期刊名： Agronomy

期刊主页：https://www.mdpi.com/journal/agronomy

“精准农业与数字农业”栏目是Agronomy 期刊13大学科栏目之一。该栏目由55位全球知名学者组成的编委会负责，其中哈里斯堡科技大学（Harrisburg University of Science and Technology）的付鹏教授担任副主编。

为提高作物生产的效能、可持续性与抗逆能力，人工智能、物联网、深度学习、智能成像及机器学习等数字精准技术，正加速融入土壤养分管理、作物保护、良种选育、采后处理及资源优化等核心农艺环节。

本栏目致力于架通前沿数字农业与现实农艺实践之间的桥梁，重点关注将创新技术转化为作物长势监测、产量预测、田间生产及农艺管理实用方案的研究。我们优先刊载植根于作物科学与农艺系统、具有明确农业应用场景的成果，而非单纯聚焦算法开发、机器人设计或硬件工程的技术性研究。

我们诚挚欢迎原创研究、综述、观点论述及方法学论文的投稿。期待与您共同推动作物生产的可持续集约发展，践行环境友好理念，增强农业系统的整体韧性。

栏目主页：https://www.mdpi.com/journal/agronomy/sections/Precision_Digital_Agriculture

栏目副主编

Dr. Peng Fu

机构：哈里斯堡科技大学（Harrisburg University of Science and Technology）

简介：傅鹏是哈里斯堡科技大学地理空间数据科学方向的助理教授，也是环境、能源和经济中心的首席研究科学家。在哈里斯堡科技大学工作之前，他担任美国伊利诺伊州厄巴纳-尚佩恩伊利诺伊大学（University of Illinois at Urbana-Champaign）的研究员，在那里他针对美国中西部和世界范围内进行光合作用表型研究，以改善作物产量。 他于2018 年获得印第安纳州立大学空间与地球科学博士学位。他的研究兴趣涵盖环境、植物生理学、自然资源和城市化领域的广泛遥感和地理空间应用。

精选文章

Soil Moisture Sensing Technologies: Principles, Applications, and Challenges in Agriculture

土壤水分传感技术：农业应用中的原理、应用与挑战

Danilo Loconsole et al.

https://www.mdpi.com/2073-4395/15/12/2788

文章亮点：

1）系统构建了土壤水分传感技术的完整谱系，将十余种方法划分为侵入式与非侵入式两大体系，涵盖从传统张力计、介电传感器到前沿的MEMS、光纤、生物可降解传感器等，为不同农业场景下的传感器选型提供了全景式参考框架。

2）深入解析了土壤质地、盐分、温度、安装方式及根区分布等关键环境因素对传感器精度的影响机制，强调了田间特异性校准的重要性，为提升监测可靠性提供了理论依据。

3）全面评估了各类传感器在成本、精度、功耗、IoT兼容性及技术成熟度等方面的优劣，特别关注了低成本传感器在资源受限农户中的可及性，以及高端技术（如中子探针、探地雷达）在大尺度监测中的适用边界。

4）前瞻性地指出人工智能、物联网融合、遥感数据协同及生物可降解材料等跨领域创新方向，同时强调需通过成本降低、校准标准化和农民培训来突破技术普及瓶颈，推动气候韧性农业的发展。

A Review of Artificial Intelligence Techniques for Wheat Crop Monitoring and Management

小麦作物监测与管理中的人工智能技术综述

Jayme Garcia Arnal Barbedo

https://www.mdpi.com/2073-4395/15/5/1157#

文章亮点：

1）系统梳理了人工智能贯穿小麦生产全链条的变革性应用，覆盖产量预测与生物量估算、病害管理、杂草/害虫/倒伏等胁迫监测、表型与遗传选择、麦穗检测、籽粒分类及农田制图等七大核心领域，展现了从基因型到表型、从田间监测到品质评估的系统性技术图景。

2）深入剖析了数据瓶颈对AI模型可靠性的根本性制约，包括标注数据稀缺且多样性不足、环境高变异性导致的过拟合、真值获取困难与主观标注误差、以及类别不平衡等问题，揭示了文献中高准确率与田间实际泛化能力之间的显著鸿沟。

3）全面评估了深度学习与传统机器学习在不同任务中的适用边界：深度学习在病害识别、麦穗检测等视觉任务中占绝对主导，而传统机器学习方法在基于时序卫星数据的产量预测中仍具竞争力；同时对比了RGB、多光谱、高光谱、SAR及近红外等多源遥感数据的融合价值、成本与计算需求。

4）前瞻性地指出未来突破的关键路径，包括物理过程模型与深度学习的混合框架、多模态数据融合、小样本/自监督学习以缓解数据依赖、联邦学习保障数据隐私、可解释AI增强农户信任，以及构建从学术研究到田间落地的标准化转化框架，推动AI真正服务于可持续小麦生产。

A Systematic Review of 59 Field Robots for Agricultural Tasks: Applications, Trends, and Future Directions

针对农业任务的59种田间机器人系统综述：应用、趋势与未来方向

Mattia Fontani et al.

https://www.mdpi.com/2073-4395/15/9/2185

文章亮点：

1）本文系统梳理并对比了近十年研制的 59 种农业田间机器人（涵盖已上市与研发中平台），将其划分为多用途、采收、机械除草、病虫害防治与化学除草、侦察监测、移栽以及耕作播种等 7 大核心作业场景。

2）统计与技术特征分析表明，63% 的机器人采用纯电动驱动（可充电电池，非太阳能直供），20% 的平台来自亚洲，且 28% 的机器人依托 RTK-GPS 信号实现高精度导航定位。

3）系统评估了不同体型大小与履带/轮式牵引系统的农机平台在复杂田间环境中的适应性，为“小型机器人集群作业”与“大型单体机器人作业”的市场发展趋势提供了定量依据。

4）指出了当前农业机器人迈向完全自主作业的关键瓶颈，强调未来研究与政策应重点关注导航安全系统的升级、排放降低、跨平台互操作性以及安全部署法规的建立

Advancements in Leaf Area Index Estimation for Maize Using Modeling and Remote Sensing Techniques: A Review

利用建模和遥感技术估算玉米叶面积指数的研究进展：综述

Károly Bakó et al.

https://www.mdpi.com/2073-4395/15/3/519#

文章亮点：

1）本文系统梳理并归纳了近 10–15 年间利用建模与遥感技术估算玉米叶面积指数（LAI）的核心研究成果，为精准预测玉米产量提供了系统的技术框架。

2）对当前最常用的 5 大玉米生长模型（CERES-Maize、AquaCrop、WOFOST、APSIM 和 RZWQM2）进行了对比分析，系统评估了各模型对气象输入参数的最低需求、适用限制及其在不同气候区中的表现差异。

3）深入探讨了将多源遥感数据（无人机 UAV、航空与卫星遥感）与传统作物模型相结合的数据同化（Data Assimilation）方法，显著降低了参数不确定性并提高了 LAI 的估算精度。

4）评估了玉米 LAI 估算在不同空间尺度上的扩展性（Spatial Scalability），总结了在不同环境条件和数据可用性下选择最佳估算模型与遥感源的指导策略。

精选特刊

Agricultural Monitoring and Yield Assessment Through Remote Sensing and GIS

投稿截止日期: 2026年11月10日

客座编辑： Dr. Anna Jedrejek, Dr. Rafa? Pude?ko

https://www.mdpi.com/journal/agronomy/special_issues/MQC1031927

Smart Farming: Advancing Techniques for High-Value Crops

投稿截止日期: 2026年11月30日

客座编辑：Dr. Thanos Balafoutis, Dr. Evangelos Anastasiou

https://www.mdpi.com/journal/agronomy/special_issues/754X2D925N

期刊介绍

主编：Prof. Dr. Leslie A. Weston, Gulbali Centre for Agriculture, Water and Environment Research, Charles Sturt University, Wagga Wagga, NSW 2678, Australia

期刊聚焦聚焦农学和农业生态学，下设13个栏目，涉及农业生物系统与生物工程；农业生态创新：实现系统韧性；作物育种与遗传学；农业可持续性；草地与牧场科学；园艺与花卉作物；创新种植系统；病虫害管理；植物作物生物学与生物化学；精准农业与数字农业；土壤与植物营养；用水与灌溉；杂草科学与杂草管理。

2025 Impact Factor：4.1

2025 CiteScore：7.6

Time to First Decision：17.7 Days

Acceptance to Publication：2.6 Days