ACM CMUR | 空天地一体化人工智能赋能农产品系统: 进展, 机遇与挑战综述

题目：Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities论文：https://dl.acm.org/doi/10.1145/3698589项目：https://github.com/Frenkie14/Agrifood-Surv

程序员笑武

1322人浏览 · 2025-03-07 20:28:48

程序员笑武 · 2025-03-07 20:28:48 发布

论文介绍

题目：Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities

论文：https://dl.acm.org/doi/10.1145/3698589

项目：https://github.com/Frenkie14/Agrifood-Survey

背景

随着全球人口增长，粮食短缺问题日益严峻，需要更智能、高效和可持续的农产品系统。
人工智能已在计算机视觉、遥感、自然语言处理等多个领域取得突破，并逐步应用于农产品系统，如农作物分类、生长监测、产量预测和质量评估。
但AI在农产品系统的整体影响仍不清晰，需要系统性回顾和总结。

数据

在农产品系统中，高质量的数据对于 AI 模型的训练、分析和预测至关重要。本节详细介绍了数据来源、数据存储及处理的主要方法。

数据来源（Data Sources）

农产品系统的数据主要来自遥感（Remote Sensing, RS）、无人机（UAV）、地面传感器（Onsite Devices）以及实验室（Laboratory Conditions）等多个来源。

1. 卫星遥感（Satellite Remote Sensing）

特点：
提供大尺度、多时相、多光谱的遥感数据，适用于农产品系统的大范围监测。
可用于作物分类、产量预测、病害检测、土壤湿度监测等任务。
数据源主要分为光学遥感（Optical RS）和合成孔径雷达（SAR）。
主要卫星及传感器：
光学遥感 vs SAR（Synthetic Aperture Radar）
光学遥感（MODIS, Sentinel-2, Landsat）：提供高光谱、多光谱数据，但受天气影响大（如云层覆盖）。
SAR 遥感（Sentinel-1）：可以穿透云层，全天候获取土壤湿度、作物生长信息，适用于水分监测。

2. 无人机（Unmanned Aerial Vehicles, UAVs）

特点：
超高空间分辨率（厘米级别），适用于精细化农业管理。
灵活部署，可低成本、高频次地采集数据，不受云层遮挡。
可搭载RGB、多光谱、热红外、激光雷达（LiDAR）等多种传感器，提供多模态数据。
典型应用：
作物分类（RGB + 多光谱）
土壤湿度监测（热红外 + LiDAR）
病害检测（RGB + 高光谱）
产量估算（NDVI + 3D 建模）
示例研究：
Pang et al. (2020)：结合 RGB 和多光谱 UAV 数据，提高玉米品种的早期估算精度。
Oliveira et al. (2021)：结合 RGB 和高光谱 UAV 数据，分析牧草的产量和质量。

3. 机载影像（Manned Aircraft）

特点：
介于卫星和无人机之间，适用于中等尺度（省级/国家级）农业监测。
机载传感器分辨率高于卫星，覆盖范围大于 UAV。
在一些研究中，机载影像优于 UAV 数据，特别是在作物分类方面。
示例研究：Mattupalli et al. (2022)：对比 UAV 和机载影像，在农作物分类中，机载影像在多个类别上表现更优。

4. 现场设备（Onsite Devices）

设备：地面高光谱仪、手持光谱仪、手持 GPS、多光谱/热成像相机、数码相机。
用途：用于作物生长监测、病害检测、产量估算。
示例：Hasan et al. (2021) 用 RGB 相机估算小麦产量，Hu et al. (2021) 拍摄小麦 canopy 影像进行品种选择。

5. 其他传感器（Other Sensors）

设备：TDR（监测土壤水分）、RSX-1 伽马射线探测器（测量土壤辐射）。
特点：数据精准，适用于 AI 训练，但成本高、覆盖范围有。

6. 实验室（Laboratory Conditions）

特点：某些数据无法通过实地测量或遥感获取，实验室分析提供高精度数据作为参考值。
用途：测定土壤有机质、作物叶片氮含量、作物干重等指标。

数据存储与处理（Data Storage and Processing）

数据存储

政府开放数据：GEE、USGS、ESA。
商用数据库：PlanetScope（高分）、QuickBird/WorldView（收费）。
本地存储：UAV 影像和实验室数据通常存于本地磁盘，数据量大时需用云存储或数据库。

数据预处理

光学影像：
辐射校正：转换为反射率。
大气校正：去除云、气溶胶影响。
几何校正：确保地理对齐。
影像镶嵌：合并大范围影像。
SAR 影像：
去噪：去除斑点噪声。
极化分析：利用 HH、HV、VV 进行土壤湿度分析。
无人机影像：
正射纠正：矫正地理误差。
影像拼接：合并 UAV 影像。

方法

传统机器学习方法（Traditional Machine Learning Methods）

主要方法：KNN、决策树（DT）、高斯过程回归（GPR）、SVM、随机森林（RF）、XGBoost 等。
主要应用：
作物分类：使用 DT、SVM 和梯度提升决策树（GBDT）识别不同作物（如咖啡、小麦、玉米、水稻等）。
预测任务：线性回归（LR）、最小二乘法（OLS）、KNN 用于土壤湿度监测、产量预测、生物量估算。
畜牧业：用于牧场监测、疾病检测。
渔业：用于渔场识别、产量预测。

深度学习方法（Deep Learning Methods）

近年来，由于计算能力提升和数据规模增长，DL 在农业领域广泛应用，主要方法包括：
CNN：用于作物分类。
3D CNN、LSTM：用于时间序列任务，如作物产量预测、动物位置追踪。
ViT（视觉 Transformer）：用于作物分类、杂草检测。
任务类型：
分类（Classification）：预测作物种类。
分割（Segmentation）：像素级分类（如田间作物识别）。
目标检测（Detection）：定位目标物体（如病害叶片）。
跟踪（Tracking）：预测目标移动轨迹（如牲畜跟踪）。

模型评估（Model Evaluation）

AI 方法在农业分类任务中的准确率（Overall Accuracy, OA）和 Kappa 系数通常高于传统方法。
例如，在 WHU-Hi 数据集上的 AI 模型准确率可达 90% 以上。
预训练大模型比传统方法更适应新场景，且 AI 方法减少了人工标注的需求。

应用

1 农产品分类（Agrifood Classification）

遥感（RS）技术广泛应用于农业监测，主要包括：
耕地识别（Cropland Recognition）：检测所有耕地。
多类别分类（Multi-type Classification）：识别具体作物类型。
单类别识别（Single-type Identification）：识别特定目标作物。
早期方法依赖于植被指数（NDVI、EVI），但阈值设定易受主观影响。
传统 ML（如 DT、MLP）方法提升了分类能力，但计算效率有限。
近年来，DL 方法（如 CNN、LSTM）提高了分类精度。

2 农产品生长监测（Agrifood Growth Monitoring）

农业食品生长监测包括多个子任务，涵盖土壤环境监测、作物生长监测、杂草监测、病虫害防治等。

（1）土壤环境监测（Soil Environment Monitoring）

关键因素：土壤水分、土壤有机质（SOM）、阳离子交换容量（CEC）、pH 值等。
传统方法：基于地面测量或实验室分析，成本高，覆盖范围有限。
AI 方法：
遥感+ 物理模型：通过辐射传输模型计算土壤水分。
统计 ML 方法：利用光谱数据与植被指数（如 NDVI）回归预测土壤参数

（2）作物生长监测（Crop Growth Monitoring）

关键因素：氮（N）、磷（P）、钾（K）等营养元素，植被指数（NDVI、EVI）。
传统方法：依赖人工采样和统计分析，主观性强。
AI 方法：
机器学习：使用 RF、SVM 等模型基于高光谱影像估算作物健康状况。
深度学习：LSTM 结合时间序列遥感数据进行动态监测

（3）杂草监测（Weed Monitoring）

挑战：作物与杂草光谱特征相似，传统植被指数方法误检率高。
AI 方法：
UAV 影像 + DL：CNN、ViT 进行作物与杂草分类。
半监督学习：结合 Hough 变换等方法，提高分类精度

（4）病虫害防治（Pest and Disease Prevention）

传统方法：依赖农学专家经验，难以大规模推广。
AI 方法：高光谱数据 + ML：SVM、KNN 识别病害植被。

3. 产量预测（Yield Prediction）

传统方法：
统计模型，如 OLS、PLSR。
机器学习模型，如 RF、XGBoost。
深度学习方法：
LSTM 结合时空数据预测作物产量。
Transformer 模型可用于大规模作物产量估算。

4. 农产品质量评估（Agrifood Quality Assessment）

目标：评估作物质量并分级。
方法：
ML 方法：SVM 结合多特征分类（Mahendra et al., 2024）。
DL 方法：CNN 进行水果质量分级，优于传统方法（Sustika et al., 2024）。
光谱分析：FTIR 结合 PCA 评估挥发性化合物（Dong et al., 2024）。

5. 牲畜监测（Animal Husbandry Monitoring）

AI 可用于：
牧草质量评估（多光谱遥感）。
动物健康状况监测（热成像、声音分析）。
牲畜运动轨迹跟踪（LSTM、目标检测）。
近年，AI 技术已用于预测畜牧养殖疾病，并优化饲料管理。

6. 渔业应用（Fishery Applications）

传统方法：基于历史数据预测渔获量。
AI 方法：
计算机视觉：使用 CNN 识别鱼类种类。
遥感结合 DL：分析海洋温度、叶绿素浓度等，优化渔场位置选择。

机遇与展望

1 基础模型（Foundation Models）

大规模预训练：基础模型能在农产品系统减少数据标注需求，提高泛化能力。
多模态方法：结合卫星、无人机和地面数据，提高作物产量预测和牧场监测精度。
多任务网络：可统一检测、分割等任务，降低部署成本。
跨领域模型：用于气候预测、病害检测、育种优化。

2 可信 AI（Trustworthy AI）

安全与可追溯性：区块链和智能传感器提升食品安全与供应链管理。
可解释 AI：提升 AI 透明度，增强用户信任。
鲁棒性：提高 AI 在不同环境下的适应能力，减少数据偏差影响。
可持续性：优化能源管理，减少农业生产的碳排放。

3 AIoT 重塑农产品系统（AIoT in Agrifood Systems）

智能物联网（AIoT）结合云、雾、边缘计算，提高数据分析效率。
实时监测：AIoT 设备可实时追踪作物和牲畜健康状况。
反馈闭环：云端大模型优化边缘计算，提高农业智能决策能力。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述