无人农场是智慧农业的一种表现形式，也是建设农业强国和实现农业现代化的重要探索。无人农场以数据、知识和智能装备为核心要素，将现代信息技术与农业深度融合，实现农业全过程生产所需的信息感知、定量决策、智能控制、精准投入及个性化服务一体化。本文系统地阐述了大田无人农场的概念与总体技术架构，讨论了信息感知与智能决策、精准作业系统与装备、自动驾驶、无人化农机装备以及无人农场管控平台等五项大田无人农场的关键技术与装备，深入分析了发展中国大田无人农场亟待解决的关键科学与技术问题。以吉林省公主岭市玉米无人农场为例介绍了物联网、大数据、云计算以及人工智能等技术在玉米全程无人化生产中的具体应用及效果。最后，展望了无人农场在解决全球农业生产面临的“无人种田”等共性问题中发挥的重要作用，分析了中国发展无人农场存在的机遇和挑战，提出了中国发展无人农场的战略目标与思路。

大田作物智慧种植业是智慧农业的重要内容。本文通过分析智慧农业发展历程，明确了大田作物智慧种植业发展战略总体目标和重点任务，凝练出关键技术，有针对性地提出适宜中国区域特征的发展模式。大田作物智慧种植的关键技术面临的主要挑战有：缺乏原位精准测量技术与农业专用传感器，作物模拟模型与实际生产有较大差别，信息传输技术的实时性、可靠性、通用性和稳定性有待改进，智能农业装备还需要进一步解决好农机/农艺相结合问题。在以上分析基础上，提出了大田作物智慧种植关键技术的5个一级技术以及相应的18个二级技术。5个一级技术包括环境与生物信息感知技术、信息移动互联与农业物联网技术、云计算与云服务技术、大数据分析与决策技术、智能农机装备与农业机器人技术。根据中国种植业区域特色提出了相应的6种智慧农业发展区，即东北与内蒙古规模化智慧生产发展区，京津冀鲁智慧都市农业与节水农业发展区，西北旱区棉花规模化智慧种植和旱作智慧农业绿色发展综合试验区，东南沿海循环型水稻智慧种植业综合发展试验区，长江中下游平原智慧粮油优化发展区，以及西南山区智慧特色农业发展区。最后从基础设施建设、技术、人才和政策角度给出了发展建议。

饲草作物生长的动态监测与定量估算对于饲草规模化生产具有重要意义。无人机遥感分辨率高、灵活性强、成本低，近年来在饲草作物生长监测领域发展迅速，应用场景不断拓展。为了掌握无人机在饲草监测的国内外应用现状，确定重点发展方向，本文首先从数据获取、数据处理和饲草作物生长监测关键技术三个方面简述了无人机遥感在饲草作物监测中的基本研究方法。其次按照传感器类型从可见光、多光谱、高光谱、热红外和激光雷达遥感五个方面阐述了无人机遥感饲草作物生长监测的应用现状。最后针对研究应用中尚未解决的关键技术问题展望了未来的发展方向，提出融合饲草作物时空尺度数据和多源遥感数据、进一步拓展数据获取手段、研发智能化数据分析综合平台是未来饲草作物监测领域应用创新的关键所在。

为快速准确获取玉米收获过程中遗失籽粒数信息，进行收割损失调节等管理，对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先，利用RGB相机获取包含不同背景和不同光照的图像数据，并进一步生成数据集；其次，构建籽粒识别的不同目标检测网络，包括Mask R-CNN、EfficientDet-D5、YOLOv5-L、YOLOX-L，并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试，图像数分别为200、40和180幅；最后，依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明，YOLOv5-L网络对测试集图像检测的平均精度为78.3%，模型尺寸仅为89.3 MB；籽粒计数的检测正确率、漏检率和F₁值分别为90.7%、9.3%和91.1%，处理速度为55.55 f/s，识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络，并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测，精度高、适用性强。

土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素，进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况，以黄河三角洲典型区域为研究区，获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量，通过优选敏感光谱参量，使用偏最小二乘回归（Partial Least Squares Regression，PLSR）和随机森林（Random Forest，RF）两种机器学习算法建立土壤盐分含量反演模型，实现研究区的土壤盐分含量反演。结果表明：（1）高光谱1972 nm波段与土壤盐分含量间的敏感性最高，相关系数为-0.31。（2）两种不同数据源优化后的RF模型均优于PLSR，且稳定性更好。（3）基于地物高光谱的RF模型（R² =0.54，RMSEv＝3.30 g/kg）优于基于无人机多光谱的RF模型（R² =0.54，验证RMSRv＝3.35 g/kg）。（4）结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演，研究区总体以轻、中度盐渍化土壤为主，对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型，并结合各自数据源的优势进行优化，探索了地表无植被覆盖情况下的土壤盐分含量反演方法，对更精准反演土地盐渍化程度提供了参考。

苎麻是重要的纤维作物之一，由于土地资源紧缺及优良品种的推广应用等原因，苎麻遗传变异和遗传多样性减少，对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测，实现作物种质资源调查，筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价，辅助筛选优势苎麻品种，本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先，基于无人机遥感影像，利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model，DSM）和正射影像；然后，对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高，基于正射图像采用目标检测算法提取苎麻株数，采用机器学习方法估测苎麻叶面积指数（Leaf Area Index，LAI）、叶片叶绿素含量（SPAD值）、含水量；最后，根据提取的各项遥感表型参数，采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明，（1）基于无人机遥感的苎麻表型估测效果较好，株高的拟合精度为0.93，均方根误差为5.65 cm；SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74，RMSE分别为2.03、2.21、0.63；（2）苎麻种质资源的遥感表型存在较大差异，LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%；（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值），因子1可用于苎麻种质资源结构特征评价，因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。

毛桃等果实的准确检测是实现机械化、智能化农艺管理的必要前提。然而，由于光照不均和严重遮挡，在果园中实现毛桃，尤其是套袋毛桃的检测一直面临着挑战。本研究基于改进YOLOv5s和多模态视觉数据提出了面向机械化采摘的毛桃多分类准确检测。具体地，构建了一个多类标签的裸桃和套袋毛桃的RGB-D数据集，包括4127组由消费级RGB-D相机获取的像素对齐的彩色、深度和红外图像。随后，通过引入方向感知和位置敏感的注意力机制，提出了改进的轻量级YOLOv5s（小深度）模型，该模型可以沿一个空间方向捕捉长距离依赖，并沿另一个空间方向保留准确的位置信息，提高毛桃检测精度。同时，通过将卷积操作分解为深度方向的卷积与宽度、高度方向的卷积，使用深度可分离卷积在保持模型检测准确性的同时减少模型的计算量、训练和推理时间。实验结果表明，使用多模态视觉数据的改进YOLOv5s模型在复杂光照和严重遮挡环境下，对裸桃和套袋毛桃的平均精度（Mean Average Precision，mAP）分别为98.6%和88.9%，比仅使用RGB图像提高了5.3%和16.5%，比YOLOv5s提高了2.8%和6.2%。在套袋毛桃检测方面，改进YOLOv5s的mAP比YOLOX-Nano、PP-YOLO-Tiny和EfficientDet-D0分别提升了16.3%、8.1%和4.5%。此外，多模态图像、改进YOLOv5s对提升自然果园中的裸桃和套袋毛桃的准确检测均有贡献，所提出的改进YOLOv5s模型在检测公开数据集中的富士苹果和猕猴桃时，也获得了优于传统方法的结果，验证了所提出的模型具有良好的泛化能力。最后，在主流移动式硬件平台上，改进后的YOLOv5s模型使用五通道多模态图像时检测速度可达每秒19幅，能够实现毛桃的实时检测。上述结果证明了改进的YOLOv5s网络和含多类标签的多模态视觉数据在实现果实自动采摘系统视觉智能方面的应用潜力。

大数据、物联网和人工智能等现代信息技术在农业中的广泛应用，推动了农业农村现代化和智慧农业的发展，带动了农业经营主体对科技与知识的旺盛需求，农业知识服务成为农业转型升级和高质量发展的重要引擎。为解决现有农业知识分散无序、更新不及时、面向经营主体的知识服务不平衡、供需脱节等问题，本文总结分析了国内外农业知识服务的研究与实践现状，提出了一套基于农业全产业链、按照农业数据的全生命周期、面向农业经营主体的农业智能知识服务体系框架，设计了基于智能物联网（Artificial Intelligence & Internet of Things，AIoT）的农情感知与大数据汇聚治理、基于知识图谱的农业知识组织与计算挖掘，以及基于多场景的农业智能知识服务三个层次。文中归纳了包括空天地AIoT全维度农情感知、多源异构农业大数据汇聚治理、知识建模、知识抽取、知识融合、知识推理、跨媒体检索、智能问答、个性化推荐技术、决策支持等农业智能知识服务涉及的关键技术，并举例了其研究应用。最后从农业数据获取、模型构建、知识组织、智能知识服务技术和应用推广等方面探讨了未来农业智能知识服务的发展趋势及对策建议。总结发现，农业智能知识服务是破解当前农业知识服务供需矛盾，实现跨媒体农业数据到知识的跨越，推动农业知识服务向个性化、精准化和智能化升级的关键，亦是农业科技自立自强、现代农业提质增效的重要支撑。

元宇宙这一新兴概念受到了产、学、研各界的广泛关注。农业与元宇宙的结合将极大地推动农业信息化和智能化发展，为农业智能化转型升级提供新动能。为深入分析元宇宙在农业领域的应用研究可行性，本文首先分析了农业元宇宙的概念，以及区块链、非同质化代币、5G/6G、人工智能、物联网、三维重建、云计算、边缘计算和扩展现实等元宇宙农业应用的关键技术。接着讨论了元宇宙在虚拟农场、农业教学系统和农产品追溯系统三个农业应用领域的主要情景，最后总结了农业元宇宙面临的系统建立、通信基础、硬件设备和运营等方面的主要挑战，并展望了未来的发展方向。本文可为元宇宙在农业的应用研究提供指导。

本文首先阐述了科技革命的概念与满足条件，提出并分析了内生及外生农业颠覆性技术及其差异，特别是提出了跨界技术的概念并论证了其对农业科技进步的外生影响。然后分析了作为跨界技术的集大成者——智慧农业技术的特点，智慧农业对传统农业生产技术与生产方式的替代以及智慧农业与农村经济转型的关系。在此基础上讨论了中国智慧农业发展所面临的问题。最后有针对性地提出了促进颠覆性技术创新和智慧农业发展的政策建议，包括加强关键颠覆性核心技术研发、改革现有的农业高等教育体系、推动跨界技术的农业产业化研发以及在高标准农田及规模化养殖场实施智慧农业生产等。

养殖场中肉牛较为活跃，采集得到的图像数据中肉牛姿态多变，肉牛姿态端正帧较少，导致自动测量肉牛体尺困难。针对以上问题，本研究通过分析肉牛骨架特征和肉牛图像边缘轮廓特征，提出一种多姿态肉牛体尺自动测量方法。首先，利用深度相机Azure Kinect DK从正上方采集肉牛俯视深度视频数据，对视频数据进行分帧处理；其次，对原始深度图像进行预处理，将肉牛从复杂的背景中提取出来；再次，利用Zhang-Suen算法提取目标图像肉牛骨架，检测骨架交点和端点，分析肉牛头部特征，并确定头部去除点，去除图像中肉牛头部信息；最后，利用改进的U弦长曲率算法提取肉牛轮廓曲率曲线，根据曲率值确定体尺测点，将体尺测点转换到三维空间中，计算体尺参数。本研究通过分析大量深度图像数据，将图像中肉牛姿态分为左歪、右歪、姿态端正、低头和抬头五类。试验结果表明，本研究提出的基于骨架的多姿态肉牛头部去除方法在5种姿态下的头部去除成功率均高于92%；在23头肉牛不同姿态共46帧深度图像中，利用基于改进U弦长曲率的体尺测点提取方法，测得体直长测量的平均绝对误差为2.73 cm，体高测量的平均绝对误差为2.07 cm，腹宽测量的平均绝对误差为1.47 cm。研究结果可为精确测量多姿态下肉牛体尺提供支撑。

玉米和大豆为同季旱粮作物，“争地”矛盾十分突出，同时掌握玉米和大豆两者的价格是必要的。相较于现货，农产品期货价格具有价格发现功能。因此，玉米和大豆期货价格分析和预测对种植结构调整和农户作物品种选择均具有重要意义。本研究首先分析了玉米和大豆期货价格的相关性，通过相关性计算和格兰杰因果检验，发现玉米和大豆期货具有较强的正向相关性，且大豆期货价格是玉米期货价格的格兰杰原因；其次，基于长短时记忆（Long Short-Term Memory，LSTM）模型对玉米和大豆期货价格进行预测，并引入注意力机制（Attention）对期货价格预测模型行优化。对比结果表明，与差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model，ARIMA）和支持向量回归模型（Support Vector Regression，SVR）相比，LSTM模型在各项指标中均为更优，而与单一的LSTM模型相比，加入Attention机制的Attention-LSTM模型在各项指标中均更优。其中，玉米和大豆期货预测结果的平均绝对误差（Mean Absolute Error，MAE）分别提升3.8%和3.3%，均方根误差（Root Mean Square Error，RMSE）分别提升0.6%和1.8%，平均绝对百分误差（Mean Absolute Percentage Error，MAPE）分别提升4.8%和2.9%，证明了Attention机制的加入可以帮助模型提取有效信息，提升性能。最后，使用LSTM模型结合大豆期货历史价格共同预测玉米期货价格，MAE提升了6.9%、RMSE提升了1.1%、MAPE提升了5.3%。试验结果表明，本研究使用Attention-LSTM模型对玉米和大豆期货价格进行预测，相较于通用预测模型，Attention-LSTM模型能够提高大豆和玉米期货价格预测精度，且结合相关农产品期货价格数据，可以提升单个农产品期货模型的预测性能。