综述:数字与传感器技术用于甜瓜采前生产管理:一项PRISMA系统图谱综述

《Cogent Food & Agriculture》:Digital and sensor-based technologies for preharvest melon production management: a PRISMA systematic mapping review

【字体: 大 中 小 】 时间:2026年07月02日 来源:Cogent Food & Agriculture 3.1

编辑推荐:

  数字与传感器系统在甜瓜(Cucumis melo)采前管理中正不断扩展,但证据仍分散于感知、分析、决策支持、驱动和验证等环节。研究人员采用PRISMA 2020系统图谱综述方法,检索了2021–2025年Scopus和ScienceDirect文献,辅以引文追

  
数字与传感器系统在甜瓜(Cucumis melo)采前管理中正不断扩展,但证据仍分散于感知、分析、决策支持、驱动和验证等环节。研究人员采用PRISMA 2020系统图谱综述方法,检索了2021–2025年Scopus和ScienceDirect文献,辅以引文追溯、结构化提取和0–10质量评价,绘制了任务-技术走廊图,将灌溉/施肥灌溉、气候控制、病害/虫害监测、产量/生长估计、品质评估及采收计划与感知模态、分析方法、决策输出、驱动报告和证据强度联系起来。不同于按技术或应用组织的广泛精准农业综述,该作物特异性框架提供了可审计的、可部署的采前Cucumis melo管理路径图。证据表明输入管理占主导,近端感知在灌溉/施肥灌溉中占优,视觉流程在病害监测中占优,而采收支持、驱动集成和外部验证仍然有限。研究人员提出了最低报告条目以提升可审计性和田间转化潜力。
  1. 1.
    引言
    数字转型正推动农业从经验主导的管理转向测量和模型辅助的决策。甜瓜(Cucumis melo)因其品质特性依赖于水肥、冠层发育和微气候而成为典型研究对象。现有研究涵盖低成本物联网(IoT)监测、无人机(UAV)/卫星遥感灌溉指标、近红外和光谱品质评估以及图像病害分类等,但证据碎片化,缺乏可审计的决策规则、驱动路径和长期验证。本文提出任务-技术走廊(task–technology corridor)框架,将传感器、IoT、遥感、机器视觉和人工智能(AI)/机器学习(ML)连接到管理任务、分析、决策输出、驱动、验证和准备约束,实现从技术清单到可审计感知-行动路径的综合。研究问题(RQ1-RQ5)聚焦于管理任务分布、感知模态与分析方法的组合走廊、决策输出与驱动记录、验证设计与性能指标、实施障碍与最低报告条目。
  2. 2.
    方法
    2.1. 协议与报告标准
    本系统综述遵循PRISMA 2020规范,确保研究识别、筛选、资格评估、纳入和决策可追溯性。由于数字农业工程导向的系统图谱缺乏专门注册平台,未预先注册协议。
    2.2. 信息来源
    检索于2025年12月10日在Scopus和ScienceDirect两个主要数据库执行,限定2021–2025年出版,覆盖农业、环境、工程、计算机科学和遥感领域。同时辅以引文追溯以减少遗漏。
    2.3. 检索策略
    采用三个布尔逻辑块:作物块(melon, Cucumis melo)、技术块(传感器、数字、精准农业、智能农业、IoT、遥感、UAV、多光谱、高光谱、光谱学、近红外(NIR)、机器视觉、计算机视觉、决策支持系统(DSS)、AI、ML、深度学习(DL))和管理块(灌溉、施肥灌溉、养分管理、气候控制、温室、病害检测、虫害、产量预测、品质、成熟度、采收)。块内用OR,块间用AND连接。
    2.4. 合格标准
    纳入同行评审、英文全文、针对Cucumis melo采前生产管理的数字或传感器研究,排除产后、西瓜、苦瓜等无关物种。
    2.5. 筛选过程
    PRISMA流程显示初检861条,去重后853条进行标题/摘要筛选,772条排除,81篇全文评估,最终76项研究纳入。采用双评审员审计与共识模型,第二评审员独立审核边缘记录和随机子集,通过讨论解决分歧。
    2.6. 数据提取
    使用结构化表格提取元数据、任务-技术变量、验证特征、决策支持输出、驱动集成和实施考虑。未明确报告的项目记为NR。外部验证定义为在不同农场、季节、年份或品种上的评估。驱动集成分为自动化、部分、手动或未报告。
    2.7. 质量评价/偏倚风险
    采用0–2评分标准评估五个维度:数据/地面真值清晰度、验证独立性、可重复性、指标/基线报告、传感器/校准报告。总分0–4为低,5–7为中,8–10为高。评价结果用于定性综合的证据强度判断,而非排除研究。
    2.8. 数据综合(叙述+图谱)
    因感知模态、分析方法和评价指标异质性大,未进行定量荟萃分析。通过叙述综合和任务-技术图谱展示密集和稀疏走廊。同时使用VOSviewer进行文献计量共现分析。
  3. 3.
    结果A:文献计量图谱
    3.1. 描述统计
    作者产出分析显示少数核心合作群体,如Gallardo、Thompson和Padilla等,其余为单篇作者长尾分布。
    3.2. 主题聚类
    六个主要主题集群为:灌溉/水分状态监测、施肥灌溉/养分管理、温室IoT监测与控制、视觉病害检测、无损品质/成熟度感知、以及收获决策支持。其中输入管理和作物状态估计最为成熟,而收获特定决策支持和完整感知-行动系统探索不足。
    3.3. 任务-技术地图
    热图显示灌溉×近端传感器(n=12)、施肥灌溉×近端传感器(n=12)密度最高;病害×视觉(n=7)和灌溉×无人机/卫星遥感(n=6)也是显著走廊。收获时机(HARV)整体出现少且与IoT平台无配对。驱动集成多数未报告(NR),外部验证仅3项。这定义了明确的评价和实施问题。
    3.4. 质量评价概述
    76项研究中,低质量10项,中等51项,高15项。主要弱点在于验证独立性、可重复性、基线比较和校准程序报告不均。高质量研究通常提供更清晰的地面真值、显式验证设计和传感器描述。
  4. 4.
    结果B:按管理任务的系统综合
    4.1. 灌溉与水分管理
    决策背景包括开放田UAV/卫星信号和温室IoT控制。感知集中于根区土壤/基质监测、UAV多光谱指数、地热传感等。分析结合规则/阈值控制和回归工作流,输出从预测到半自动或闭环控制。评价分为农艺结果(节水、产量)和信号精度(RMSE、R2等)。多季或多地点设计证据最强,但外部验证仍有限。实施约束包括降雨、土壤异质性、校准负担。
    4.2. 施肥灌溉/养分管理
    多为温室导向,感知包括溶液/基质电导率(EC)、pH、湿度及光学反射叶片营养指标。分析涵盖ML回归(随机森林RF、支持向量回归SVR、偏最小二乘回归PLSR)、DSS和优化控制(整数线性规划)。输出包括营养状态预测、处方推荐和自动控制。交叉季节验证的DSS和重复分层拆分的光谱研究证据较强,但许多单点研究仅用随机拆分,限制了转移性。约束包括EC/pH校准、连通性和互操作性。
    4.3. 病害/虫害监测与预警
    以视觉感知为主,包括智能手机图像、边缘设备成像和UAV RGB视频,辅以多传感器成像(RGB、热、荧光、高光谱)。分析多用深度学习分类(卷积神经网络CNN、YOLO),也有统计推断和自然语言处理(NLP)顾问系统。输出主要是分类、严重度等级和检测置信度,驱动通常未报告。评估指标为准确率、精确率/召回率/F1、平均精度均值(mAP)等,但外部验证缺失,泛化性受光照、设备、品种限制。边缘和UAV工作技术就绪水平(TRL)较高,但采集敏感性仍是瓶颈。
    4.4. 产量预测与生长监测
    常作为灌溉/施肥的终点,感知包括卫星/再分析变量(归一化差异植被指数NDVI、地表温度LST)、近端光学生理信号(SPAD、Dualex)和多传感器数据集。分析从混合过程模型(LUE生物量模型)到经验回归和实验对比。输出为产量和生物量估计,控制系统中用于评估效能而非实时目标。多季节/多点验证的研究证据更强,但外部验证罕见。技术就绪取决于模态,遥感需预处理,近端温室感知易受采集协议影响。
    4.5. 品质评估与成熟度/采收时机
    品质常作为上游水肥管理的终点,专用研究用可见光-近红外(Vis–NIR)和高光谱成像预测可溶性固形物(SSC)、甜度等。分析以ML和深度学习为主,但采收时机支持极少,且多为二级标签。输出为连续性状预测或分类,驱动未报告。外部验证不常见,单点设计和随机拆分限制泛化。便携式光谱现场友好但校准敏感,高光谱信号丰富但复杂度高。收获准备度低反映从品质预测到操作决策的转化复杂性。
    4.6. 气候控制(温室)
    主要作为监测与气候意识决策支持,感知包括温湿度、辐射、基质水分、EC/pH网络。分析包括作物模型VegSyst-DSS和PLC/IoT网关控制,但算法细节有时未报告。输出从推荐仪表板到部分可编程逻辑控制器(PLC)控制。评估依类型而异:监测研究报告采样稳定性和能耗,DSS报告RMSE和交叉年验证。外部验证仅见于DSS案例。实际准备度在监测中最强,约束为Wi-Fi/3G依赖、校准和有线扩展性。
    4.7. 跨任务综合预览
    近端、成像和遥感信号通常输入预测诊断或规则优化,驱动在灌溉和施肥灌溉中最明确(TRL~5–6),病害和品质则多停留于决策支持。外部验证稀缺限制跨域转移性。较高准备度的瓶颈常为工程约束(连通性、校准、维护)而非算法本身。
    4.8. 现有研究遵循的通用算法工作流
    八步流程:(1)定义任务和输出;(2)获取数据;(3)预处理与校准;(4)特征提取;(5)应用分析算法(规则、统计、ML、DL、作物模型、优化);(6)性能评估;(7)生成预测/分类/推荐/控制输出;(8)记录驱动、准备度和操作约束。
  5. 5.
    讨论
    5.1. 跨任务综合:什么真正“有效”
    最可靠证据来自完整证据链:农艺意义感知、透明分析、显式决策和可部署评估。灌溉和施肥灌溉最接近实施准备,因连接了根区/UAV信号、决策规则和农艺结果。病害视觉方法虽自然易用,但跨条件可靠性不足。采收系统受限因需综合多成熟度指标且无显式行动规则。未来应加强多季节、多点、品种感知验证,采用迁移学习和领域自适应应对域偏移,结合可解释AI(XAI)使预测关联农艺特征,并测试驱动、互操作性、校准漂移和成本。
    5.2. 局限性
    数据库限于Scopus和ScienceDirect,可能遗漏工程会议文献;时间窗和语言限制排除了早期或非英文研究;任务标签存在主观判断;未计算评审员间一致性的κ统计量;稀疏走廊可能反映检索偏差而非真实空白;缺乏效应量荟萃分析。
  6. 6.
    结论
    RQ1:输入管理任务(灌溉、施肥灌溉)频率最高,采收时机最少。RQ2:最密走廊为IoT/近端感知用于灌溉/施肥/气候,UAV/卫星用于开放田灌溉,视觉/光谱用于病害/品质。RQ3:规则/阈值和经验建模主导输入控制,ML/DL用于病害和品质,但跨研究比较受报告不一致限制。RQ4:主要弱点是外部验证少和验证策略未报告。RQ5:温室IoT路径因持续感知和可行驱动表现出较强实施信号,开放田遥感/视觉则更易受环境变异影响。总体而言,任务-技术走廊框架区分了证据集中与实地成熟度,未来应优先标准化报告、鲁棒农业AI实践和多场景验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号