心研究主題。這些主題與熱點前沿之間的演化關系反映了農業大數據應用的發展趨勢和創新方向。其中“基于農作物指數的生長季節動態監測與趨勢預測”研究主題經演化衍生出“遙感技術賦能農業精準監測與管理升級”研究熱點。“數字技術在促進可持續農業生產中的應用與效益評估”研究主題經演化衍生出“農業數字化轉型的技術接受度與社會效應分析”“數字農業供應鏈復雜性管理策略與優化”“智能農業技術驅動的農業數字化轉型新路徑”“農業體系變革與可持續發展路徑深度解析”等研究熱點?！皻夂蜃兓瘜r業生產模式的影響研究”研究主題經演化衍生出“全球糧食與營養安全的多維度挑戰與應對策略”和“高性能離子傳感技術在農業溫室氣體排放管控中的應用”研究熱點?！盁o線傳感器網絡在智能農業中的精準監測與控制系統研究”研究主題經演化衍生出“智能農業能量自給物聯網技術創新與應用”研究熱點?！皺C器學習在農業遺傳育種方案優化中的應用與效能分析”研究主題經演化衍生出“微生物組學及其在畜禽遺傳改良中的應用”“高通量作物表型組學與精準育種技術”研究熱點前沿。“基于深度學習的多類別作物病害實時檢測與分類系統研究”研究主題經演化衍生出“農業智能預測技術前沿探索與多維度應用”研究熱點?！皡^域性水資源管理優化與智能灌溉技術應用研究”研究主題經演化衍生出“智能農業水資源高效管理與可持續利用技術”“農業干旱智能監測與地下水綜合管理研究”兩個研究熱點。這些研究主題及其衍生的研究熱點前沿構成了農業大數據應用領域的知識圖譜，揭示了大數據、人工智能、物聯網等新興技術與農業實踐應用深度融合的過程，為未來農業發展提供了重要的研究方向和技術支撐。

6.2 "重點研究前沿——“智能感知與精準監測技術在農業中的創新應用”

隨著信息技術與人工智能的迅猛發展，智能感知與精準監測技術在農業大數據獲取領域取得了顯著進展。本章通過梳理相關文獻，系統闡述了智能感知與精準監測技術的前沿研究成果。近年來，基于自動化傳感器的農作物病蟲害監測、基于無人機的農田環境智能監測逐漸成為熱門的研究。這些技術在提高農業生產效率、優化資源配置、促進可持續發展等方面具有廣闊的應用前景。然而，當前技術在數據融合、算法優化及系統集成等方面仍面臨諸多挑戰，有待進一步研究與突破。

在基于自動化傳感器的農作物病蟲害監測方向，近年來，隨著無線傳感器網絡技術的發展，物聯網在農業監測中的應用更加廣泛和高效。同時，人工智能特別是深度學習技術在病害檢測中的應用取得了突破性進展。例如，基于IEEE 802.15.4標準的無線傳感器網絡，不僅提升了數據傳輸的穩定性，還通過模糊邏輯算法實現了對作物害蟲的精準預測^[6]。RiceTalk通過物聯網和AI技術，實現了稻瘟病的自動檢測和監控^[7]。此外，基于多層感知器神經網絡的旋轉式干草烘干機故障檢測系統展示了智能決策在農業設備管理中的應用潛力^[8]。這些技術的產業化應用正在加速推進，智能監測設備和移動應用的推廣應用，提升了農民對智能監測系統的接受度和使用率。農業科技公司如Taranis和Plantix開發了基于AI的病蟲害識別App，為農戶提供便捷的診斷服務。大型農化公司如拜耳和先正達將智能監測技術與自身的植保產品結合，提供一體化的病蟲害防控解決方案。此外，一些智能農業設備制造商如博創農業開發了智能病蟲害監測設備，實現田間實時監測。這些產業化應用正在推動農業病蟲害防控向智能化、精準化方向發展。

在基于無人機的農田環境智能監測方向，農業環境監測涵蓋土壤、水質、氣候等多個方面，傳統方法依賴定點采樣，數據獲取速度慢且覆蓋面有限。衛星遙感和無人機技術的引入，為大規模、實時的環境監測提供了新的可能，顯著提升了監測的效率和精度。AI4Boundaries提供了一個開放的AI就緒數據集，結合Sentinel-2衛星影像和航空攝影，實現了野外邊界的精準繪制^[9]。無人機與遙感技術的結合，為農業監測提供了高效的數據獲取手段。無人機搭載高分辨率傳感器和攝像設備，能夠實時采集農田的高精度圖像數據?；贕NSS的無人駕駛送貨導航系統使用增強型噪聲容忍哈希算法提升了無人機在農業環境監測中的自主性和目標檢測能力^[10]。此外，深度學習技術的應用，使得無人機采集的數據能夠被快速處理和分析，實現了農業監測的實時化和智能化?；诙嗉壧卣髦丶訖嗳诤系淖魑锱c雜草語義分割技術增強了對農業環境中不同目標的識別精度，進一步推動了農業環境監測技術的發展^[11]。農業環境智能監測技術的產業化應用，包括智能無人機和遙感數據處理平臺的開發，已經在一些先進農業生產區域得到應用。商業衛星遙感公司如Planet Labs提供高時空分辨率的農田監測服務。農業機械制造商如John Deere將邊界識別技術集成到智能農機中，實現精準作業。此外，一些農業科技公司如Climate Corporation開發了基于AI的作物制圖平臺，為農戶提供決策支持服務。這些產業化應用正在推動農業生產向數字化、精準化方向轉型。

智能感知技術與精準監測技術在農業大數據獲取領域的應用相互促進、相互補充。智能傳感器技術的進步為精準監測提供了更為豐富的數據來源，而精準監測技術的應用又為智能感知技術的優化提供了新的思路，為農業生產提供決策支持。通過將兩者結合，研究者們能夠更好地解決農業生產中的關鍵問題，為現代農業的發展提供了強有力的技術支持。隨著無人機、衛星遙感、5G通信等技術在農業領域的應用加深，為智能農業系統提供了更加廣泛的應用場景。無人機搭載高分辨率傳感器，可以實時獲取作物的長勢信息，并通過5G網絡實現數據的高速傳輸和遠程控制。衛星遙感數據的引入，使得農場主能夠在大規模農田中實現精準的病蟲害監控和水資源管理。未來，該技術將在數據準確性、實時性、智能化程度等方面取得進一步突破，為農業生產帶來更大效益。

同時，隨著遙感技術、物聯網設備和基因組學數據的快速發展，多源數據的集成與共享將成為智能農業的基礎。通過整合環境數據、作物生長數據和市場數據，AI模型將能夠實現更加精準的農業預測和決策支持?；诖髷祿虯I的智能決策支持系統將在精準農業、病蟲害管理和氣候適應性管理中發揮重要作用。這些系統將利用機器學習算法和大數據分析，實現實時監測、預測分析和優化決策，提升農業生產的效率和可持續性。

6.3 "重點研究前沿——“農業大數據驅動的智能農業技術深度融合與應用”

農業大數據研究與智能農業技術的交叉融合正在推動農業生產方式的革命性變革。本章通過梳理相關文獻及專家知識，系統闡述了農業大數據驅動的智能農業技術深度融合與應用這一研究前沿。近年來，大數據分析與環境可持續性、人工智能與機器學習在農業大數據分析中的應用、大數據與AI技術的交叉融合這3個研究方向逐漸成為熱門的研究子前沿。隨著技術的不斷進步，農業大數據研究與智能農業技術的融合將進一步深化，推動農業生產方式向智能化、精準化和可持續化方向轉變。通過多學科的協同合作，結合政策支持和產業推動，智能農業將在全球糧食安全、資源可持續利用和生態環境保護中發揮更加重要的作用。

在大數據分析與環境可持續性方向，農業大數據分析作為智能農業技術的重要組成部分，近年來在數據采集、存儲與處理技術方面取得了顯著進展。早期研究主要集中在利用遙感技術和地理信息系統進行土地利用與土地覆蓋監測。例如，綜述文章^[12]系統性回顧了Landsat 8/OLI和Sentinel-2/MSI在土地利用和土地覆蓋制圖中的應用，奠定了農業大數據分析的基礎。此外，生命周期評估方法被廣泛應用于評估農業生產系統的環境影響，ACOSTA-ALBA等^[13]提出了BCA 4CSA框架，通過生命周期評估加強氣候智能農業選項的環境可持續性分析，推動了農業大數據研究在環境可持續性研究中的應用。隨著大數據技術的不斷發展，農業大數據分析在數據整合與多源數據融合方面取得了新的突破。MIAO等^[14]介紹了一個用于多組學大數據分析和可視化的定制化流水線套件OmicsSuite，促進了農業數據的多維度分析。此外，HUANG等^[15]的研究則展示了在全基因組關聯研究中處理數百萬個個體和標記物的能力，進一步提升了農業基因組數據的分析水平。數字表型技術的發展也為農業大數據分析提供了新的視角，NEETHIRAJAN等^[16]探討了畜牧業中數字表型的應用，促進了智能化養殖管理。面對日益嚴峻的氣候變化挑戰，農業大數據研究與AI技術將被廣泛應用于開發適應性強的農業管理策略。這包括智能灌溉系統、耐旱作物品種和氣候預測模型的開發，幫助農民應對氣候變化帶來的不確定性。農業大數據分析技術的產業化進程迅速推進，多個智能農業應用得以實際部署。例如，JOSHI等^[17]強調了數據集標準化和集中化對于高效訓練農業深度學習模型的重要性，推動了智能農業解決方案的商業化。此外，COTTER等^[18]通過RiceAdvice App的案例，展示了如何構建數據基礎以適應新的環境、土地管理和氣候變化，促進了農業決策支持工具的產業化應用。無人航空系統與機器學習在農業中的應用也逐漸商業化，LAMBERT等^[19]通過對雜草Alopecurus myosuroides的測試，驗證了無人航空系統和機器學習在子場規模雜草繪圖中的能力，推動了智能雜草管理技術的產業化。

在人工智能與機器學習在農業大數據分析中的應用方向，人工智能和機器學習在農業中的應用已成為研究熱點。早期研究集中在作物生長模型和病蟲害預測方面。文獻[20]回顧了WOFOST種植制度模型25年的發展，展示了作物生長模擬在農業管理中的重要性。近年來，人工智能和機器學習在農業中的應用進一步擴展，涵蓋了精準農業、智能灌溉和自動化管理等領域。LEAL FILHO等^[21]探討了人工智能在氣候變化適應中的應用，提出了多種智能農業技術應對氣候變化的策略。HURTT ^[22]通過LUH2項目，整合了全球土地利用變化與管理數據，為人工智能模型提供了豐富的數據支持。此外De PAIVA等^[23]調查了巴西在視覺土壤結構評估方法的應用情況，促進了人工智能在土壤健康監測中的應用。人工智能和機器學習技術在農業中的產業化應用日益廣泛，推動了智能農業設備和服務的發展。MAHAFFEE等^[24]則將流行病學、病原生物學與物理學結合，利用地面空氣傳播監測技術預測病害擴散，展示了基于人工智能的病原體監測系統在實際農業生產中的應用，提升了病害管理的效率和準確性，為人工智能在病害管理中的應用奠定了基礎。LEAL FILHO等^[21]則通過智能灌溉和氣候適應性管理工具，幫助農民應對氣候變化帶來的挑戰。LAMBERT等^[19]的研究成果已被多家農業科技公司應用于智能雜草管理系統，顯著提高了雜草控制的精準度和效率。RiceAdvice App 通過整合大數據與AI算法，為稻田管理提供智能化決策支持，提升了農業生產的效率和可持續性^[18]。此外，數字表型技術結合大數據和AI，實現了畜牧業中動物健康和生產性能的智能監測，推動了智能養殖的產業化應用。

未來，農業大數據研究與智能農業技術的深度融合將呈現多元化和智能化的發展趨勢，推動農業生產方式的革命性變革。深度學習、強化學習等先進人工智能技術將在農業領域得到更廣泛的應用。特別是在復雜農業系統建模、作物表型分析、精準病蟲害防控等方面，人工智能技術有望取得突破性進展。隨著物聯網技術的發展，農業生產現場的數據處理能力將大幅提升。邊緣計算技術的應用將使得智能農業設備能夠實現更快速的本地化決策，減少對中心化云計算的依賴。此外，數字孿生技術將為農業生產提供虛擬仿真環境，使得農民和研究人員能夠在虛擬環境中測試不同的管理策略，優化生產決策?；诖髷祿治龊腿斯ぶ悄芗夹g，未來的農業決策支持系統將能夠為每個農場甚至每塊田地提供更加個性化的管理建議，考慮到局部環境條件、作物品種特性等多種因素。

6.4 "重點研究前沿——“高通量作物表型組學與精準育種技術”

高通量作物表型組學與精準育種技術作為農業大數據應用的前沿領域，正在迅速改變傳統作物育種模式。本章節分析了該研究前沿的興起背景、研究意義、現有成果以及有待解決的問題，并深入分析了其發展態勢及重大進展。通過對核心論文的分類與分析，揭示了學科基礎進展、最新進展及產業化進展，特別是在人工智能輔助精準育種、基因型與表型關聯及育種應用等方面的突破，旨在為相關研究提供參考與指導。

在人工智能輔助精準育種方向，人工智能技術在作物精準育種中的應用是近年來的研究熱點。早期研究主要集中在機器學習算法在表型圖像分析中的應用。隨著深度學習技術的發展，其在作物育種中的應用日益廣泛。HARFOUCHE等^[25]綜述了下一代人工智能技術在加速氣候適應性植物育種中的應用，為人工智能輔助育種奠定了理論基礎。精準育種技術的發展依托于高通量基因組數據與表型數據的整合分析。近年來，表型組學技術與基因編輯技術的結合，使得定向育種成為可能。學術界已開始探索將CRISPR-Cas9等基因編輯工具與高通量表型技術結合的可能性，以實現育種目標的快速達成。近期，人工智能輔助育種向更加智能化和自動化方向發展。研究者開發了多種基于深度學習的表型分析算法，如用于作物病害識別的卷積神經網絡。此外，強化學習等技術在育種決策中的應用也受到關注。例如，ZHU^[26]提出了一種基于深度學習的黃瓜根系圖像數據與產量關聯關系分析方法。這種方法實現了復雜表型特征的自動提取和分析，為精準育種提供了新思路。在甜櫻桃的研究中，基于高通量表型數據的基因組關聯分析揭示了多種性狀的馴化效應^[27]。這些進展表明，精準育種技術正在從實驗室走向田間，并在實際生產中展現出巨大的潛力。人工智能輔助精準育種技術已在育種實踐中得到初步應用。一些種業公司開始使用人工智能技術優化育種流程，如先正達的人工智能輔助育種平臺。此外，一些人工智能公司也進入農業領域，如IBM的Watson決策平臺。這些技術的商業化應用提高了育種效率，加速了新品種選育進程。某些高產、抗病的小麥新品種的培育即得益于高通量表型數據與精準育種技術的結合，這些品種正在全球范圍內推廣，為農業生產提供了高效的解決方案。然而，人工智能在作物育種中的應用仍處于起步階段，需要進一步完善算法和模型，提高其在復雜育種場景下的適用性。

在基因型與表型關聯及育種應用方向，基因型與表型的關聯研究是精準育種的核心。傳統的數量性狀位點分析已逐漸被全基因組關聯分析所取代，后者能夠更準確地識別與表型相關的基因變異。此外，基因編輯技術的快速發展，為基于表型的基因功能驗證提供了新途徑。最新研究進展包括利用大規?；蚪M和表型數據，結合機器學習算法，進行作物復雜性狀的遺傳解析。例如，通過全基因組關聯分析揭示多個與作物產量和抗逆性相關的基因位點^[27]。在育種應用中，基于基因型與表型關聯的分子標記輔助選擇已成為常規育種的重要手段。通過篩選與目標性狀緊密連鎖的分子標記，可以大幅縮短育種周期，提高育種效率。此外，基因編輯技術的產業化應用也在逐步推進，為作物遺傳改良開辟了新途徑。

高通量作物表型組學與精準育種技術是近年農業領域發展迅速的前沿方向，其能夠有效提高育種效率，加速培育高產、優質、抗逆的作物品種，為保障糧食安全和農業可持續發展提供有力支撐。目前已經有多個國家和研究機構做出了重要貢獻。美國、歐洲和中國的科研機構在基因組測序、表型數據采集和精準育種方法開發方面處于領先地位。例如，美國的Genomes-to-Fields Initiative通過整合基因組與田間數據，研究玉米在北美的基因-環境相互作用^[28]。中國的科研機構通過開發高效的表型分析平臺，推動了精準育種技術在國內農業中的應用。未來，隨著技術的不斷發展和應用，高通量作表型組學與精準育種技術將發揮越來越重要的作用，為農業發展注入新的活力。

7 "農業大數據研究全球競爭力分析

聚焦2019年至2023年的數據，旨在反映當前的研究競爭態勢。通過論文競爭力分析，明確近5年全球主

要國家和重點機構的發展實力、特點與差異，明確我國農業大數據研究的發展站位，為進一步促進農業大數據研究的優勢互補與合作交流提供定量化參考依據。

7.1 "總體競爭力分析

7.1.1 "主要國家發文情況

近5年來，農業大數據研究取得了顯著進展，發文量排名前五的國家分別是中國、美國、印度、意大利和德國。其中，中國在發文量方面表現尤為突出，不僅呈現出逐年穩步增長的態勢，更在2021年成功超越美國，并持續保持這一領先地位，彰顯了其在該領域科研創新與產出的強勁實力。與此同時，美國、印度、意大利及德國等其他四個國家亦在該領域占據重要位置，其各年度發文量總體呈現增長趨勢，盡管在2023年輕微下滑，但并未動搖其在全球農業大數據研究的領先地位。值得注意的是，意大利與德國在過去五年的科研產出規模上展現出高度的相似性，不僅五年總發文量相近，且各年度的具體發文量也幾乎持平（圖17）。

7.1.2 "國家競爭力分析

國家科技論文競爭力綜合了發文量、CNCI值和高被引論文量三個因素，是衡量一個國家研究水平的重要指標。農業大數據研究論文的國家綜合評估結果顯示，中國穩居榜首，顯示了中國在農業大數據研究方面的強勁實力。美國緊隨其后，位列第二。其他國家的得分相對較低，但仍有各自的特色和優勢（表4）。

進一步細化分析發現，在國家論文產出量二級指標上，中國在發文量上占據絕對優勢，發文量數值最高，達到4904篇，遠超其他國家，顯示了中國在農業大數據研究的活躍程度。美國發文量僅次于中國，位居第二，保持在較高水平，表明美國在該領域的研究也十分活躍，產出了大量的科研成果。其他國家的發文量較少，與中美兩國相比存在較大差距。在CNCI值這一衡量國家科技論文國際影響力的二級指標上，荷蘭排名最高，其次是奧地利，表明這兩個國家的論文雖然數量少，但在國際上具有較高的影響力。在高被引論文量這一衡量國家研究成果質量的二級指標上，中國占據首位，美國和印度分列第二和第三，表明這三個國家的科研成果在國際上具有較高的學術價值，受到了國際學術界的廣泛關注和引用。

綜上所述，中國、美國、英國農業大數據研究競爭力和成果產出表現出色，荷蘭、奧地利等國家則在論文影響力上表現突出。

7.1.3 "機構競爭力分析

機構科技論文競爭力綜合了發文量、被引頻次和高被引論文量三個因素，是衡量一個機構研究水平的重要

指標。農業大數據研究論文的綜合評估結果顯示，中國科學院與中國農業科學院在該領域內表現尤為突出，分別占據機構排名的首位與次席。在前十名機構中，中國與美國各有3家機構上榜，凸顯了這兩個國家在農業大數據研究的顯著地位與活躍程度（表5）。

進一步細化分析發現，在論文產出量二級指標上，中國科學院與中國農業科學院的表現同樣位列前茅，充分證明了它們在農業大數據研究的深厚積累與高產出的科研能力。美國農業部在論文產出力上位列第三。在被引頻次這一衡量學術影響力的指標上，中國科學院與荷蘭的瓦格寧根大學分別占據前兩位。這一排名不僅彰顯了這兩家機構在農業大數據研究方面成果的廣泛認可與高度引用，也體現了它們在推動該領域知識傳播與學術交流方面的重要作用。同時，中國農業科學院以第三名的成績緊隨其后，表明其在論文影響力方面也取得了顯著成效。在高被引論文量這一反映論文質量的二級指標上，荷蘭的瓦格寧根大學與中國科學院脫穎而出，分別占據前兩位。這一結果說明這兩家機構在農業大數據研究的論文不僅數量多，而且質量高，具有極高的學術價值與影響力。中國農業科學院則以第三名的成績展現了其在提升論文質量方面所做的努力。

綜上所述，中國科學院、中國農業科學院以及荷蘭的瓦格寧根大學在農業大數據研究展現出了強大的科研實力與廣泛的影響力。未來，隨著該領域的不斷發展與深入探索，這些機構或將繼續引領農業大數據研究的前沿方向，為推動農業科技的進步與農業生產的智能化轉型做出更大貢獻。

7.2 "農業大數據獲取領域競爭力分析

7.2.1 "國家競爭力分析

農業大數據獲取領域論文的國家綜合評估結果顯示，中國穩居榜首，顯示了中國在農業大數據獲取領域的強勁實力。美國緊隨其后，位列第二。其他國家的得分相對較低，但仍有各自的特色和優勢（表6）。

進一步細化分析發現，在國家論文產出量二級指標上，中國在發文量上占據絕對優勢，發文量數值最高，達到了2 448篇，遠超其他國家，顯示了中國在農業大數據獲取領域的廣泛研究和豐富成果。美國發文量僅次于中國，位居第二，保持在較高水平，表明美國在農業科技領域的研究也十分活躍，產出了大量的科研成果。其他國家的發文量數量較少，與中美兩國相比存在數量級的差距。在CNCI值這一衡量國家科技論文在國際上影響力的相對指標上，瑞士排名最高，其次是荷蘭，表明這兩個國家的論文，雖然數量少但在國際上具有較高的影響力。在高被引論文量這一衡量國家研究成果質量的重要指標上，中國占據首位，美國和印度分列第二和第三，表明這三個國家的科研成果在國際上具有較高的學術質量，受到了國際學術界的廣泛關注和引用。

綜上所述，中國、美國、英國在農業大數據獲取領域的研究競爭力和成果產出上表現相對出色，中國在學術影響力上仍有提升空間。英國在各指標上表現都相對均衡。

7.2.2 "機構競爭力分析

農業大數據獲取領域論文的機構綜合評估結果顯示，中國科學院、國際農業研究磋商組織和中國農業科學院在該領域內表現尤為突出，分別占據機構排名的前三，顯示出這三家機構農業大數據獲取領域的卓越表現和強大實力。在前十名機構中，有7家機構來自中國和美國，其中中國有4家機構，美國有3家機構，凸顯了這兩個國家在農業大數據獲取領域研究的顯著地位與活躍程度（表7）。

進一步細化分析發現，在論文產出量二級指標上，中國科學院與中國農業科學院位列前兩名，充分證明了它們在農業大數據獲取領域的科研活躍度與高產出能力。國際農業研究磋商組織在論文產出力上位列第三。在被引頻次這一衡量學術影響力的指標上，前三的機構分別為中國科學院、國際農業研究磋商組織和荷蘭的瓦格寧根大學。這一排名不僅彰顯了這三家機構在農業大數據獲取領域的深厚積淀和廣泛認可，也體現了它們在推動該領域知識傳播與學術交流方面的重要作用。同時，中國農業科學院以第四名的成績緊隨其后，表明其在論文影響力方面也取得了較好成效。在高被引論文量這一反映論文質量的二級指標上，荷蘭的瓦格寧根大學位列第一，中國科學院和國際農業研究磋商組織并列第二名。這一結果說明這三家機構在農業大數據獲取領域的科研成果具有高度創新性和影響力，具有極高的學術價值。中國農業科學院則以第六名的成績展現了其在提升論文質量方面所做的努力。

綜上所述，中國科學院、國際農業研究磋商組織以及中國農業科學院在農業大數據獲取領域展現出了強大的科研實力與廣泛的影響力。

7.3 "農業大數據分析領域競爭力分析

7.3.1 "國家競爭力分析

農業大數據分析領域國家科技論文競爭力統計結果顯示，中國在該領域的科技論文競爭力排名第一，隨后是美國和澳大利亞。其中中國在發文量和高被引論文量分別為1"526篇和45篇，兩個二級指標的排名均穩居全球第一，反映了我國在該領域研究規模的龐大與活躍。盡管中國在發文量和高被引論文量上表現出色，但CNCI值僅為1.07，排名第九，這在一定程度上揭示了我國在學術影響力和學科規范化方面仍有待提升的空間（表8）。

緊隨中國之后的是美國，其在農業大數據分析領域科技論文競爭力方面同樣表現出色。美國的發文量和高被引論文量雖略低于中國，但CNCI值達到1.34，排名第七，顯示出其研究在學術影響力和學科規范化方面的較高水準。美國的科研實力與創新能力一直備受矚目，其在農業大數據分析領域的卓越表現也再次印證了其全球科技強國的地位。

澳大利亞整體競爭力排名第三，其學科規范化影響力更是高居榜首，CNCI值達到2.04，顯示出該國在農業大數據分析領域研究方面的高度規范化。盡管澳大利亞在發文量和高被引論文量上排名第六，但其卓越的學術影響力和學科規范化能力無疑為其在農業大數據分析領域的競爭力增添了重要砝碼。

農業大數據分析領域的國家科技論文競爭力呈現出多元化、差異化的競爭格局。中國以絕對優勢領跑全球，但在學術影響力和學科規范化方面仍需努力；美國與澳大利亞則分別以科研實力和學術規范化見長，展現出各自獨特的競爭優勢。

7.3.2 "機構競爭力分析

農業大數據分析領域機構論文競爭力的評估結果顯示，在前十名機構中，中國有3家機構，美國有2家機構。中國科學院在農業大數據分析領域表現尤為突出，不僅在論文產出數量上占據優勢，而且論文質量高，具有極高的學術價值與影響力。中國科學院的發文量達到194篇，共被引用4 599次，其中高被引論文5篇，這些數據充分展示了其在該領域的領先地位（表9）。

中國農業科學院科技論文競爭力整體排名第二，發論文量為126篇，被引頻次2 237次，高被引論文2篇。盡管與中國科學院存在一定差距，但中國農業科學院在農業大數據分析領域的研究實力依然不容小覷。

美國農業部在評估中排名第三，展現出美國在農業大數據分析領域的強大科研實力。而越南孫德勝大學和美國加利福尼亞大學分別位列第四和第五，其中加利福尼亞大學與中國農業大學在三個二級指標上的數值相當，顯示出兩家機構在該領域的競爭實力旗鼓相當。

從機構科技論文競爭力的二級指標來看，中國科學院在發文量、被引頻次和高被引論文數三個方面均排名第一，顯示出其在農業大數據分析領域的全面領先地位。中國農業科學院在三個指標上也表現出較強的實力，但與中國科學院相比仍存在一定差距。加利福尼亞大學和中國農業大學在二級指標上的表現相當，說明這兩家機構在農業大數據分析領域的研究實力和影響力較為接近。

綜上所述，中國科學院、中國農業科學院以及美國農業部在農業大數據分析領域展現出了強大的科研實力與廣泛的影響力。

7.4 "農業大數據應用領域競爭力分析

7.4.1 "國家競爭力分析

農業大數據應用領域論文的國家綜合評估結果顯示，中國穩居榜首，顯示了中國在農業大數據應用領域的強勁實力。美國緊隨其后，位列第二。其他國家的得分相對較低，但仍有各自的特色和優勢（表10）。

進一步的深入分析顯示，在國家論文產出量的二級指標中，中國在發文量上占據了絕對優勢，發文總數達到2，780篇，遠遠超過其他國家。這一數據不僅反映了中國在農業大數據應用領域的廣泛研究和豐碩成果，也表明了其在該領域的科研投入力度以及研究的深度和廣度。美國的發文量緊隨其后，位列第二，保持在較高的水平，這表明美國在農業科技研究方面同樣活躍，貢獻了大量科研成果。相比之下，其他國家的發文量相對較少，與中美兩國之間存在顯著的數量級差異。在CNCI值這一衡量國家科技論文國際影響力的相對指標中，荷蘭的排名最高，緊隨其后的是澳大利亞。這表明盡管這兩個國家的論文數量較少，但在國際上擁有較高的影響力。在另一項衡量國家研究成果質量的重要指標高被引論文數方面，中國位居首位，而美國和印度則分別位列第二和第三。這三個國家的科研成果在國際學術界受到廣泛關注與引用，展現了較高的學術質量。

綜上所述，中國、美國、印度在農業大數據應用領域的研究競爭力和成果產出上表現相對出色，中國和印度在學術影響力上仍有提升空間。

7.4.2 "機構競爭力分析

機構論文競爭力是綜合考慮發文量、被引頻次和高被引論文量三個因素的重要指標，用以評估科研機構的整體科研實力。在農業大數據應用領域的綜合評估中，國際農業研究磋商組織、中國科學院和瓦格寧根大學表現尤為突出，分別位列機構排名的前三名，體現了這三家機構在該領域的卓越表現和強大實力。中國農業科學院則以第四名的成績緊隨其后。在前十名的機構中，中國有四家機構，美國則擁有三家，這突顯了兩國在農業大數據應用領域研究的顯著地位和活躍程度（表11）。

進一步的細致分析表明，在論文產出量的二級指標中，中國農業科學院、國際農業研究磋商組織和中國科學院分別位列前三，這充分反映了它們在農業大數據應用領域的科研活躍度和高產出能力。美國農業部則位居第四，顯示出其在論文產出方面的實力。在被引頻次這一衡量學術影響力的指標中，國際農業研究磋商組織、瓦格寧根大學和中國科學院名列前三。這一排名不僅突顯了這三家機構在農業大數據應用領域的深厚積累和廣泛認同，同時也展示了它們在推動該領域知識傳播與學術交流中所扮演的重要角色。中國農業科學院以第四名的成績緊隨其后，進一步表明其在論文影響力方面取得了顯著成效。另外，在高被引論文量這一反映論文質量的二級指標上，荷蘭的瓦格寧根大學位列第一，國際農業研究磋商組織和中國科學院分別排在第二和第三。這表明這三家機構在農業大數據應用領域的科研成果具備高度的創新性和影響力，展現出極高的學術價值。中國農業科學院同樣以第四名的成績，彰顯了其在提升論文質量方面所做出的努力。

綜上所述，國際農業研究磋商組織、中國科學院、瓦格寧根大學以及中國農業科學院在農業大數據應用領域展現出了強大的科研實力與廣泛的影響力。

8 "總結與展望

8.1 "總結

隨著信息技術的迅猛發展，農業大數據研究已成為推動現代農業轉型升級的重要驅動力。報告通過文獻計量分析和專家咨詢，系統梳理了農業大數據研究的定義、領域劃分、20余年發展歷程，深入剖析了近5年的研究熱點主題布局與演化趨勢，并遴選分析了重點研究前沿。通過對所采集的多元化數據進行深入分析，揭示了農業大數據研究在獲取、分析及密集型應用等各領域的發展現狀與趨勢。

首先，從學科分布來看，農業大數據研究呈現出多學科交叉融合的特點，涵蓋信息科學、農業科學、環境科學等多個領域。在研究發展趨勢方面，農業大數據研究經歷了萌芽和成長兩個階段。目前，研究重點主要集中在數據獲取、數據分析和密集型應用3個領域。在農業大數據獲取領域，遙感技術、物聯網設備和無人機等新興技術的應用顯著提升了農業數據的采集效率與精度。數據來源的多樣化為后續的數據分析提供了豐富的基礎。在農業大數據分析領域，機器學習、深度學習等人工智能技術的引入，使得對農業數據的處理和解析能力大幅增強，促進了精準農業、智能決策支持系統的快速發展。同時，數據融合與多源數據集成技術的進步，為復雜農業問題的解決提供了新的思路。在農業大數據應用領域，智能種植、精準施肥、病蟲害預測與防控、基因組精準育種等應用場景得到了廣泛關注和深入研究。這些應用不僅提高了農業生產的效率和效益，還推動了農業生產方式的智能化和可持續發展。

通過主題聚類和演化分析發現，各領域研究主題呈現出從技術導向向應用導向轉變的趨勢。新興交叉主題不斷涌現，如遙感與機器學習的結合、大數據與區塊鏈的融合等。同時，報告識別出農業大數據研究的19個熱點前沿，如智能感知與精準監測技術在農業中的創新應用、農業大數據驅動的智能農業技術深度融合與應用以及高通量作物表型組學與精準育種技術等，并對其中3個研究前沿進行了重點分析。這些研究前沿不僅拓展了農業大數據的應用范圍，也為未來的研究指明了方向。

此外，報告通過構建農業大數據研究競爭力指標體系，評估了各國家和機構農業大數據研究的科研競爭力。結果顯示，中國在農業大數據研究方面具備較強的科研實力，科研成果產出穩步增長，國際合作與交流日益頻繁，整體競爭力持續提升。

8.2 "展望

隨著科技發展和農業大數據研究的不斷深入，未來的農業大數據研究將向著“兩個融合，一個拓展”的方向發展，即更加注重數據融合、技術融合以及應用場景拓展，以應對日益復雜的農業應用挑戰。

一方面，開展多源數據融合與綜合分析，整合遙感數據、氣象數據、土壤數據、作物生長數據等多種類型的數據，開展綜合性的多尺度、多層次分析，以揭示農業生產過程中復雜的因果關系和動態變化規律，可以為農業管理與決策提供科學依據。具體來看，在技術突破方向上，如何處理海量數據，提高數據的時空分辨率和質量成為緊迫的研究問題。因此，需要建立能夠處理多尺度、多層次數據的模型和算法，以支持精細化的農業分析和預測。需要開發多源異構數據的融合處理技術，解決不同來源、格式、分辨率和質量的數據整合難題，提高數據處理的效率和準確性。

一方面，繼續加深人工智能與大數據技術的深度融合，進一步推動機器學習、深度學習等先進算法在農業生產過程中的落地應用，提升對復雜農業系統的建模與預測能力，將推進農業生產向更加智能化、精準化和可持續化方向發展。同時，開發適用于農業場景的智能算法，為農戶提供精準的生產建議，優化資源配置，提升農業生產效率和可持續性，將推動精準農業和智能決策支持系統的發展。具體來看，農業數據稀疏性和不平衡性成為亟待解決的問題。這就要求開發能夠處理噪聲和異常值的魯棒模型；建立透明可信的人工智能系統，以增強用戶對智能決策的信任度；研制適應農業復雜性和多樣性的人工智能算法，提升模型的泛化能力和可解釋性，確保算法在不同作物、區域和環境條件下的適用性。

另一方面，逐步加強應用場景拓展，加強農業大數據研究在實際生產中多場景、多維度的應用推廣，提升農業大數據研究的綜合效益。通過示范項目和應用案例，驗證和優化大數據解決方案，提升農民和農業企業對大數據技術的認知與接受度，促進技術成果的產業化與市場化。具體來看，如何縮小研究與實踐之間的鴻溝成為當前的主要研究矛盾。因此，未來可以從提升技術的可操作性和用戶體驗；提供全面的培訓和支持，幫助用戶有效地采用和利用新技術；構建可擴展、用戶友好的農業大數據平臺和工具，滿足不同規模和類型農業生產者的需求，促進技術在基層的落地應用等方面進行技術提升。

作者貢獻

以下作者參與報告研制，孫巍、吳蕾為通信作者。

張學福：報告總體設計及內容審核。

孫?。簣蟾婵蚣茉O計，分析方法確定，組織農業大數據研究領域熱點前沿遴選，熱點前沿主題計量與分析。

王?。簣蟾婵蚣茉O計及內容審核。

吳蕾：農業大數據研究主題演化分析、前沿熱點主題分析相關章節撰寫。

田儒雅、王紅彥、丁倩、馬曉敏：農業大數據研究全球競爭力分析及相關章節撰寫。

馬曉敏：報告分析數據集構建。

參考文獻

[1] MANYIKA J， CHUI M， BROWN B， et al. Big data： The next frontier for innovation， competition， and productivity. 2011.

[2] WOLFERT S， GE L， VERDOUW C， et al. Big Data in Smart Farming-A review[J].Agricultural Systems， 2017， 153：69-80."DOI：10.1016/j.agsy.2017. 01.023.

[3] El-KISHKY A， SONG Y L， WANG C， et al. Scalable Topical Phrase Mining from Text Corpora[J]. Proceedings of the VLDB Endowment， 2014， 8（3）： 305-316.

[4] KAMILARIS A， KARTAKOULLIS A， PRENAFETA-BOLDú F. A review on the practice of big data analysis in agriculture[J]. Computers"and Electronics in Agriculture，"2017，143：23-37. DOI：10.1016/j.compag.2017.09.037.

[5] MAYAGOPAL"P S，"CHINTALA B. Big Data Challenges and Opportunities in Agriculture[J]. International Journal of Agricultural and Environmental Information Systems，"2020，11：48-66. DOI：10.4018/ijaeis.2020010103.

[6] SHARMA R P，"RAMESH D，"PAL P， et al."IoT enabled IEEE 802.15.4 WSN monitoring infrastructure driven Fuzzy-logic based Crop pest prediction[J]."IEEE Internet of Things Journal， 2021，（99）：1-1."DOI：10.1109/JIOT.2021.3094198.

[7] CHEN W L，"LIN Y B，"NG F L， et al."RiceTalk： Rice Blast Detection Using Internet of Things and Artificial Intelligence Technologies[J]."IEEE Internet of Things Journal，2020，"7（2）：1001-1010."DOI：10.1109/JIOT.2019.2947624.

[8] MYSTKOWSKI A，"WOLNIAKOWSKI A，"IDZKOWSKI A， et al."Measurement and diagnostic system for detecting and classifying faults in the rotary hay tedder using multilayer perceptron neural networks[J]."Engineering Applications of Artificial Intelligence， 2024，"133."DOI：10.1016/j.engappai."2024.108513.

[9] D'ANDRIMONT R， CLAVERIE M，"KEMPENEERS P， et al. AI4Boundaries： an open AI-ready dataset to map field boundaries with Sentinel-2 and aerial photography[J]. Earth System Science Data.15， 2023（1）：317-329."DOI：10.5194/essd-15-317-2023.

[10] PATRIK A，"UTAMA G，"GUNAWAN A A S， et al."GNSS-based navigation systems of autonomous drone for delivering items[J]."Journal of Big Data，"2019，"6（1）."DOI：10.1186/s40537-019-0214-3.

[11] JANNEH"L L，"ZHANG"Y，"CUI"Z，"et al. Multi-level feature re-weighted fusion for the semantic segmentation of crops and weeds[J]. Journal of King Saud University - Computer and Information Sciences. 2023， 35（6）：101545. DOI：10.1016/j.jksuci.2023.03.023.

[12] CHAVES"M E D，"PICOLI M C A，"SANCHES I."Recent Applications of Landsat 8/OLI and Sentinel-2/MSI for Land Use and Land Cover Mapping： A Systematic Review[J].Remote Sensing， 2020，"12：3062."DOI：10.3390/rs12183062.

[13] ACOSTA-ALBA I，"CHIA E，"ANDRIEU N."The LCA4CSA framework： Using life cycle assessment to strengthen environmental sustainability analysis of climate smart agriculture options at farm and crop system levels[J].Agricultural Systems，"2019，"171：155-170."DOI：10.1016/j.agsy.2019.02.001.

[14] MIAO"B-B， DONG"W， GU"Y-X. OmicsSuite：a customized and pipelined suite for analysis and visualization of multi-omics big data[J]. 2023，10（11）：69-82. DOI：10.1093/hr/uhad195.

[15] HUANG M，"LIU X，"ZHOU Y， et al."BLINK： A package for the next level of genome-wide association studies with both individuals and markers in the millions[J]."GigaScience，"2018."DOI：10.1093/gigascience/giy154.

[16] NEETHIRAJAN S，"KEMP B. Digital Phenotyping in Livestock Farming[J]. Animals （Basel），"2021，75;11（7）：2009. DOI： 10.3390/ani11072009.

[17] JOSHI"A，"GUEVARA"D，"EARLES"M. Standardizing and centralizing datasets for efficient training of agricultural deep learning models[J]. Plant Phenomics，2023，5：0084."DOI：10.34133/plantphenomics.0084.

[18] COTTER M，"ASCH F，"ABERA B B， et al."Creating the data basis to adapt agricultural decision support tools to new environments，"land management and climate change—A case study of the RiceAdvice App[J].Journal of Agronomy and Crop Science，"2020，"206（4）：423-432."DOI：10.1111/jac.12421.

[19] LAMBERT J P T，"CHILDS D Z，"FRECKLETON R P."Testing the ability of Unmanned Aerial Systems and machine learning to map weeds at subfield scales： a test with the weed"Alopecurus myosuroides"（Huds）[J]."Pest Management Science，"2019."DOI：10.1002/ps.5444.

[20] ALLARD D W，"HENDRIK B，"DAVIDE F， et al."25 years of the WOFOST cropping systems model[J].Agricultural Systems，"2018，"168："S0308521X17310107."DOI：10.1016/j.agsy.2018.06.018.

[21] LEAL FILHO W，"WALL T，"RUI MUCOVA S A， et al."Deploying artificial intelligence for climate change adaptation[J].Technological Forecasting and Social Change，"2022，"180.

[22] HURTT G C，"CHINI L，"SAHAJPAL R， et al."Harmonization of global land use change and management for the period 850-2100 （LUH2） for CMIP6[J]."Geoscientific Model Development，"2020（13）：5425–5464. DOI：10.5194/gmd-13-5425-2020.

[23] DePAIVA，"Isaias AntonioRita，"Yohanne Larissa"Cavalieri-Polizeli，"Karina Maria."Knowledge and use of visual soil structure assessment methods in Brazil - A survey[J]."Soil amp; Tillage Research，"2020，"204：104704."DOI：10.1016/j.still.2020.104704.

[24] MAHAFFEE W"F. Catching Spores： Linking Epidemiology， Pathogen Biology， and Physics to Ground-Based Airborne Inoculum Monitoring[J]. Plant Disease，"2023，107（1）：13-33. DOI：10.1094/PDIS-11-21-2570-FE.

[25] HARFOUCHE A L，"JACOBSON D A，"KAINER D， et al."Accelerating Climate Resilient Plant Breeding by Applying Next-Generation Artificial Intelligence[J]."Trends in Biotechnology，"2019，"37（11）：1217-1235."DOI：10.1016/j.tibtech.2019.05.007.

[26] ZHU C，"YU H，"LI J Q."Deep learning‐based association analysis of root image data and cucumber yield[J].The Plant Journal，"2024，"118（3）：696-716."DOI：10.1111/tpj.16627.

[27] PINOSIO S，"MARRONI F，"ZUCCOLO A，"et al. A draft genome of sweet cherry （Prunus avium"L.） reveals genome-wide and local effects of domestication[J]. The Plant Journal，"2020， 103： 1420-1432. DOI：10.1111/tpj.14809

[28] LOPEZ-CRUZ M，"AGUATE F M，"WASHBURN J D，"et al. Leveraging data from the genomes-to-fields initiative to investigate genotype-by-environment interactions in maize in north america[J]. Nature Communications，"2023，14（1），"6904. DOI：10.1038/s41467-023-42687-4.

引用格式：中國農業科學院農業信息研究所.農業大數據研究進展（2024）[J]."農業大數據學報，2023，6（4）：433-468. DOI： 10.19788/j.issn.2096-6369."200004.

CITATION："Agricultural Information Institute of CAAS. Progress of Agricultural Big Data Research （2024）[J]. Journal of Agricultural Big Data，2024，6（4）： 433-468.DOI： 10.19788/j.issn.2096-6369.200004.