0 引 言
“光智农业”是指光学传感技术与智能决策系统在农业生产中的深度融合。其中，“光”涉及光学传感器、光学农业生产设备及光学技术等；“智”涉及算法模型等对数据的分析，预测及智能决策方案。通过“光感知-智决策-精执行”的技术路线，实现农业生产效率提高，涉及作物生理光学监测、生长环境光学感知、光环境精准调控、智能光学装备研发，及其产业化应用等现代农业光学技术。其本质在于充分利用光作为信息载体与环境调控因子的双重属性，通过高精度光学感知、智能数据处理与动态光环境调控的协同，提升资源利用效率与生产效能，为农业可持续发展提供技术支持。
在“光感知”方面，光智农业依托高光谱成像［1］、多光谱成像［2］、叶绿素荧光传感［3］、激光雷达（LightLaser Detection and Ranging, LiDAR）等先进技术［4, 5］，根据不同的作用机理，实现对农田环境参数及作物状态多维度的非侵入式、低延迟精准监测。光智农业在多个细分领域已形成差异化的光学感知技术路径：在叶绿素含量监测中，高光谱成像凭借其连续、丰富的光谱信息，能够精准捕捉叶绿素吸收特征，实现无损定量反演［6］；对于病虫害早期侵染识别，高光谱技术通过识别胁迫初期叶片光谱特征的细微变化，在症状肉眼不可见阶段即可实现预警［7］；在作物营养水平监测方面，多光谱与高光谱成像通过建立光谱指数与氮、磷等元素含量的定量关系，支撑精准施肥决策［8, 9］；叶绿素荧光传感技术可通过监测光合系统在吸收光能后的能量释放动态，来无损评估植物的生理状态［10］；在水分胁迫检测中，热红外成像能够持续监测作物冠层的温度分布情况，而高光谱成像技术则可精确解析与水分含量相关的特定光谱波段特征，红外成像技术与高光谱技术相互补充，共同构建起作物水分状况的综合监测与诊断体系［11, 12］。这些光学数据从不同尺度揭示作物生理状态，共同构成了认知作物生长与环境互作机制的信息基石。“智决策”是光智农业的中枢神经。基于机器学习、深度学习等技术，系统分析光学感知数据，构建作物生长动态模型、精准诊断预警模型及资源优化配置模型［13］，驱动农业生产决策突破以经验为导向的决策，转向智能化决策［14］。“精执行”环节则将智能决策转化为生产力，通过决策步骤产生的决策方案，可在生产过程中对植物的需求进行精准供给，对植物病害及环境胁迫及时进行防控与改善，通过补光设备和其他智能装备直接调控环境，且有实时性好，人工成本低的优点。特别地，光调控技术超越了传统能源供给（光合作用），利用特定光谱（如中波紫外线（UV-B）［15］、蓝光、绿光、红光/远红光）作为发育信号，可主动调控作物的形态发育过程［16］，有效促进次生代谢产物的生物合成［17］，并对采后农产品的保鲜环节产生积极的干预［18］。尽管光智农业展现出巨大潜力，其发展仍面临以下几方面挑战：1）复杂农田环境下光学信号稳定获取及检测精度的瓶颈［19］；2）智能模型在多样作物品种与地域条件下的泛化能力限制；3）设备价格高昂导致生产成本与收入不匹配，农民采用意愿低；4）兼具光学、农学、数据科学素养的复合型人才存量稀缺且分布不均，面向小农户的技术培训频次不足，知识中介断裂；5）产业化能力及推广不充分等障碍。本文系统梳理了光智农业的技术谱系、典型场景与内在局限，并探讨了技术融合、成本分担、人才培育和产业协同等未来突破路径，以期为光智农业的理论深化与规模化应用提供参考。
1 光智农业的核心维度：“光”与“智”的技术内涵及协同特征
1.1 “光”的维度：从“光能感知”到“光智调控”
在光智农业中，“光”已超越传统照明功能，演变为集信息感知与环境调控于一体的核心要素，整个技术流程从数据采集到精准干预均依托于光的作用：通过解析作物及土壤对特定波段光的反射与吸收特性，系统能够无损获取其内在生理状态；基于这些光学规律构建的感知数据，经过智能分析后反向指导光环境调控策略，最终实现对生长条件的精准管理［20］。如图1所示，不同波段的电磁波与作物及其所处的农业环境展现出特异性的响应机制：在可见光波段（400~700 nm），叶绿素色素对蓝光（约450 nm）和红光（约670 nm）表现出强烈的吸收，同时反射大部分绿光（约533 nm），这种特征成为监测叶片生理健康的重要依据［21］；近红外区域（700~1 400 nm）主要与植物的叶肉内部参数强相关，是评估植株整体健康状态的关键参数［22］。此外，当植物被病虫害或高盐、高温等环境胁迫时，叶绿素会提前分解，叶片捕获光能的能力随之下降［23］，这一现象可通过荧光动力学方法无损监测，该方法通过捕获光合作用全过程荧光信号，已成为评估生物与非生物胁迫的关键手段［24-26］；LiDAR技术则借助激光束来精确测量距离，进而生成高分辨率的三维点云数据，这些数据为重构作物的株型结构，以及精确评估植株生物量提供了坚实有力的技术保障［27］。在调控层面，光信号通过调节激素水平影响植物发育过程：红光通过光敏色素调控植物形态建成，而蓝光通过隐花色素和向光素抑制叶片扩张并诱导色素形成，远红光则通过与红光的协同作用调节茎长和生物量分配［28, 29］。基于这些机理开展的莴苣栽培研究表明，在红蓝光基础上补充远红光可显著提升植株鲜重、干重及糖分积累，而增加蓝光比例则有助于提升营养价值［30］。光合作用是植物生长发育的重要过程，补充照明系统与温湿度调控系统则是通过环境调节延长与辅助植物的光合作用，在尽量节约成本的同时，达到提升产量的目的［31］。陈伟等人［32］以调节植物光合作用增加作物产量与尽量节约成本为目的，提出用于温室植物环境控制的动态模型，计算出适用于四季不同时间的环境调控参数，通过控制器确保植物的良好生长环境。
1.2 “智”的维度：从“数据决策”到“智能决策”
“智”的维度驱动光智农业构建智能化决策与执行闭环，核心在于实现从规则化数据响应向模型驱动智能优化的范式跃迁。传统农业数据决策主要依赖单一观测数据源，例如通过地理信息系统结合遥感技术进行土壤肥力评估［36］。这种模式在应对复杂多变的农田环境动态及协调多目标约束方面存在明显不足，难以同时兼顾高产、优质、资源节约与环境友好等多重目标，本质上仍属于有限数据支撑下的决策范式。
智能农业决策的核心突破在于实现了多源数据、理论模型与智能算法的深度融合，该方法已成为光智农业体系中的主导技术范式。作物生长模型可模拟作物生长、土壤水分和养分变化等关键过程，帮助预测作物未来的生长状态，而机器学习则从海量环境数据中挖掘复杂模式，实现病虫害精准识别与营养状况诊断［37, 38］。二者的深度融合形成优势互补：作物模型为数据驱动算法提供理论约束与物理解释，增强结果可信度；机器学习则通过参数优化与模式识别提升作物模型的准确性与适应性。李志伟等［39］结合无人机采集的高光谱数据和农业产品系统仿真器（Agricultural Production System Simulator, APSIM）模型进行玉米产量预测，此方法能同时优化产量、品质和资源利用效率。进而为无人机、农业机器人和自动化装备依据决策指令执行精准操作提供决策依据。孙中兴团队［40］开发的智能氮肥调控系统，通过确定作物不同生长期的最佳氮浓度，并利用树莓派4B边缘节点实时调节，最终实现氮肥用量减少36.2%~49.7%，作物鲜重增加12%，钾磷含量提升4.8%~19.5%，充分证明了智能决策与精准执行对农业生产的提升效果。这些成果标志着光智农业已从技术概念走向实践应用，为构建资源节约、环境友好的现代农业体系提供了关键技术支撑。
1.3 “光”与“智”的协同融合
光智农业的核心在于“光”与“智”的深度融合，通过光学感知技术获取的高维信息与智能算法的分析与产生的决策，二者深度结合，精准调控设备执行，形成闭环的现代农业操作系统。在传统智慧农业所依赖的温湿度、二氧化碳等常规环境传感器之外，光智农业进一步引入了高光谱成像、荧光传感等先进光学技术作为其感知核心。这不仅延续了对环境参数的监控，更实现了对作物本体生理生化状态的无损、高维度感知。在原始光学数据获取后，由于信息维度高且常伴有冗余与噪声，技术路径上需首先通过预处理提升数据质量，继而利用主成分分析、连续投影算法或深度学习自动编码器等进行降维与特征提取，提炼出与目标农情最相关的关键特征［41］；进一步地，可将光学特征与土壤温湿度、气象数据等多源信息进行融合，构建统一的农田数据融合视图，为智能决策提供全面信息基础。基于融合后的数据，智能算法可将其转化为可执行的动态调控策略，并通过生产设备实现精准落地，最终推动农业生产向精准化、智能化与可持续化方向发展：精准化体现为资源投入与作物需求的实时匹配；智能化表现为以数据驱动决策全面替代传统经验判断；可持续化则通过减少化肥农药用量、优化能源消耗，推动农业系统向绿色低碳转型［42］。
2 光智农业的技术构成：从感知到执行的完整链条
光智农业技术系统主要包含三个关键环节：感知、决策和执行，使光学技术和智能算法紧密结合。各个技术环节通过数据传递相互配合，共同实现农业生产的精准管理。图2展示了光智农业技术体系结构。其中，光学感知层作为信息入口，采集数据，为整个系统提供庞大的数据信息；智能决策层作为其中的核心，分析数据并产生决策方案；执行控制层则作为操作终端，确保决策指令的高效落地，三者协同构成光智农业技术体系。
2.1 光学感知层
光学感知层通过光与物质的相互作用机制，构建了光谱成像、光学分子传感和三维感知协同的多尺度监测体系，为光智农业提供从分子到田块的全维度信息获取能力，形成“光感知-智决策-精执行”闭环的数据基础。表1展示了光智农业领域常用光学感知技术的优缺点。
表1 光智农业常用光学感知技术优缺点Table1 The advantages and disadvantages of common optical sensing technologies for opto-intelligent agriculture |
| 技术名称 | 应用领域 | 优点 | 缺点 | 常用设备 |
|---|---|---|---|---|
| 高光谱成像 | 精准养分诊断［43］ 病虫害精准识别［44］ 活力预测［45］ 品种分类［46］ | 光谱信息极丰富 诊断精准 | 数据庞大处理复杂 模型依赖强 成本高昂 | 机/星载高光谱仪 高光谱成像系统 专业无人机载荷 |
| 多光谱成像 | 病虫害早期发现［47］ 作物健康监测［48］ 产量预估［49］ | 快速宏观 成本效益高 技术成熟 | 间接测量 易受环境光影响 | 无人机多光谱相机 卫星传感器 |
| 叶绿素荧光成像 | 光和效率评估［50］ 胁迫早期预警［51］ | 直接探测生理功能 极其灵敏 | 需暗环境 专业性强 设备昂贵 | 手持式脉冲振幅调制叶绿素荧光（Pulse-Amplitude-Modulation，PAM ）成像仪 表型平台 |
| 量子点阵列传感 | 病原体快速检测［52］ 金属离子检测［53］ | 超高灵敏度 可多重检测 | 多为实验室阶段 成本高 | 实验室荧光检测仪 原型传感器 |
| 荧光寿命成像 | 植物体内离子/分子动态示踪［54］ | 对微环境敏感 定量精准 | 需荧光探针 设备极昂贵 | 荧光寿命成像系统 |
| LiDAR | 表型分析［55］ 地形测绘［56］ 农机导航［57］ | 直接3D信息 可穿透 | 数据量大 受天气影响 成本高 | 无人机/农机搭载LiDAR |
| 立体视觉 | 全局测绘［58］ 采摘定位［59］ 农机导航［60］ | 成本低 同时获取色彩与深度 | 依赖光照与纹理 计算复杂 | 双目相机 RGB-D相机 |
| 结构光三维成像 | 室内高精度表型［61］ 果实分拣［62］ | 精度高 速度快 细节清晰 | 仅限室内使用 易受环境光干扰 | 工业3D扫描仪 手持3D扫描仪 分选线设备 |
在光谱成像技术中，高光谱成像与多光谱成像构成两大主流技术路径。高光谱技术通过捕捉目标物体在数百个窄波段上的精细光谱反射或透射特征，能够有效揭示作物生理生化状态，广泛应用于作物生理监测、土壤成分分析、病虫害早期预警等领域［63］。典型高光谱相机可捕获超过100个波段，依据探测范围可分为可见光-近红外（波长范围400~1 000 nm），常用于监测叶绿素、类胡萝卜素等；短波红外（波长范围1 000~2 500 nm），常用于检测水分、淀粉、纤维素；可见光-短波红外（波长范围400~2 500 nm），用于全组协同分析。市场上主流设备包括Headwall Nano-Hyperspec、HySpex VNIR-1800高光谱相机等，但其普遍存在数据处理复杂、数据体量庞大和设备成本较高等局限。相比之下，多光谱技术通常仅获取4~6个或8~10个离散波段，更适用于田间日常监测、规模化生产管理与无人机巡检等实时性较高的场景，常见设备如MicaSense RedEdge-MX和DJI P4 Multispectral多光谱相机等，该技术虽在光谱维度上较为有限，但具有设备成本低、更易于推广使用等优势。
荧光传感技术是农业智能监测的重要手段之一。这项技术利用光与物质的相互作用进行精准检测，主要包含叶绿素荧光成像、量子点阵列传感与荧光寿命成像技术。龙燕等［64］使用 PlantScreen 成像系统分析冠层叶绿素荧光变化，准确检测出番茄幼苗期的干旱胁迫，这体现了该技术在植物生理感知方面的应用。除了直接针对作物的监测，荧光传感技术的应用范围还扩展至农业环境与投入品的检测。例如，量子点荧光技术的荧光强度变化可以灵敏反映出环境中重金属离子、有机分子的存在情况，达到ppb级的检测精度［65］；而通过精确测量荧光信号的衰减时间，则可实现对环境参数的非接触式监测，甚至在关联的水产养殖领域，特定的荧光探针检测水产养殖水体中的溶解氧水平［66］，荧光传感技术具有高灵敏度，操作便捷，成本低廉等优点；局限性在于寿命短，需对被检材料进行预处理，易受光照和温度影响。
三维感知技术主要应用于表型分析，包含LiDAR、立体视觉和结构光三维成像技术。LiDAR可与无人机协同使用，具有精度高、抗光照干扰强的优势，但成本较高、数据量大；立体视觉技术通过双目或多目相机进行三维重建，适合近距离动态监测，但受光照影响大、视差计算复杂；结构光三维成像技术常用设备如Artec Eva 3D扫描仪适合近距离静态物体，但测量范围有限、易受环境光干扰，Keyence LJ-V系列的工业级结构光传感器则适合批量农产品三维检测。图3总结了农业中常见光学感知设备，包含光谱成像技术、荧光传感技术、三维感知技术三个类别的设备。
这些光学感知技术的协同应用，共同构建起多尺度、多参数的信息获取网络，使光智系统能够突破传统传感手段在探测维度、灵敏度与特异性上的局限，为智能决策层的数据分析与模型构建奠定了坚实的数据基础。
2.2 智能决策层
作为光智农业“感知-决策-执行”链条的中枢，智能决策层的核心功能是通过算法与模型将光学感知数据转化为可执行的生产策略，为后续执行控制提供精准指令。本研究基于智能决策在光智农业中所需解决的核心问题与实现的功能层级，将智能决策层的技术系统性地归纳为以下三类：1）统计分析，旨在对光学感知及其他来源的历史与实时数据进行处理，以描述当前状态、发现数据内在规律、并诊断关键问题；2）预测与评估模型，将基于机理的作物生长模型与基于数据驱动的机器学习预测模型统一于此共同目标之下，为农业生产中的主动干预提供科学依据；3）以及多源数据融合，协同光学感知数据、环境传感器数据、土壤理化数据等异构数据源，在多重约束下进行综合研判，生成全局性的最优执行策略。表2系统展现了三类技术的应用场景、核心用户、数据需求、应用场景、优势及挑战对比分析情况。
表2 光智农业智能决策技术对比分析表Table2 Comparative analysis of intelligent decision-making technologies in opto-intelligent agriculture |
| 分析维度 | 统计分析 | 预测与评估模型 | 多源数据融合 |
|---|---|---|---|
| 代表性技术与方法 | 回归分析 聚类分析 | 机理模型：APSIM， 农业技术转移决策支持系统（Decision Support System for Agrotechnology Transfer， DSSAT）等 数据驱动模型：卷积神经网络（Convolutional Neural Network， CNN）， 支持向量机（Support Vector Machine， SVM）等 | 决策级融合 特征级融合 |
| 主要数据输入 | 单一或少数来源的数据集 | 规整的、用于训练或驱动模型的数据集 | 光学感知数据 物理环境数据 土壤理化数据 |
| 典型输出结果 | 全阶段培养方案［67］ 作物气候要求分析［68］ 病害预警［69］ | 水肥管理［70］ 气候变化影响评估［71］ | 多目标协同的优化决策［72］ 作物生长异常诊断［73］ |
| 核心优势 | 预测精度高 自适应能力强 | 机理模型外推性好 数据驱动模型对复杂模式捕捉力强 | 决策可靠性高、误判率低 决策考虑更全面，系统性更强 鲁棒性强，决策效率高 |
| 主要局限/挑战 | 难以揭示复杂非线性关系 对动态过程预测能力弱 | 机理模型定位性强 数据驱动模型依赖大量高质量数据 | 融合规则设计严重依赖专家经验 对数据的质量和时空同步要求极高 系统复杂度高 |
值得注意的是，目前三类技术均有因黑箱导致的决策可信度降低的问题［74］。多源数据融合技术对数据质量与时空同步性的需求仍是待解决的关键问题。
2.3 执行控制层
执行控制系统是整个技术体系的关键环节。这个系统负责把智能决策变成具体的操作指令，同时还能收集实时数据让整个流程形成闭环。表3展示了光智农业中执行控制层的核心装备，按其功能可分类为：1）光环境调控，根据作物不同生长阶段的需求，自动调节补光灯的光谱和强度；2）依托布设于温室空间内的多参数传感器阵列的环境调控，该部分采集环境中的关键指标进行运算并进行精准调控与闭环控制；3）自动化作业环节通常调用无人机平台与农业机器人，二者依托视觉识别模块与自动导航功能完成作业流程，从而显著压缩人工参与规模。
表3 光智农业执行控制层核心装备及功能Table 3 Core equipment and functions of the execution control layer in opto-intelligent agriculture |
执行过程涵盖多种设备，且不仅是简单的线性操作，而是闭环反馈系统中不可或缺的关键数据源。当装备依照决策指令完成操作后，作物会因外界干预而产生一系列变化；这些蕴含着丰富信息的变化被感知层以高精度实时地捕获，形成全新的光学数据集并反馈至决策系统。这一反馈机制为系统提供了持续优化的契机：通过分析反馈数据，系统既可评估执行效能、调整模型参数并再次产出决策方案，也能基于评估结果对后续指令进行智能优化，从而确保决策的科学性和执行的精准性。如此一来，“光感知获取初始信息—智决策生成操作指令—精执行落实决策方案—再感知反馈执行效果”便形成了一个不断迭代、自我增强的闭环系统。
3 光智农业的应用场景：覆盖农业全产业链
3.1 种子质量智能检测与萌发潜力预测
种子作为农业生产的基础，其质量直接影响作物出苗率和最终产量。传统检测方法主要依靠人工观察和破坏性实验，效率低且难以发现种子内部缺陷，图4展示了光智农业技术在种子质量与检测方面的多元应用场景，根据数据获取方式的不同，目前光谱设备主要分为三类：适用于现场快速检测的便携式设备、无人机载平台服务大田群体，以及满足精密测量需求的实验室室内系统。光智农业技术依托智能算法，对光学感知数据实施深度解析，并构建光谱特征与种子属性之间的映射模型；在近红外光谱的具体应用层面，该模型同时展现多维度价值：以年限判别［81］、内部缺陷识别［82］、蛋白含量测定［83］及产地溯源［84］等方式，实现种子质量的无损精准评估。在种子活力评估这一关键指标上，光学检测方法较传统培养方式具有显著优势，常规检测通常需要数日观察周期，且难以模拟真实生长环境［85］，而光谱成像技术结合智能算法开创了种子生理状态无损检测的创新解决方案：研究人员通过高光谱信息与深度卷积生成对抗网络的结合，实现了玉米籽粒含油量的精确预测［86］；在水分检测方面，有研究采用高光谱成像配合随机森林算法，对鲜食玉米含水量进行测定，获得82.5%的识别准确率［87］；另有改进的水分含量检测模型表现更为优异，准确率达到93.11%［88］；庞田田等［89］针对不同老化程度下的玉米品种的高光谱数据建立模型预测种子活力，展现出卓越的稳定性和预测能力。这种“光-智”融合的创新检测模式正推动种子质量管理体系的变革，然而该技术仍需扩大应用规模并深化产业实践。
3.2 种植环节的技术渗透与效能提升
在大田作物生长过程中，光智农业技术通过多维感知与精准调控优化生产管理［93］。田婷等［94］ 采用高光谱成像技术对水稻冠层叶片氮素状况进行定量反演，基于此制定的变量施肥方案有效促进了作物产量与品质的同步提升。在玉米生长监测中，LiDAR扫描技术能够快速识别植株叶绿素含量显著偏低的异常区域，为针对性胁迫管理提供了精确的空间定位依据［95］。朱耀辉等［96］结合LiDAR融合多光谱图像数据估计玉米地上生物量，其精度较单独使用LiDAR或多光谱数据，判定系数R²分别提升0.13和0.30，为多源数据融合监测生物量提供了新思路。光智农业技术在种植环节的应用，还体现在病虫害防控领域。周晓丽等［97］基于多光谱信息的病害识别系统可实现137.1帧/s的实时处理速度，较人工巡查显著提高了监测效率，为病虫害防治提供了高效支持。Afagh等［98］研发的园艺照明和监测系统通过光传感器测量光合光子通量密度，结合基于聚类的图像分割方法计算参数，并输出到控制器进行灯光调控，结果显示，该方法在降低生菜单位干物质生产能耗的同时，有效缓解了强光胁迫对植株健康的影响。
如图5所示，光智农业技术在农业种植环节主要涵盖播种管理、生长调控与病虫害防护三个方面，通过多源数据融合与智能决策系统联动，光智农业领域已开发出智能播种设备、光环境反馈补光系统、无人机巡检与精准喷药平台等应用，显著提升农业生产的精准性与效能。现有的问题仍包括智能农机的初期成本较高，且处于农村地带的小农户信息来源较少，对新兴技术的了解不足，且缺乏科普人员宣传讲解，采纳程度不高。
3.3 养殖与产后环节的技术集成与价值转化
光智农业技术在养殖与产后环节的跨领域应用中，通过多模态光学感知与智能决策的协同，构建了从环境监测到品质管控的精准化技术体系，其技术渗透呈现显著特征：通过差异化适配的光学传感手段，实现在不同生产场景中的精准应用，依托智能算法对多源数据的融合能力，结合养殖智能装备的协同作业，形成了完整的闭环控制系统。表4展示了光智农业技术在水产养殖、畜牧养殖、产后处理和冷链物流等农业全链条中的具体应用场景。
在水产养殖中，850 nm红外传感器通过检测水体对特定波段光的散射效应实现浊度精准监测，同时荧光检测技术通过解析微藻色素的荧光特征建立浓度预测模型，显著提升饵料投喂精度［99, 100］；在畜牧养殖领域，利用血红蛋白在540~580 nm的特征吸收波段实现生猪体温异常预警，并通过405 nm LED光源的特异性光动力效应有效抑制鸡舍微生物增殖［101, 102］；在产后环节，通过融合可见/近红外光谱分析与图像识别技术，基于花青素特征吸收峰和果皮纹理特征实现苹果智能分级，而激光诱导击穿光谱技术则通过分析元素光谱特征完成花卉品种的快速鉴别［103, 104］；在冷链物流中，通过监测叶绿素荧光参数Fv/Fm的衰减动态，构建香蕉冷害预警模型［105］。这些应用充分证明，光智农业技术通过解析光与物质相互作用的特异性响应特征，正在推动农业生产从经验依赖到数据驱动的范式转变，为农业标准化和高效化发展提供关键技术支撑。
4 光智农业的发展价值：推动农业 4.0 革命的多维贡献
光智农业通过光学感知技术与智能决策系统的协同应用，在农业生产各环节形成了可量化的技术突破。在精准植保中，实现了病虫害的早发现与精准干预，显著减少农药用量；智能预警与资源调控环节，借助数据驱动的动态管理，大幅提升了水资源、肥料等资源的利用效率；表型监测与产量优化方面则通过对作物生长动态的细致捕捉和预测，为产量提升与品质保障提供了科学依据；在系统协同应用上，进一步拓展了光智农业技术的适用场景，在间作管理、综合生产等方面实现了降本增效与产量突破。这些实践充分证明，光智农业为农业4.0革命注入了强劲动力，为构建资源闭环型农业生产新模式提供了切实可行的技术路径。表5展示了光智农业的主要应用场景及关键技术手段，包含病虫害治理、灌溉施肥、生长动态与产量监测，以及间作与综合管理四个方面，效益体现在增产、降低成本、减少资源浪费、提前预警减少损失和缩短植物成熟周期等。
表5 光智农业主要应用场景及关键技术手段Table5 Principal Application Scenarios and Key Technological Approaches in Opto-Intelligent Agriculture |
| 应用场景 | 关键技术手段 | 实际成效 |
|---|---|---|
| 病虫害治理 | 小麦赤霉病自动化监测仪、AI大模型 | 模型以94%的准确率实现赤霉病精准预测［106］ |
| 无人机、智能系统 | 蓝莓成熟周期显著缩短5个月，实现病害提前两周预警，产量提升30%［107］ | |
| 灌溉与施肥 | 智能水肥一体化技术 | 作物产量增长率33%、水肥利用率提高42%［108］ |
| 多光谱无人机、智慧平台 | 降低成本，协同周边农户年均每公顷增收约6 000元［109］ | |
| 施肥智能决策系统、多光谱相机、地面传感网络 | 水稻肥料利用率提升35%以上，农药减少 40%，综合增产15%~20%［110］ | |
| 生长动态与产量管理 | 数智农服系统 | 预测现蕾误差控制在1天内，百亩节电4.8万元、火龙果提前15天上市［111］ |
| 间作与综合管理 | 多光谱无人机、智能监测设备 | 亩均提高产量约8%，管理效率获得35%的显著增幅，带动用工成本降低逾25%，同时保障农药化肥施用量减少10%~15%［112］ |
| 智能配水系统，探地雷达、多光谱激光探测 | 实现间作作物节水20%~35%，产量增幅15%~25%［113］ |
5 光智农业挑战与展望
5.1 挑战
光智农业作为现代农业的重要方向，其技术路径正从实验室研发转向大田规模化应用，在此过程中遭遇的阻力呈现系统性、多层次特征，挑战不仅集中在技术可行性层面，更扩散至设备供应链、人才储备、政策配套等生态环节，当前光学传感器在复杂农田环境下的稳定性缺口、智能决策模型面向农户的实用性落差，以及整套系统在经济维度上的可持续阈值尚未形成正向循环，三者相互牵制并放大了技术推广摩擦，深入剖析这些制约因素，厘清其内在逻辑关系，是推动光智农业健康发展的必要前提。
5.1.1 技术方面
在光智农业技术中，光学感知精度与复杂农田环境背景下的鲁棒性应被置于技术障碍最前端，其主要原因为光学传感器如高光谱成像设备易受光照条件波动影响，在光学调控层面，激光调控作物生长技术目前发展仍不成熟，小农户采用该技术还需未来更进一步发展，这项技术目前更适用于大型农田经营企业的实验型项目。在光智农业系统中，光学传感器与常规环境传感器及作物生长模型所产生的数据，在结构格式、维度特征和时空分辨率等方面存在显著差异：高光谱数据涵盖数百个波段，虽信息维度丰富但冗余度较高，而LiDAR能够提供精确的三维空间结构信息，却无法反映目标的化学属性，由于缺乏统一的数据标准和高效的融合机制，这些多源异构数据难以实现有效协同利用。此外，模型泛化能力不足亦是技术层面面临的关键挑战，现有模型多局限于特定作物类型，其决策过程透明度低、可解释性差，加之高质量标注数据匮乏进一步制约了模型性能与可靠性的提升。在系统集成层面，光学感知系统与智能执行单元之间由于缺乏标准化的接口协议与一致的数据语义规范，导致数据传输与指令下发存在延迟，这种技术缺陷使得系统难以满足设施农业对毫秒级实时调控的要求，最终阻碍了闭环控制场景的实现；同时，光智农业全链条应用高度依赖稳定的网络连接，而部分偏远地区的通信覆盖仍显不足，制约了相关技术的普及应用。
5.1.2 设备方面
光智农业在设备推广方面面临多重硬性制约，核心设备成本居高不下。例如全光谱可调LED补光系统的初始投资是传统设备的3~5倍，加之维护成本高，形成极高的资金门槛；设备可靠性与环境适应性不足，高湿度、高粉尘的农业场景导致光学传感器故障频发，进口关键部件（如特定波长LED芯片）还面临供应链风险；行业缺乏统一标准，不同厂商设备协议互不兼容，造成系统割裂和后续升级困难；此外，复杂的光配方设置和设备维护超出普通农户能力范围，导致智能设备闲置率居高不下。这些设备层面的局限形成连锁反应——高成本阻碍普惠化推广，高能耗制约政策支持，兼容性差限制技术迭代，最终延缓了整个产业的商业化进程。例如，由于能源消耗而产生的电费问题，日本大部分植物工厂为无盈利现象［114］。突破路径需聚焦低成本本土化设备研发、绿色能源整合和行业标准制定，通过技术创新与产业协同降低设备使用门槛。同时，技术标准缺位导致产业生态碎片化。传感器数据格式各异、决策模型评价体系缺失，致使不同厂商设备互操作性差，跨区域、跨农场的数据共享与价值挖掘效率低下。
5.1.3 人才方面
5.1.4 政策方面
美国拥有约23亿亩耕地，且多为大块农田。中国约有19.29亿亩耕地，而小农户是农业经营中占比最大的，达98%以上。且小农户用于农业运作的面积占总耕地面积的70%，相比于美国更显碎片化，因此农户对于光智农业的应用意愿不高［117］。中国对于发展光智农业方面已有相关政策，但当前补贴多集中于传统农机或物联网设备，对高成本的光环境调控设备支持不足，政府的政策调控是激励农民采用新兴技术的主要工具，农民在采用新技术时需充分考虑风险以有效分配资金，而针对性的政策能激励农民按需采用技术［118］。目前已有政策对农民进行农业技术培训，但在覆盖范围、培训深度与实施规模等方面仍需进一步拓展与深化；对于农业技术推广方面的政策也有待提高，农业技术推广者数量不足、质量低下，传统农业技术推广方式无法直接为所有农户提供服务，仍需开发新的推广范式［119］。
5.2 展望
基于对现状的深入分析，光智农业的未来发展需要构建技术突破、产业协同与政策引导三位一体的推进体系。政府与企业应着力解决当前技术瓶颈和设备制约，同时注重构建可持续发展的产业生态，而研发主体需通过技术创新降低硬件成本，监管部门则要通过制度创新优化政策环境，由此形成相互促进的良性发展格局。产业各方应将发展路径从单点技术突破转向系统能力构建，把示范项目成果推向规模化应用，最终实现光智农业从“可用”到“好用”的转变。
5.2.1 技术方面
在技术方面，农业物联网的基建应被置于技术优先级，可通过优化现有5G网络在农田环境的覆盖质量并合理部署配合边缘计算节点，以匹配场景级带宽。同时开发适应农业特点的低功耗通信协议以降低设备运行能耗。光学感知技术的突破方向应聚焦实用性和可靠性提升，重点开发抗干扰能力强的多光谱成像系统，借助传感器融合技术提高复杂环境下的数据准确性，并积极推进核心光学器件的国产化进程，从而将高光谱成像等光学传感器设备的成本控制在合理范围内，为其大规模推广应用创造条件；针对数据缺失的问题，可尝试构建高仿真的农业数字孪生系统，在虚拟环境中模拟各类气候、土壤与病害场景，生成大量带精确标注的合成光学数据，弥补现实标注数据的不足，为模型训练提供更全面的环境并增强其鲁棒性，此外，应倡导学术界与产业界共同推动高质量、多场景、精细标注的农业光学数据集的开放与共享，建立开放的基准数据集，为算法研究提供公平评测基准，加速模型迭代与比较；在系统架构方面，智能协同架构仍有待探索，已有研究提出了涵盖设备与资源分配、服务供应等维度的概念性合作农业智能框架，但其在实际应用中仍面临复杂情境的挑战［120］；智能决策系统需在先进性与实用性之间取得平衡，在保障算法精度的同时，重点优化模型在边缘设备上的运行效率，确保在有限算力下实现实时响应，并可开发面向特定作物的轻量化模型，借助知识蒸馏等技术在保持性能的同时降低计算资源需求；边缘计算作为将计算与存储能力下沉至数据源附近的网络架构，在农业应用中潜力显著［121］，例如在网络边缘进行数据预处理和特征提取，从而保障用户的数据隐私，然而，该技术在实际部署中需解决农田环境下设备的长期供电问题，以及面对天气与环境影响的防护挑战；在育种与作物生长调控方面，尽管已有研究证实特定光配方对延长保鲜期和改善营养成分具有积极作用，但基于智能计算的光配方生长调控研究仍较为缺乏，其主要难点在于数据获取周期长、数据量大而关联性弱，光与植物生长的复杂关系导致建模难度高，且模型在不同植物间的泛化能力有限，同时在生物学层面还需解析光受体在不同生长阶段的感知与调控机理，这些均构成该方向发展的知识与技术瓶颈。
5.2.2 设备方面
设备层面的创新应当以降低使用门槛为目标。一方面通过模块化分布式设计简化设备结构，如开发简单易用的移动端工具，降低技术使用门槛。另一方面开发智能维护系统，结合增强现实（Augmented Reality, AR）等技术指导农户完成日常保养，同时推动行业标准统一，确保不同厂商设备的互操作性。中国相较于美国农业智能设备虽起步较晚，但发展呈现追赶趋势，未来关于提升光智农业的普及率，可通过推动核心部件国产化替代、设备租赁、作业服务等方式降低使用门槛，此外光智农业设备方面的耗电问题而产生的生产成本是不容忽视的，降低设备成本，开发节电设备应为主要攻克方向。
5.2.3 人才方面
人才培养需构建理论与实践深度融合的培育体系，主管部门可依托国家政策导向，推动农业院校系统开设智能农业专业课程，在课堂讲授光谱模型与数据算法的同时，安排实验田无人机操作与作物生理监测，使学生兼具农业生产经验与新技术应用能力，成长为复合型人才，龙头企业应与高等院校共建产业学院，企业将产线难题带入校园，高校把算法成果反向输入车间，双方在真实项目里协同攻关，实现知识持续转化，形成学中做、做中学的良性循环。针对现役农民群体，政府可实施分层级递进式技术培训。优先组织规模化经营主体进入田间学校，利用完整作物生长季示范光谱诊断、变量施肥、无人化收获等先进技术，以眼见为实激发学习动能，这批新农人结业后，再转型为区域技术辐射源，通过以大带小机制，牵头组建十余户联合学习小组，利用夜间场院或闲置仓库开展微课堂，把小农户纳入培训网络，逐步提升整体农业从业者的技术素养与应用能力。
5.2.4 政策方面
政策支持应当更加精准有效。可以考虑设立专项补贴，重点支持光学感知、智能决策等关键技术研发，同时完善农村数字基础设施，为技术创新提供良好环境。光智农业的推广普及需要充分考虑中国农村数字化进程中的新特点：据调查数据，中国的农村网民人数已达到整体网民中的28.2%［122］，这一数字化基础为光智农业技术的推广提供了新的路径，如技术装备可通过短视频示范吸引目标群体，专家可通过直播课进行知识普及；农民间的交流方面可通过在微信社群、抖音话题区建立互动社区，鼓励技术交流和经验分享。光智农业的未来在于找到技术创新与产业需求的平衡点，通过持续优化完善，为农民的生产提供广泛的帮助。未来仍可期待6G技术等新兴技术，为光智农业注入新的活力。
6 总结
光智农业作为光学技术与智能算法深度耦合的农业现代化范式，其核心价值在于通过“光-智” 协同的技术闭环，提升农业生产效率。从技术演进看，光学感知的微观解析能力与智能决策的系统优化能力形成互补，构建了从信息获取到执行落地的完整技术链条，在种植、养殖、产后等环节的实证应用中，已展现出资源利用率提升、生产效率提高等成效。光智农业技术仍需大量技术型人才，未来仍需配合国家政策大力发展人才培养与技术推广；光感知技术上的产业推广可先通过企业带头、重点示范，再逐步落实到乡村农户，农户对光智农业技术的采用意愿在产业推广中尤为重要，对中老年用户可先宣传智能决策层的现有成果，如各类农情预测App，使农户了解这一技术的优点，当农民对光智农业技术的兴趣提高，再逐步推进智能设备与智慧农场的搭建，兼顾地方政府扶持的农户技术培养项目完成光智农业的全面推广；对于新一代年轻农户可在社交平台上进一步宣传国家政策帮扶，光智农业完整体系等，尤其是经济政策上的支持。光智农业发展的终极目标在于通过技术赋能，实现农业生产的“动态精准供给、AI赋智管理、生态兼容发展”，为全球粮食安全与生态保护提供中国方案。未来应面向跨模态农业数据协同、低成本光学传感器研发、区域适配性技术模式、植物生长光调控方案等方向，结合新兴技术如用于植物监测的便携式系统，边缘计算技术、等共同推动光智农业持续发展。
