全球智慧农业领域研究态势分析

任 妮，郭 婷，孙艺伟，戴红君，张琤琤

（江苏省农业科学院信息中心，南京 210014）

1 引言

智慧农业是以信息和知识为核心要素，通过将互联网、物联网、大数据、云计算、人工智能等现代信息技术与农业深度融合，实现农业信息感知、定量决策、智能控制、精准投入、个性化服务的全新农业生产方式，是农业信息化发展从数字化到网络化再到智能化的高级阶段[1]。智慧农业不仅可以提高农业的生产效率，还可以促进农业现代化的发展，使传统农业更加 “智慧”[2]。

20 世纪六七十年代以来，欧美主要发达国家和地区就先后将计算机技术运用到农业领域，并先后出台了精确农业、数字农业、智能农业等发展计划；自2012 年以来中国 《中央一号文件》 《数字农业农村发展规划（2019—2025 年）》 《推进农业农村大数据发展的实施意见》 等一系列政策文件均强调了现代信息技术在农业领域应用的重要性，可以看出，智慧农业作为一种全新的农业生产方式，已然是现代农业发展的新业态和未来农业发展的必然方向。发展智慧农业，依靠知识更新、技术创新、数据驱动打造现代农业科技创新的新范式，是 “十四五”全国各地农业科技创新研究实践的重点领域和战略工程[3]。

基于文献计量和知识图谱的研究态势分析基于情报学的研究思路，可以深入揭示某一研究领域的发展历程、研究现状、前沿分布、发展态势等，被广泛应用于化学、农业、医药等数十个学科领域[4,5]。在农业领域，任妮等[6]利用文献计量学方法对国内外信息感知与精细农业研究的现状、趋势、热点等问题进行综合分析和可视化展示；陈林等[7]采用Web of Science 核心合集数据库中1986—2016 年间收录的有关蒿属植物研究的相关文献，基于信息计量学分析方法进行了统计分析。

本研究基于Web of Science 数据库，利用文献计量和知识图谱等方法，针对全球范围内智慧农业的研究概况、研究群体的竞争力、研究重点与热点等进行深入分析及可视化展示，以期为该领域的科技创新和管理决策提供数据参考和情报支撑。

2 数据来源及处理方法

2.1 数据来源及获取

本研究选择Web of Science 的SCI-EXPANDED 数据库作为全球智慧农业领域研究态势的数据源。通过文献调研发现，智慧农业是将云计算、物联网、大数据、人工智能、移动互联、区块链、无人机等一系列现代信息技术与农业深度融合，以数据为核心、以智能为驱动，实现农业生产经营的精准感知、定量决策、智能控制与个性化服务[8]，因此，本研究检索用核心关键词包含智慧农业及云计算、物联网、大数据、人工智能、移动互联、区块链、无人机等核心技术在农业领域的应用，通过专家确认最终确定检索关键词为IntelligenceAgriculture、SmartAgriculture、WisdomAgriculture、Cloud Computing、Internet of Things、Big Data、Artificial Intelligence 等；经过多次预检索和抽样分析后，构建检索式TI=((Intelligence-griculture or Smart-agriculture or Wisdom-agriculture or Internet-of-Things or Cloud-Comput*or Agricultural-cloud* or Big-data or Artificial-intelligence or computer-vision or machine-vision or machine-learning or natural-language-processing or Deep-learning or ……) AND (agricultur* or farming or crop* or cereal* or vegetable* or fruit* or orchard* or poultry or livestock or fishery or aquatic-product* or aquaticproduct*or ….)。检索过程中，将文献类型限定为 “ARTICLE”和 “REVIEW”，时间范围限定为1970—2020 年，检索时间为2020 年8 月1 日，共获取23 811 篇文献。另外，为了提高检准率，对标题和摘要进行人工判断、筛选，最终获取6 645 篇文献作为最终的数据集。

2.2 数据清洗

本研究以Derwent Data Analyzer（DDA）为数据清洗工具，采用叙词表与人工判断相结合的方式，对国家、机构、作者、学科、主题等字段进行识别、判断、归类等数据清洗和结构化处理；在此基础上，利用Python 为编程语言，以PyCharm 为数据编程工具，以WOS 入藏号等为匹配对象，用清洗过的字段替换原始记录数据中的字段，构建所需的最终数据集。

2.3 数据分析

本研究首先借助Excel 和Tableau 软件对智慧农业领域相关文献的年度分布、国家、机构、学者、学科、期刊等竞争力进行文献计量分析。然后，借助VOSviewer、Ucinet、Netdraw 等软件工具，利用共词分析、聚类分析等技术构建全球智慧农业领域的主题聚类图、主题布局图，对全球智慧农业领域的研究重点、研究热点进行挖掘与可视化分析。最后，基于全球智慧农业领域研究态势的综合分析，对相关研究提出参考建议。

3 研究趋势分析

本研究统计了全球与中国智慧农业领域文献量的年度变化趋势，以揭示全球与中国在智慧农业领域的研究发展趋势（图1）。

图1 全球与中国智慧农业文献量年度分布图Fig.1 Annual distribution of publicatons in the field of global and domestic smart agriculture

智慧农业起源于农业信息化[3]，早期农业领域信息技术方面的研究是智慧农业研究的基础。全球关于智慧农业领域的研究始于1973 年，并从1996 年开始相关研究逐步增多；中国关于智慧农业领域的研究始于1998 年，并从2007 年开始相关研究逐步增多；相关研究至今大体可以分为萌芽期（1973—1995 年）、缓慢发展期（1996—2006 年）、平稳发展期（2007—2015年）、快速发展期（2016 年至今）4 个发展阶段，目前已经到达快速增长状态。对比发现，中国关于智慧农业领域的研究比国外晚了26 年，起步较晚，但经过短暂的萌芽期后，发展步伐加速，与全球同步进入平稳发展期和快速发展期。

2015 年，日本启动基于 “智能机械+现代信息”技术的 “下一代农林水产业创造技术”，重点发展以农业机器人为核心的无人农场[9]；2017 年，欧洲农机峰会提出未来农业发展方向是以现代信息技术与先进农机装备应用为特征的农业4.0——智慧农业[10]；2018年，加拿大明确土壤与作物传感器、家畜生物识别、农业机器人等技术将在未来5～10 年进入生产实际，颠覆传统农业生产方式[11]；2020 年，美国科学院公布未来10 年美国将围绕系统认知分析、精准动态感知、数据科学、基因编辑、微生物组五大关键技术寻求农业领域的科技突破[12]，而其中前3 项与智慧农业息息相关。

2016 年以来，中国越来越重视信息技术在现代农业发展中发挥的作用。2016 年提出要重点突破智能农业等领域关键技术，大力推进 “互联网+”现代农业，应用物联网、云计算、大数据、移动互联等现代信息技术，推动农业全产业链改造升级；2017 年提出加强智慧农业等科技研发，实施智慧农业工程，推进农业物联网试验示范和农业装备智能化；2018 年提出大力发展数字农业，实施智慧农业林业水利工程，推进物联网试验示范和遥感技术应用；2019 年提出要着力在智慧农业等领域，加快关键核心技术攻关与装备创制应用，深入推进 “互联网+农业”，扩大农业物联网示范应用，实施数字乡村发展战略；2020 年提出加快物联网、大数据、区块链、人工智能、第五代移动通信网络、智慧气象等现代信息技术在农业领域的应用；2021 年提出发展智慧农业，建立农业农村大数据体系，推动新一代信息技术与农业生产经营深度融合；可见，发展智慧农业，探索信息技术与农业融合发展路径，攻关核心关键信息技术创新应用，推动 “创新链+产业链”双向融合，是中国实施乡村振兴战略、推进农业农村现代化的关键举措[3]。一系列重大战略部署、政策文件、任务举措的出台促进了近年来智慧农业研究的快速发展。

4 研究竞争力分析

4.1 国家竞争力分析

全球共有107 个国家在智慧农业领域开展相关研究，高生产力国家主要集中在东亚、北美、南欧、西欧、西亚、中欧、南亚、南美洲等地区；高影响力国家广泛分布在北美、东亚、南欧、西欧、中欧、西亚、南美洲、大洋洲、南亚、北欧等地区。

本研究选择发文量大于70 篇且总被引频次大于1 400 次的20 个国家作为高竞争力国家进行分析，以挖掘全球智慧农业领域的重点国家（图2）。研究发现，全球智慧农业领域，中美两国具有绝对的生产力和影响力优势，加拿大、丹麦、荷兰、比利时、西班牙具有较高的论文质量优势。

图2 全球智慧农业领域重点国家竞争力对比图Fig.2 Comparison of competitiveness of key countries in the field of global smart agriculture

4.2 机构竞争力分析

本研究根据发文量选择Top35 的机构进行分析，以挖掘全球智慧农业领域的重点研究机构（图3）。35家机构分别来自13 个国家，其中，中国和美国分别有11 家和10 家机构上榜，优势明显。

图3 全球智慧农业领域重点机构竞争力对比图Fig.3 Comparison of competitiveness of key institutions in the field of global smart agriculture

研究发现，全球智慧农业领域，中国农业大学、浙江大学、美国农业部的生产力和影响力均排在前5位，研究优势明显；加拿大农业和农业食品部、西班牙国家研究委员会、密歇根州立大学具有绝对的论文质量优势，中国机构的论文质量普遍不高。

4.3 学者竞争力分析

本研究根据发文量选择Top30 的学者进行分析，以挖掘全球智慧农业领域的重点研究学者（表1，见54 页）。30位学者分别来自7 个国家20 家机构，中国有12 位学者上榜，优势明显；其中，北京市农林科学院、浙江大学、西班牙国家研究委员会分别有3 位学者上榜，优势较明显。

表1 全球智慧农业领域重学者竞争力对比表Table 1 The comparison of competitiveness of keys cholars in the field of global smart agriculture

研究发现，全球智慧农业领域，HE Y、JAYAS D S、BLASCO J 的生产力和影响力均排在前五位，研究优势明显；JAYAS D S 具有绝对的论文质量优势，中国学者的论文质量普遍不高。

4.4 学科竞争力分析

全球智慧农业研究论文共分布在93 个学科类别中，学科交叉融合明显。本研究对所涉及学科的文献量和总被引频次进行统计分析，以揭示全球智慧农业领域的重点学科领域（图4、图5，见55 页）。

图4 全球智慧农业领域学科文献量对比图Fig.4 Comparison of the amount of subject literature in the field of global smart agriculture

图5 全球智慧农业领域学科总被引频次对比图Fig.5 Comparison of the total cited frequency of subject literature in the field of global smart agriculture

农学以2 784 篇的文献量和54 517 的总被引频次排在首位，远远高于其他学科，是研究智慧农业的基础和重点学科领域，学科竞争力最强；计算机科学、工程学、食品科学技术、化学的文献量和总被引频次均排在前5 位，是研究智慧农业的重点学科领域，学科竞争力相对较高；另外，仪器及仪表学、遥感、植物科学、环境科学与生态学、电信等学科也对智慧农业领域开展了大量研究。

4.5 期刊竞争力分析

全球智慧农业研究论文共分布在1 120 种期刊中，期刊分布广泛。本研究选择文献量大于25 篇同时总被引频次大于500 次的20 种期刊进行分析，以揭示全球智慧农业领域的重点期刊分布（表2，见56 页）。其 中，Computers and Electronics in Agriculture 以775篇的文献量和19 739 次的总被引频次排在首位，远远超过其他期刊，是收录智慧农业领域相关论文的重点期刊，期刊竞争力最强。

表2 全球智慧农业领域重点期刊竞争力对比表Table 2 The comparison of competitiveness of key journals in the field of global smart agriculture

5 研究重点与热点分析

5.1 研究重点分析

本研究分别以全球文献量5 以上的1 216 个主题词、中国文献量4 以上的482 个主题词，利用共词分析、聚类分析等技术构建全球及中国智慧农业领域的主题聚类图，以挖掘全球和中国智慧农业领域的研究重点。

5.1.1 全球研究重点分析

全球智慧农业领域的研究分为三大类，分别为“以农业物联网为代表的信息感知、分析与调控技术”“以机器视觉为代表的影像分析与利用技术”“以农业遥感为代表的作物识别与生长监测技术”（图6，见57 页）。

图6 全球智慧农业领域主题聚类图Fig.6 The topic clustering map of in the field of global smart agriculture

（1）“以物联网为代表的信息感知与调控技术”中大量聚集了物联网、大数据、人工智能、云计算、移动互联、区块链等热门信息技术，是信息技术在农业领域研究应用的充分体现，主要分为 “智慧种植管理与决策，智慧养殖管理与决策，数据采集、传输与处理技术，农业机器人技术”等4 个研究方向。相关研究有：利用人工神经网络估算蒸散量[13]；使用无线传感器网络和GPRS 模块构建自动灌溉系统[14]；基于深度神经网络的叶片图像分类识别植物病害研究[15]；牲畜运动传感器中项圈数据的行为分类[16]；使用无线传感器网络监控农业中的环境参数[17]；具有基于视觉的机械除草控制的农业移动机器人[18]等。

（2）“以机器视觉为代表的影像分析与利用技术”重点围绕可见光图像以及高光谱、多光谱、红外光谱、近红外光谱等光谱图像，开展图像采集、处理、分析、利用等研究，主要分为 “基于高光谱的综合品质检测技术、基于近红外光谱的内在品质检测技术、基于影像分析的外在品质检测技术、基于可见光图像的特征识别技术”等4 个研究方向。相关研究有：基于高光谱成像和神经网络的红鲜苹果冷害检测[19]；水果果实硬度和可溶性固形物含量的多光谱成像预测[20]；基于颜色纹理特征和判别分析的柑橘病害识别[21]；应用图像处理技术确定核桃品种的大小和形状特征[22]；基于神经网络分类器的玉米籽粒破损机器视觉分类[23]等。

（3）“以农业遥感为代表的作物识别与生长监测技术”中以卫星、无人机、雷达等遥感数据为主，重点利用机器学习、深度学习等人工智能技术和统计学方法开展作物识别与作物生长模拟、监测、评估等系列研究，主要分为 “作物生长监测与评估、无人机影像分析与应用、卫星影像特征提取与分类”3 个研究方向。相关研究有：基于遥感数据的土地覆盖和作物类型深度学习分类[24]；基于随机森林回归算法和遥感数据的小麦生物量估算[25]；利用无人机可见光和热红外图像估算水稻倒伏指数[26]；利用Landsat-ETM+影像估算玉米和大豆叶面积指数的经验方法和神经网络方法比较研究[27]等。

5.1.2 中国研究重点分析

中国智慧农业领域的研究与全球有所差异，主要分为 “基于数据与图像的智慧种植、养殖管理与决策技术”“以机器视觉为代表的影像分析与利用技术”“以农业遥感为代表的作物识别与生长监测技术”三大类，其中，每一大类的具体研究重点也有所不同（图7，见58 页）。

图7 中国智慧农业领域主题聚类图Fig.7 The topic clustering map of in the field of China's smart agriculture

（1）“基于数据与图像的智慧种植、养殖管理与决策技术”主要分为 “智慧种植管理与决策，智慧养殖管理与决策，数据采集、传输与处理技术”等3 个研究方向，侧重于机器视觉、图像分析、卷积神经网络、深度学习、图像处理、物联网、大数据等多种现代信息技术在农业种植、养殖管理决策中的综合分析与利用。相关研究有：基于信息共享的无线传感器网络土壤水分检测标定方法[28]；基于图像处理的稻田稻飞虱自动计数[29]；自动检测牛发情和交配行为的运动图像分析方法研究[30]；使用Faster R-CNN 识别群养猪的进食行为[31]；基于无线传感器网络的蔬菜大棚监测系统构建[32]等。

（2）“以光谱成像为代表的影像分析与利用技术”主要分为 “基于高光谱的综合品质检测技术、基于近红外光谱的内在品质检测技术、基于可见光图像的特征识别技术”等3 个研究方向，侧重于人工神经网络及统计分析方法对可见光图像、光谱图像的分析利用及对作物或农产品品质的分类、识别及预测。相关研究有：高光谱成像和化学计量学定标在玉米种子品种鉴别中的应用研究[33]；利用激光背散射图像分析预测苹果果实可溶性固形物含量和硬度[34]；基于图像处理的草莓自动分级系统构建[35]等。

（3）“以农业遥感为代表的作物识别与生长监测技术”主要分为 “作物生长监测与评估、遥感影像特征提取与分类”两个研究方向，侧重于支持向量机、神经网络、随机森林等人工智能技术对植被指数、叶面积指数、叶绿素含量等遥感数据的分析利用及对作物生长模拟与检测、产量预测、作物与土地覆盖分类等方面的研究。相关研究有：利用高光谱反射率和人工神经网络监测水稻氮素状况[36]；三维卷积神经网络在多时相遥感影像作物分类中的应用[37]；利用高分辨率航空和卫星图像评估精确农业作物生长和产量变异[38]等。

5.2 研究发展趋势分析

按照智慧农业研究论文聚类得到三大主题领域，统计了各主题文献量随时间的发展变化趋势（图8）。可见，三大主题领域的研究趋势基本一致，文献量总体均呈波动上升的趋势；三大主题领域的研究均始于20 世纪90 年代初期，1990—2006 年文献量缓慢波动增长，2007—1013 年文献量增长速度加快并保持稳定态势，2014 年之后文献量增长速度显著加快且呈爆发式增长趋势。

图8 全球智慧农业三大主题文献量年度变化图Fig.8 The annual change of three themes'publications in the field of global smart agriculture

相比较而言，“以物联网为代表的信息感知、分析与调控技术”“以机器视觉为代表的影像分析与利用技术”的文献量差距不大，2015 年之前 “以机器视觉为代表的影像分析与利用技术”每年的文献量略高于 “以物联网为代表的信息感知、分析与调控技术”，差距仅在20 篇以内，2015 年之后“信息感知、分析与调控技术”每年的文献量超过 “影像分析与利用技术”，且两者的文献量差距越来越明显；“以农业遥感为代表的作物识别与生长监测技术”的文献量相对较少，但整体处于上升趋势且近年来增长速度明显加快。可见，近年来“以物联网为代表的信息感知、分析与调控技术”的研究发展态势好，今后有较大的发展空间。

5.3 研究热点分析

5.3.1 重点国家热点分析

本研究根据发文量选择Top11 的国家进行主题对比分析，以挖掘全球智慧农业领域重点国家的研究热点（图9）。

图9 全球智慧农业Top10 国家主题对比分析Fig.9 The comparative analysis of top 10 countries'themes in the field of global smart agriculture

基于高光谱的综合品质检测技术、智慧种植管理与决策、基于可见光图像的特征识别技术、无人机影像分析与应用是Top11 国家均侧重研究的主题方向；卫星影像特征提取与分类、数据采集、传输与处理技术、智慧畜禽养殖管理与决策是部分国家侧重研究的主题方向。

Top11 国家在智慧农业领域的研究优势差异显著。中国、美国在三大主题领域11 个主题方向的发文量全部排在前两位，且发文量远远超过其他国家，具有最强的研究优势；西班牙在三大主题领域11 个主题方向的发文量均排在第三位，研究优势明显；德国在智慧种植管理与决策、无人机影像分析与应用等方向具有一定的研究优势；意大利在智慧种植管理与决策、基于高光谱的综合品质检测技术等方向具有一定的研究优势；伊朗在基于高光谱的综合品质检测技术、基于近红外光谱的内在品质检测技术、基于可见光图像的特征识别技术等方向具有一定的研究优势；印度在数据采集、传输与处理技术、基于可见光图像的特征识别技术等方向具有一定的研究优势；澳大利亚在无人机影像分析与应用、英国在智慧畜禽养殖管理与决策具有一定的研究优势。

5.3.2 重点机构研究热点分析

本研究根据发文量选择Top15 的机构进行主题对比分析，以挖掘全球智慧农业领域重点机构的研究热点（图10）。

图10 全球智慧农业Top15 机构主题对比图Fig.10 The comparative analysis of top 15 institutions'themes in the field of global smart agriculture

智慧种植管理与决策、无人机影像分析与应用、基于高光谱的综合品质检测技术是Top15 机构均侧重研究的主题方向；基于可见光图像的特征识别技术、基于近红外光谱的内在品质检测技术是部分机构侧重研究的主题方向。

Top15 机构在智慧农业领域的研究优势不同。中国农业大学、美国农业部在三大主题领域11 个主题方向的发文量全部排在前五位，且中国农业大学在数据采集、传输与处理技术、农业机器人技术、无人机影像分析与应用等方向的研究优势明显，美国农业部在智慧种植管理与决策、智慧畜禽养殖管理与决策、作物生长监测与评估等方向的研究优势明显；中国科学院大学在卫星影像特征提取与分类的研究优势明显，且在作物生长监测与评估等方向具有一定的研究优势；浙江大学在基于高光谱的综合品质检测技术、基于近红外光谱的内在品质检测技术、基于影像分析的外在品质检测技术、基于可见光图像的特征识别技术等方向的研究优势明显；西班牙国家研究委员会在智慧种植管理与决策、无人机影像分析与应用等方向具有一定的研究优势；南京农业大学、德黑兰大学在基于高光谱的综合品质检测技术等方向具有一定的研究优势；江苏大学在基于可见光图像的特征识别技术等方向具有一定的研究优势。

6 结语

本研究利用文献计量和知识图谱的方法对全球智慧农业的研究概况、研究群体竞争力、研究重点与热点进行了分析，以期为中国智慧农业领域的科技创新和管理决策提供情报支撑和数据参考。主要结论和启示如下。

（1）全球关于智慧农业领域的研究始于1973 年，中国关于智慧农业领域的研究比国外晚了26 年，起步较晚但发展迅速，2010 年之后全球及中国智慧农业的研究热度越来越高。

（2）在全球智慧农业领域，中国和美国的生产力和影响力均遥遥领先于世界其他各国；中国农业大学、浙江大学、美国农业部的生产力和影响力具有明显优势；HE Y、JAYAS D S、BLASCO J 的生产力和影响力均较高；中国机构和学者的论文质量普遍不高。农学、计算机科学、工程学、食品科学技术、化学是研究智慧农业的重点学科领域；Computers and electronics in agriculture 是收录智慧农业领域相关论文的重点期刊，期刊竞争力最强。

（4）全球智慧农业领域重点围绕 “以农业物联网为代表的信息感知、分析与调控技术”“以机器视觉为代表的影像分析与利用技术”“以农业遥感为代表的作物识别与生长监测技术”三大主题展开。中国重点围绕 “基于数据与图像的智慧种植、养殖管理与决策技术”“以机器视觉为代表的影像分析与利用技术”“以农业遥感为代表的作物识别与生长监测技术”三大主题展开，与全球略有差异。

（5）“以农业物联网为代表的信息感知、分析与调控技术”是近年来的研究热点。中国机构在数据采集、传输与处理技术、农业机器人技术、无人机影像分析与应用、卫星影像特征提取与分类、作物品质检测与特征识别等多个技术领域的研究优势明显，在智慧种植管理与决策、智慧畜禽养殖管理与决策、作物生长监测与评估等技术领域的研究优势不明显。农用传感器的自主研发、数据挖掘分析和共享利用的技术模式、智能控制的算法模型和系统集成、智能化农机装备和农业机器人自主研发、智慧化农业科技服务模式等是中国智慧农业进一步发展需要突破的重点研究方向。