数智棉花：全生育期闭环管理的人工智能技术综述

Digital and intelligent cotton: A review of artificial intelligence technologies for closed-loop management across the entire growth cycle

摘要

针对棉花生产投入要素多、生育期长、田间环境复杂，且处方执行难以追溯等问题，本研究以“感知—决策—执行（Perception-Decision-Execution，PDE）”闭环为主线，系统梳理人工智能（AI）技术在棉花全生育期管理中的研究进展、工程约束与落地条件。在Web of Science、Scopus、Google Scholar、中国知网（CNKI）和IEEE Xplore等数据库检索2015—2025年棉花精准农业与AI相关文献，并适当回溯基础方法与装备研究，最终纳入81篇文献（2023年及以后41篇）。文献按数据与基础设施、感知、预测与推断、决策与处方、执行与装备5个层面进行归类和解析，同时引入涵盖模型精度、农艺收益、资源环境效益和经济可复制性的闭环评价框架。结果表明：1）感知层文献数量最集中，已覆盖出苗、长势、病虫草害、吐絮率和棉铃检测等至少5类任务，无人机（UAV）遥感、深度语义分割与目标检测是主流方法；但跨年份、跨地块和复杂背景下的域偏移仍会造成精度衰减；2）预测层已从产量、水分胁迫和养分状态估计扩展到区间化预报，近期工作集中于UAV多源影像、热红外、盐分反演、氮素诊断和多模态建模，但不确定性表达、提前量与管理可操作性的匹配仍显不足；3）决策层多集中于灌溉、施肥、植保和化控等单目标或局部优化，融合产量、品质、成本、窗口期和装备能力的约束决策仍缺少统一范式；4）执行层受处方格式、设备接口、定位精度、作业日志和质量校核等因素制约，ISO-XML/ISOBUS等标准在棉花场景的适配与案例积累仍不充分，评价层可由变量氮肥、水分胁迫、土壤盐分、无人机喷施和漂移控制等实证研究支撑四维评价。数智棉花的主要瓶颈正由单一算法精度转向数据治理、接口标准、误差归因和跨主体协同，应优先建设可追溯数据底座，发展低标注成本学习范式，建立端到端闭环评价基准，以支撑规模化、可复核、可迭代的应用。

Abstract

To address the challenges of diverse inputs， long growth cycle， complex field conditions， and poor traceability of prescription execution in cotton production， this review synthesizes research progress， engineering constraints， and deployment conditions of Artificial Intelligence （AI） for whole-growth-cycle cotton management under the Perception-Decision-Execution （PDE） closed-loop framework. Publications on cotton precision agriculture and AI from 2015 to 2025 were retrieved from Web of Science， Scopus， Google Scholar， CNKI， and IEEE Xplore， with earlier foundational methods and representative equipment studies included as appropriate. A total of 81 publications were included， of which 41 were published in 2023 or later. The literature was organized into five layers： data and infrastructure， perception， prediction and inference， decision and prescription， and execution and machinery； a closed-loop evaluation framework covering model performance， agronomic benefit， resource-environment impact， and economic scalability was used throughout the analysis. The review reveals that： 1） The perception layer contains the highest concentration of studies and task types， covering at least five tasks， including emergence， growth status， pest and weed detection， boll opening， and boll detection. UAV remote sensing， deep semantic segmentation， and object detection are the dominant methods， though domain shift across years， fields， and complex backgrounds still causes performance degradation. 2） The prediction layer has expanded from yield， water stress， and nutrient diagnosis to interval-based forecasting， with recent studies focusing on UAV multi-source imagery， thermal infrared sensing， salinity retrieval， nitrogen diagnosis， and multimodal modeling； however， uncertainty expression and the alignment between lead time and management action remain insufficient. 3） Decision layer studies are still dominated by single-objective or local optimization for irrigation， fertilization， crop protection， and growth regulation， while constraint-aware decisions integrating yield， quality， cost， operation windows， and machinery capacity remain underdeveloped. 4） The execution layer is constrained by prescription formats， equipment interfaces， positioning accuracy， operation logs， and quality verification， and cotton-specific adaptation of standards such as ISO-XML/ISOBUS remains limited； the evaluation layer can be supported by empirical studies on variable-rate nitrogen management， water stress diagnosis， soil salinity monitoring， UAV spraying， and drift control. The bottleneck of digital and intelligent cotton is shifting from single-algorithm accuracy to data governance， interface standards， error attribution， and cross-actor collaboration. Traceable data infrastructure， low-annotation learning paradigms， and end-to-end closed-loop benchmarks should be prioritized to support scalable， auditable， and iterative deployment.

Graphical abstract

关键词

棉花 / 精准农业 / 人工智能 / PDE闭环 / 变量作业

Key words

cotton / precision agriculture / artificial intelligence / PDE closed loop / variable rate application

棉花生产具有投入要素多（水、肥、药、调控剂）、生育期长（150~200 d）、田间环境复杂与区域差异显著等特点，管理目标并非单一增产，而是同时追求高产高质、资源高效与环境友好。水肥投入、病虫草害防控、化控脱叶与机械采收等环节均面临强烈的时空异质性与窗口期约束：过量投入带来盐渍化与面源污染风险，投入不足则导致胁迫与减产，且这种影响具有滞后性；病虫草害以小目标或斑块形式出现，田间复杂背景导致误检、漏检；脱叶剂施用需与吐絮进程和采收窗口高度耦合，不同条件下策略可迁移性差；采收窗口对吐絮一致性与含水率高度敏感，错配会放大品质波动。以新疆规模化大田与膜下滴灌体系为例，该体系下处方表达、装备执行精度与追溯反馈的工程化要求更高，任何环节的误差都可能在“处方—执行—反馈”链路中累积放大。总体而言，棉花精准化管理的核心难点在于：如何在复杂、不确定且异质的田间环境下稳定获取关键状态，及时做出可执行决策并在执行后实现可追溯、可校正、可迭代的管理闭环。

精准农业与智慧农业的演进方向正在从“监测与可视化”走向“闭环管理”，其核心可概括为感知-决策-执行（Perception-Decision-Execution，PDE）并通过反馈实现持续校正与迭代（图1）。感知层利用卫星遥感、无人机与多源地面传感等方式刻画作物与土壤状态；决策层结合AI方法与作物机理知识生成分区处方；执行层通过变量作业装备将处方转化为田间作业；反馈层利用作业日志与再感知数据评估效果并驱动模型更新。在这一框架中，AI的关键价值不在于提升单点任务精度，而在于把多源空间数据转化为可执行、可追溯、可迭代的管理能力^［1-3］。值得强调的是，不确定性贯穿PDE闭环系统的每一层并在层间传播与累积，其量化与管理是闭环系统从“可用”走向“可靠”的关键线索。

国内层面，《全国智慧农业行动计划（2024—2028年）》以及《农业农村部关于大力发展智慧农业的指导意见》明确提出数据治理、标准化与跨主体协同是规模化落地的关键路径^［4-5］。新疆棉花产量占全国约九成，膜下滴灌与机采的规模化组织凸显数智化的现实需求^［6］。毛树春^［7］围绕新疆绿洲棉花可持续发展，系统梳理了智慧棉花技术路径与应用对策，为规模化棉区数智化实践提供了产业层面的参考；近年国内研究还在无人机多源遥感估产、冠层三维建模、采棉机器人视觉感知和轧工质量检测等方面形成了连续成果^［8-13］。这些工作表明，国内数智棉花研究已从单项感知或装备试验向“数据-模型-装备-评价”链条化验证延伸。

国际层面，智慧农业研究已形成深度学习、机器学习、农业大数据、边缘计算和数字孪生等多条技术路线^{［1-3，14-18］}，近年还出现了面向棉花生长监测的UAV遥感与机器学习综述^［19］。在棉花场景中，UAV多源影像被用于出苗率、株高、叶面积指数（Leaf area index，LAI）、吐絮率、棉铃识别和采前估产等任务^［20-37］，水分胁迫、养分诊断和变量作业研究也逐步把遥感、作物模型与经营记录结合起来^［38-45］。然而，现有研究多以单一任务或单一地块验证为主，跨年份、跨区域、跨装备的端到端闭环证据尚不充分。

综上，已有研究为棉花智能感知、预测和装备执行奠定了基础，但仍存在三处系统性空白：一是感知、预测、处方和执行之间缺少统一的数据接口与误差追溯机制；二是多数模型评价停留在离线精度，缺少对农艺收益、资源环境效益和经济可复制性的共同验证；三是基础模型、联邦学习和数字孪生等新范式在棉花场景中的适配边界尚不清楚。本研究围绕上述空白展开综述，以期为数智棉花从单点智能走向全生育期闭环管理提供方法框架与实施参考。

数智棉花是指以数据驱动与智能化技术为核心、面向全生育期闭环管理的棉花生产体系。本研究围绕“看得准（感知）、算得稳（预测）、管得住（决策与执行）”3类关键问题，系统综述AI技术在棉花全生育期PDE闭环管理中的方法路线、工程约束与落地条件，以期为数智棉花从单点智能走向系统智能提供方法框架与实施参考。全文结构如图2所示：第1节为文献检索与分析框架；第2节为PDE主线结果部分，其中2.1节数据与基础设施为地基，2.2节为感知层，2.3节为预测与推断层，2.4节为决策与处方层，2.5节为执行与装备层，2.6节为评价体系；第3节为讨论（挑战与趋势）；第4节为结论。

1　材料与方法

1.1　文献检索策略

本研究以Web of Science、Scopus、Google Scholar、中国知网（CNKI）为主要检索数据库，辅以IEEE Xplore及MDPI系列期刊。检索关键词包括：cotton AND （precision agriculture OR smart agriculture OR remote sensing OR UAV OR machine learning OR deep learning OR variable rate OR prescription map OR digital twin），中文检索词包括“棉花”“精准农业”“智慧农业”“遥感”“无人机”“机器学习”“变量作业”“处方图”等。检索时间范围以2015—2025年为主，对奠基性方法、综述以及棉花装备领域的代表性研究适当回溯至更早年份。

为增强可复核性，检索在各数据库尽可能保持一致的字段限定（题名/摘要/关键词）与时间窗，并检索结果导出为RIS/CSV等可追溯格式。同时，采用文献管理工具进行去重与记录保存；后续筛选过程按“标题/摘要初筛—全文复核—纳入”的流程执行，并保留筛选记录。

1.2　文献筛选及纳入标准

初步检索结果经标题与摘要筛选后，按以下标准纳入：1）研究对象为棉花或以棉花为主要验证作物；2）涉及AI/机器学习/深度学习方法，或涉及精准农业装备与系统集成；3）提供可量化的实验结果或系统性综述分析。对于通用精准农业方法（非棉花特异），仅在该方法对棉花场景具有直接借鉴意义时纳入。最终纳入81篇核心分析文献，涵盖棉花场景实证研究、近年英文文献、国内同行研究和支撑性方法文献。为避免“核心文献数量偏少”造成的误解，本研究将纳入文献分为两类：一类为棉花场景的核心研究文献（棉花实证、可迁移方法对比与系统集成案例），用于支撑2.1~2.6节的逐层综述与方法对比；另一类为支撑性文献（通用综述、基础方法、标准与政策），用于阐释闭环工程约束、数据治理、接口标准化与评价口径等跨作物共性议题。两类文献共同服务于“方法路线—工程约束—落地条件”的综述目标。

1.3　分析框架

本研究以PDE闭环为主线组织文献分析，将技术体系划分为数据与基础设施层（2.1节）、感知层（2.2节）、预测与推断层（2.3节）、决策与处方层（2.4节）、执行与装备层（2.5节），并以评价体系（2.6节）贯穿闭环效果验证。在每层内按“任务定义→方法路线→工程约束→棉花特异性→小结”的逻辑展开，力求兼顾学术前沿与工程落地视角，各层的核心任务、方法路线、数据源、输出与工程约束汇总见表1。为强化“逐层可落地”的闭环主线，本研究在各节开头与小结中尽量明确该层的输入、输出及其与下一层的接口关系。

2　结 果

2.1　数据与基础设施：AI落地的地基

面向棉花生产的PDE闭环，数据与基础设施决定了“看得见、算得准、开得出处方、落得下作业、评得了效果”这一链路能否稳定形成。与许多标准化工业场景不同，棉田数据天然呈现尺度多样、采样频次不齐、噪声与缺失普遍、标签昂贵且分布随年际与地块变化的特征。因此，文献与实践均显示：在算法创新之前，先把多源数据统一到可追溯、可对齐、可计算的体系中，是系统性提升效果与可复制性的前提。

2.1.1　多源数据体系

数智棉花的数据底座通常由遥感、地面传感、设备与作业日志、农艺与经营信息等共同构成（表2）。

卫星遥感在区域尺度的长周期监测上具有稳定优势，可为跨地块、跨季节的时空对比提供一致参考。常用数据源包括Sentinel-2多光谱（10 m分辨率，5 d重访）、Landsat系列（30 m）以及商业高分辨率卫星等，适用于区域长势监测、种植面积提取与跨年对比分析；基于Sentinel-2A构建的大尺度棉花综合长势监测指数也为区域化管理提供了新证据^［46］。无人机（UAV）更适合地块尺度的高分辨率表型刻画与处方图生成，能够支撑精细分区与小尺度异常定位。搭载RGB、多光谱、高光谱、热红外或LiDAR等载荷，可在关键生育期按需获取厘米级分辨率数据，是感知层与处方生成的核心数据来源，已在棉花估产、长势预测和数字孪生等任务中得到广泛验证^{［20-21，47-51］}。地面传感器（如土壤墒情、盐分/电导率EC、田间小气候、虫情灯等）提供与机理过程强相关的连续观测，能够弥补遥感在时间分辨率与遮挡条件下的不足，在灌溉调度与胁迫预警中不可替代。设备与作业日志（滴灌流量与压力、施肥配方、喷施参数、农机轨迹、速度与作业状态）刻画“执行过程”，是闭环中最容易被忽视却最关键的一类数据，因为它直接决定处方是否被正确实施，也是执行质量校核与误差归因的基础。农艺与经营数据（品种、密度、播期、栽培制度与投入记录，以及衣分、马克隆值、纤维长度与整齐度等采收与品质指标）用于解释差异、校准模型目标并完成收益评估，使模型输出能够与真实管理目标对齐。

总体而言，多源数据并非越多越好，关键在于围绕闭环任务建立“状态—处方—执行—效果”的一致证据链，以支持可复盘、可更新的模型与策略迭代。

2.1.2　计算与通信

田间智能的工程化落地通常遵循边云协同路线。边缘侧指部署在无人机、农机、地头网关或传感站上的近端计算单元，主要承担低时延任务，如图像初筛、异常预警、处方接收、阀控/喷施控制和断网缓存等；云端侧承担时空数据库、历史数据管理、模型训练、跨地块知识迁移和版本管理等重计算任务^［14-15］。二者的分工以任务时效性和数据体量为依据：秒级响应和弱网条件下必须完成的任务前移至边缘端，跨季节建模和多主体协同任务集中到云端。

在棉花场景中，边云协同面临若干特殊约束：新疆等主产区的大田面积常达数十至数百公顷（hm²），田间通信基础设施覆盖不均，4G/5G信号在偏远地块可能不稳定，对边缘推理的自主性、离线容错和断点续传能力提出更高要求；膜下滴灌管网的数字化表达（管网拓扑、阀控分区、压力分布等）需要与GIS和处方系统深度集成；长生育期（约150~200 d，因品种与区域而异）产生的多时相、多源数据量大，对云端存储、索引与版本管理能力构成持续压力。

高精度定位与GIS是处方与变量作业闭环的坐标基准。北斗/GNSS提供处方图、作业路径与执行日志的统一地理参照，RTK等增强定位技术可把导航和变量作业误差控制在装备可接受范围内；GIS则用于表达地块边界、管网分区、障碍物、采样点和管理单元。若坐标基准、投影系统或接口格式不一致，同一处方单元在装备端会发生空间错位，导致灌溉、施肥或喷施位置偏移，最终表现为“模型输出正确但田间效果不稳定”。因此，基础设施（包括IoT通信架构与数据互联互通能力^［16］）的标准化与一致性往往比单次模型精度提升更能影响长期收益^［4-5］。

2.1.3　数据质量、标注与跨主体协作

在规模化应用中，数据治理通常是最主要的隐性成本，也是决定可复制性的关键变量。标注成本在农业视觉任务中尤为突出：病斑分割、杂草实例级识别、棉铃计数与吐絮像素提取等高价值任务需要高质量标注才能达到可用精度，标注噪声与口径不一致会直接损害泛化能力。

时空配准与生育期对齐是系统误差的重要来源。不同传感器、不同架次、跨年数据若不能统一到稳定坐标系与可比较的生育进程尺度（如以积温或生育期天数替代日历日期），模型将学习到“伪相关”，在换地块或换季节时失效。域偏移是棉花AI的常态：地块土壤与盐分差异、年份气候波动、品种与管理措施不同都会导致分布变化，使得离线高精度模型在真实生产中性能衰减。这一问题将在后续各章节中反复出现，是制约模型可复制性的核心因素。隐私与资产化问题决定了跨主体协作的边界。农场经营数据与设备数据涉及商业敏感与合规约束，数据共享机制、授权与审计能力常成为规模化推广的前提条件^［4-5］。

2.1.4　小结

数据质量管理的目标不是数据的简单存储与堆积，而是围绕标注规范、时空配准、域偏移应对与隐私合规等关键环节，构建可追溯的数据资产体系与可持续的模型迭代机制，使闭环可以跨季节运行而非仅为一次性试验。本节的核心启示是：数据体系的完整性与一致性是AI落地的前提，其重要性往往高于算法本身的精度提升。在此基础上，下一节将讨论感知层如何利用这些数据完成田间状态的稳定提取。

2.2　感知层：棉田看得见、量得准

感知层是PDE闭环的入口，其核心任务是将复杂田间状态转化为可用于预测与处方的稳定输入。棉花生产对感知的要求既包含常规的长势与胁迫监测，也包含吐絮与棉铃等作物特异性目标；同时，感知结果需要能映射到管理单元与装备作业尺度，才能从“识别”走向“可执行”。本节按生育进程顺序，依次梳理出苗与苗情、长势与结构表型、病虫害识别、杂草识别与分布制图、棉铃与吐絮视觉任务五类核心感知任务（图3）。本节的输入主要来自2.1节构建的数据底座及其对齐与治理方法，输出为可对齐到管理单元的状态产品（分区图、风险图、吐絮率/铃数等），并作为2.3节预测与推断的关键输入。

2.2.1　出苗和苗情

出苗与苗情决定群体基础与后续管理上限，也是最早可形成闭环的环节之一。研究表明，UAV RGB影像结合语义分割或目标检测，可实现出苗率普查、缺苗定位与苗带一致性评估^［22-23］，并进一步支撑“缺株定位—补苗/补播决策—补播效果评估”的闭环雏形。方法上，语义分割（如U-Net及其变体^［24］）适用于苗带连续性评估，目标检测（如YOLO系列^［25］）更适合单株计数与缺苗定位^［26］。该环节的工程价值在于将出苗问题从经验巡田转化为可量化证据，为后续分区管理提供可靠起点。主要挑战包括：早期棉苗与土壤/地膜背景对比度低，光照与阴影变化影响分割稳定性；不同播种密度与行距配置下模型需要适配调整。

2.2.2　长势和结构表型

棉花长势表型是管理决策最常用的状态变量，常见指标包括株高、冠层覆盖度、叶面积指数（LAI）、长势分区与异常检测等。当前方法路线可归纳为三类：1）植被指数与回归模型：多光谱植被指数（如NDVI、NDRE、GNDVI等）结合经验回归或机器学习回归，具有成本低、可解释与易部署的优势，适合常态化监测与分区基线建立^{［27-28，46］}。但存在指数饱和效应以及对大气校正与传感器一致性的敏感性；2）深度学习表征：CNN、Transformer等深度网络可从原始影像中自动提取高层特征，在复杂光照与背景条件下鲁棒性更强，但对标注数据量与算力依赖更高，可解释性相对不足^［29］；3）三维重建与点云方法：基于运动推断结构（Structure from motion，SfM）或LiDAR的三维重建更接近结构性表型（如株高、冠层体积等），可在一定程度上缓解二维遮挡问题^［30］，但采集与处理复杂度显著提高，目前更多用于科研与育种场景。

已有研究表明，长势表型的关键不只是单次精度，更在于跨时相一致性与跨地块可比性，因为它直接影响分区稳定性与处方的可追溯性。当同一地块不同时期的长势评估口径不一致时，时序分析与趋势判断将失去可靠性。

2.2.3　病虫害识别

棉田病虫害识别常面临小样本、背景复杂与症状相似等难题，单纯追求细分往往带来高误报与低可用性。除通用植物病虫害视觉检测综述外^［52-53］，在棉花特异性研究中已开始覆盖棉铃虫、红蜘蛛、黄萎病、枯萎病及复合病虫害等对象^［54］。例如，基于CFNet-VoV-GCSP-LSKNet-YOLOv8s的棉花病虫害识别方法通过改进特征提取和多尺度目标检测提升自然环境下识别能力^［55］；面向资源受限设备的轻量化棉花病害实时检测模型则强调模型压缩、推理速度和边缘端部署^［56］。这些案例表明，棉花病虫害视觉检测应同时考虑算法精度、目标尺度、设备算力和误报/漏报成本。针对棉铃虫、红蜘蛛等小目标或早期危害，检测模型需要更强的多尺度特征表达和高分辨率输入；对黄萎病、枯萎病等症状相似病害，检测模型需要结合叶片纹理、冠层空间分布和发生时期，并与人工复核等方式或田间快速诊断联动。更稳健的工程路线通常采用“粗筛—精识—人机协同”，即先进行健康/异常二分类检测与空间定位，再对高风险区域开展细粒度识别，并通过置信度阈值和人工复核降低防控风险。轻量化检测网络（如MobileNet、ShuffleNet系列骨干网络与YOLO轻量版本）与边缘推理能力使巡田预警更贴近生产节奏^［56］，但也要求数据采集标准化与持续更新，以对抗季节性与管理差异导致的域偏移。此外，病虫害识别的不确定性管理尤为重要，因为误报可能导致不必要的农药投入，漏报则延误防治窗口期，置信阈值的设定需要与防治成本和风险偏好联动。

2.2.4　杂草识别和分布制图

杂草识别的终点并非论文中的检测准确率，而是能否生成与装备匹配的处方并形成可校核的执行闭环。面向变量除草的综述工作和边缘端棉田杂草自动靶向系统均表明：识别模型的关键不止于检测指标，更在于处方表达、执行精度与效果校核能否形成闭环证据链^［57-59］。难点主要体现在3个层面：1）识别层面：行间与株间杂草的实例级识别与密度估计需要兼顾小目标与遮挡，行间杂草与作物苗期形态相似度高，株间杂草常被冠层遮挡；2）处方转化层面：识别结果必须转换为与喷幅、药量、航线/路径一致的处方表达，才能驱动变量喷施；3）执行校核层面：执行侧还需与喷头分段控制、流量计、风速补偿等联动，并通过作业日志与再监测对喷施质量进行校核。杂草任务由此体现为“感知—处方—执行—校验”的系统工程问题，其可用性高度依赖接口标准与作业流程固化程度。

2.2.5　棉铃和吐絮视觉任务

吐絮比例、铃数估计与采前产量信息提取是棉花区别于许多大田作物的关键感知任务，直接服务于估产、采收窗口判断与化控脱叶策略制定，是本综述重点关注的棉花特异性感知方向。

吐絮识别与吐絮率估计方面，棉絮在RGB影像中呈现高亮白色，与绿色冠层背景对比强烈，基于颜色阈值或语义分割的方法在理想条件下可获得较高精度；近期基于UAV多光谱和RGB影像的吐絮率预测与分层监测框架进一步强化了该任务的可操作性^［60-61］。卫星尺度上，基于Sentinel-2多光谱数据构建的植被指数也可用于吐絮状态的区域监测^［31］。实际田间条件下存在多种干扰因素：光照强度与角度变化导致棉絮亮度不均，地膜反光可能造成误检，不同品种的棉絮形态与紧实度差异影响特征一致性，冠层遮挡使部分棉铃不可见。深度学习语义分割（如DeepLab、U-Net变体等^［24］）在处理这些复杂条件时鲁棒性更强，但需要大量像素级标注数据支撑^［32-33］。

棉铃计数与空间分布方面，目标检测方法（如Faster R-CNN、YOLO系列^［24］）可用于单铃定位与计数^［34］。但棉铃在冠层中的遮挡率高、尺度变化大（从花蕾到成熟铃），且密集排列时容易出现漏检与重复计数。密度估计方法（如CSRNet等密度图回归网络）可在一定程度上缓解遮挡问题，但空间定位精度有所牺牲。

采前产量信息提取方面，航拍影像可通过棉絮像素面积占比建立与实测产量的较高相关关系，从而生成高分辨率产量预测图^{［32，35］}，既可用于田块管理（如指导采收顺序与机械调度），也可用于育种试验中的品系筛选工具链，显著降低人工测产成本。

2.2.6　小结

感知层的核心挑战可归纳为3点：1）复杂田间条件下的鲁棒性，光照、尘土、风致抖动、遮挡与背景复杂性是所有感知任务的共性难题；2）跨域泛化能力，地块、年份、品种与管理差异导致的域偏移使模型迁移困难；3）从识别到可执行输出的转化，感知结果必须能够映射到管理单元与装备作业尺度，才能真正服务于闭环。感知层的输出包括长势分区图、病虫害风险图、杂草分布图、吐絮率与棉铃空间分布等，将作为下一节预测与推断模型的核心输入特征。

2.3　预测及推断：从监测走向预报

感知层回答“当前状态是什么”，预测则回答“未来会怎样”。感知层输出的长势分区、胁迫指标、病虫害风险等状态变量，经过时序建模与多源融合后，可转化为对产量、水分需求、养分状态等关键目标的预报。棉花生产的管理窗口往往提前于结果显现，预测的价值体现在提前量、稳定性与风险表达能力上。

2.3.1　产量预测和估产

产量预测通常需要多时相数据刻画生育进程，并融合气象与管理信息解释年际与地块间的差异。方法路线可分为3类：1）基于植被指数时序的统计/机器学习回归，利用关键生育期的NDVI、LAI等指标与历史产量建立映射，方法简洁但对特征工程依赖较强；2）基于深度学习的时序建模（如LSTM、Transformer等），可自动捕捉生育进程中的非线性动态，但对训练数据量要求更高；3）作物模型与数据驱动的混合方法，利用DSSAT、APSIM等作物模型提供物理约束，机器学习进行参数校准与残差修正，在数据有限条件下可获得更稳定的泛化性能。

已有研究表明，UAV影像结合机器学习、尺度感知卷积网络、贝叶斯神经网络和多模态深度学习等技术可实现较高精度的采前估产^{［32，35-37，47-50］}，尤其适用于育种试验与田块管理决策。但在生产应用中更应关注预报时点与可操作性：越早预测越能影响管理，但不确定性也更高。产量预测的工程化落地通常需要把模型输出与管理决策链条绑定，例如为采收组织、仓储、保险与资金安排提供区间化的产量预期，而不是仅提供单点估计^［62］。此外，通用分割基础模型（如SAM）在田间影像分割任务中被用于降低标注成本与加速适配^{［37，63］}。

2.3.2　水分胁迫和需水预测

水分管理的核心是“胁迫识别—需水预报—灌溉调度”一体化链路，预测层在其中承担从当前状态到未来需求的推断任务。胁迫识别以冠层温度、热红外和多源水盐等信息为核心指标。作物水分胁迫指数（CWSI）基于冠层温度与气象参数的物理关系，具有明确的机理指向性，可提高跨环境稳定性^［38-39］。UAV搭载热红外相机可获取高分辨率CWSI分布图，为分区灌溉提供直接依据；基于热图像深度学习、集合机器学习和多光谱盐分反演的研究进一步拓展了水分胁迫、土壤盐分和蒸散过程的联合诊断能力^［64-66］。需水预报常以蒸散（Evapotranspiration，ET）估算为核心。传统方法基于Penman-Monteith等物理模型，机器学习的融合能够把机理约束与数据表征优势结合，改善在不同气候与管理条件下的泛化能力。真正落地时，胁迫地图与需水预报还需要转化为灌溉分区与轮灌策略，并嵌入滴灌系统的压力、流量与管网分区等约束条件（详见2.4节），否则“诊断正确”也难以转化为“执行有效”。

2.3.3　氮素和养分诊断

多光谱与高光谱特征结合回归或集成学习可用于氮素诊断并作为变量施肥依据^{［40-41，67-71］}，但落地关键在于诊断对象与采样口径的明确。叶片氮含量、冠层氮积累量与土壤有效氮在观测方式与管理意义上并不等价：叶片氮反映即时营养状态，冠层氮积累量与生物量相关，土壤有效氮含量决定供给潜力。若不明确界定诊断对象，模型输出难以映射为可执行配方。在农艺实践中需要把“诊断值”转为“浓度—流量—时机”的处方表达，并通过作业记录与效果评估形成可验证闭环。此外，棉田常见的“表征相似”问题（缺水、缺氮、盐胁迫或病害均可能导致类似的冠层光谱响应）要求诊断模型具备多因子区分能力，或与机理知识融合以避免误判。

2.3.4　不确定性和风险表达

农业预测的价值不只在于平均精度，更在于对风险的表达与对尾部场景的鲁棒性。置信区间与风险分级方面，贝叶斯方法、集成学习或蒙特卡洛Dropout（Monte carlo dropout，MC Dropout）等技术可为预测结果附加不确定性估计，支撑农艺决策的风险分级。例如，当某地块的产量预测置信区间较宽时，可建议推迟脱叶剂施用或降低化控剂量，同时增加该地块的巡田频次与人工取样复核。

在极端农情与鲁棒性验证方面，对历史极端天气（如花铃期高温、吐絮期连阴雨等）、虫情暴发（如棉铃虫大发生年份）等典型灾害情景进行模型回溯评估，有助于识别模型在非常规年份的脆弱点。跨季节漂移监控与模型更新方面，棉花生产的年际变异大，模型在训练年份表现良好但在后续年份可能显著衰减。跨年线上监控机制（如对比当季预测残差与历史基线）可在模型失效前触发重训或迁移学习，常用方法包括基于统计检验的分布漂移检测（如群体稳定性指标（Population stability index，PSI）与基于田间验证样本的自适应校准策略。

2.3.5　小结

预测层的核心价值在于为管理决策提供时间提前量与风险量化能力，主要挑战包括预报提前量与精度的权衡、跨域迁移与年际稳定性，以及不确定性的量化与传播管理。预测层输出（产量预期、胁迫预警、养分诊断与风险评估）将作为下一节决策与处方生成的核心输入。

2.4　决策及处方：把AI结果变成能执行的方案

决策层决定AI能否从“提供信息”走向“改变管理”。感知层提供的状态描述与预测层提供的趋势预判，需要在决策层转化为具体的、可执行的管理方案。棉花生产的处方不仅要给出空间分区与投入强度，还必须满足装备能力、时间窗与安全合规等约束，并具备版本可追溯与效果可验证能力。因而，处方生成问题本质上是多目标优化与工程约束下的可执行决策问题。决策目标通常同时涵盖产量与品质、资源效率与环境约束、作业成本与风险控制等维度；约束条件包括滴灌分区与管网能力、设备喷幅/流量/速度边界、作业窗口期以及农药安全与合规要求等；处方输出应采用统一坐标与版本管理，并与执行日志绑定以支持事后校核、误差归因与责任追溯。

2.4.1　精准灌溉决策

从胁迫地图（第2.3.2节）到可执行灌溉计划，需要完成3个层面的转化：1）可管理单元分区。分区不仅取决于土壤与长势差异，也受管网结构与阀控能力限制，膜下滴灌体系的最小可控单元由支管与阀门决定，处方的空间分辨率不能超过管网的物理控制粒度；2）管理目标设定。目标需要在产量、水资源消耗、能耗与盐渍化风险之间权衡，多目标优化方法（如Pareto前沿分析）可帮助决策者在不同偏好下选择方案，而非给出唯一“最优解”；3）约束调度优化。调度必须满足轮灌压力与流量匹配、时间窗与设备能力等硬约束。只有把这些约束形式纳入决策框架，灌溉智能化才能从“建议”变成“可执行计划”。

2.4.2　水肥一体化和变量施肥

水肥一体化强调时机与配方协同，AI在其中的价值主要体现在3个方面：1）限制因子识别。棉田常见的“表征相似”问题（如缺水、缺氮、盐胁迫或病害导致的“假缺素”）要求模型输出具备诊断区分能力，或与机理/规则融合以避免误施；2）配方与时机优化。基于养分诊断结果（第2.3.3节）与作物需求模型，确定不同分区的肥料种类、浓度与施用时机，并与灌溉调度协同以提高养分利用效率^［41-43］；3）处方可追溯。处方落地需要形成包含依据（诊断数据）、参数（配方与剂量）、预期效果与执行记录的版本体系，使得后续效果评估能够反向校准模型与策略^［4-5］。

2.4.3　精准植保

精准植保的处方应同时包含对象、防治指标、药剂与剂量、喷施方式以及环境约束（风速、温度、漂移风险等），并将作业安全、法规合规与抗药性管理纳入决策边界。系统层面，预警模型（第2.2.3~2.2.4节的感知输出）必须与作业组织与安全规则协同，否则即使识别准确，也可能因不满足作业条件而无法执行或带来合规风险。处方的时效性也是关键约束：病虫害防治存在最佳窗口期，处方生成到执行的延迟过长会显著降低防效。

2.4.4　化控和脱叶剂决策

化控与脱叶剂的核心状态量应围绕长势分区（第2.2.2节）、吐絮进程（第2.2.5节）与采收窗口展开，目标是提升吐絮一致性与采收品质，同时控制倒伏与早衰风险。变量喷施和脱叶效果诊断能否落地，取决于3个条件^［72］：分区表达与喷幅一致（处方空间分辨率匹配装备作业幅宽）、剂量控制可校验（流量传感与作业日志支撑）以及作业后效果可量化（再监测吐絮率与脱叶率变化）^［33］。只有当“处方-执行-效果”形成闭环证据链时，该类策略才能跨季节沉淀为稳定可复用的规则与模型。

2.4.5　农艺知识融合：作物模型和数据驱动的协同

由于域偏移普遍存在（见第2.1.3节），单纯数据驱动方法容易在换地块、换年份时失效。混合建模被认为更适合农业场景，其融合路径包括：1）作物模型（如DSSAT、APSIM）提供物理一致性与可解释约束，为数据驱动模型提供物理边界^［42-43］；2）机器学习补足机理模型难以覆盖的管理差异与环境噪声；知识图谱或规则库将“看苗诊断”从个体经验转为可审计、可迭代的系统能力。

2.4.6　小结

决策层的核心挑战在于多目标优化与硬约束的协调、处方空间分辨率与装备执行能力的匹配，以及处方版本管理与效果可追溯性。决策层输出的处方图与调度方案，需通过下一节讨论的执行层装备与平台转化为真实田间作业。

2.5　执行及装备：无人化/少人化棉田的最后一公里

执行层决定处方能否转化为真实效果，也是闭环中误差最容易发生与传播的环节。装备能力、接口标准、作业组织与质量校核机制等因素共同决定“落得下作业”的可靠性。执行层的不确定性（定位偏差、喷施漂移、流量波动、设备异构等）如果不能被量化与管理，将使前面各层的精度优势在“最后一公里”被消解。

2.5.1　无人机作业

无人机在棉田主要用于遥感巡田、飞防与变量喷施。闭环关键在于喷施质量校正，因为风场、高度、速度、喷头状态与药液浓度等都会引入处方偏差。变量喷施的执行精度受飞行高度与速度波动、自然风场与旋翼下洗气流叠加导致的雾滴漂移、喷头堵塞或磨损导致的流量衰减等因素影响^［44-45］。只有通过流量计、RTK定位、风速计等传感器与作业日志实现在线校核与事后追溯，变量喷施才能“从按处方飞一遍”升级为“按处方且按质量完成”。

2.5.2　农机自动驾驶和变量作业

农机自动驾驶可显著提升整地、播种与田管作业的路径一致性，减少漏播、重喷与重施等问题。与处方图结合后，能够实现地块级变量作业闭环，但对定位精度、控制稳定性与设备接口提出更高要求。已有研究表明：接口一致性与作业日志质量往往比单次定位精度更影响闭环可用性，因为它们决定误差是否可量化、可归因与可修正。当前，不同品牌农机的数据接口与通信协议尚未统一，处方图格式兼容性问题制约着跨设备协同。推动接口标准化（如ISO 11783/ISOBUS在棉花场景的适配）与设备互联互通^［16］是提升执行层可靠性的基础性工作^［4-5］。

2.5.3　田间机器人

打顶、除草等专用机器人具备潜力，但需要在安全冗余、可靠性验证、复杂地形与遮挡条件下的稳定运行等方面达到工程标准。与传统农机相比，田间机器人更强调感知与控制的实时闭环，因此其落地往往依赖更严格的场景限定与更完整的安全体系。目前，棉花田间机器人研究主要集中在自主导航与行间定位、目标识别与精准操作（如打顶）、多机协同与任务调度等方面^［73-75］，虽然距离规模化应用仍有较大距离，但代表了执行层智能化的长期方向。

2.5.4　平台化系统和数字孪生

数字孪生用于状态估计、策略推演、风险预警与复盘优化^［17-18］，使闭环从“做完一次”升级为“做对并持续做得更好”；基于UAS和机器学习的棉花季内生长预测数字孪生框架表明该方向正在从通用概念走向作物场景验证^［51］。需要说明的是，当前农业数字孪生已有通用架构和多作物探索，但针对棉花全生育期、地块级、可执行处方联动的数字孪生案例仍较少，棉花数字孪生总体仍处于概念架构与局部功能验证阶段。因此，本研究所述棉花数字孪生更多是对通用农业数字孪生框架在棉花场景中的适配设想：整合作物模型、气象数据、土壤信息、管网分区、历史作业记录和再感知结果，构建地块级虚拟镜像，支持不同灌溉、施肥、化控或采收策略的情景模拟。在多数成功案例中，平台与孪生并非可有可无的附加功能，而是支撑数据治理、模型更新与流程固化的关键基础设施。

2.5.5　小结

执行层的核心挑战在于从处方到作业的精度保持与偏差管理、设备接口标准化与跨品牌协同，以及作业质量的在线校核与事后追溯能力。执行层日志与再感知数据将反馈至感知层与决策层，形成PDE闭环的完整回路。

2.6　评价体系：不仅看精度，更要看闭环可用性

面向闭环管理，评价体系需要从“模型精度”扩展到“农艺收益、资源环境与经济可复制性”，否则容易出现“模型离线精度高但生产增益不明确”的落差。已有棉花变量氮肥管理、水分胁迫诊断、土壤盐分监测、无人机喷施和漂移控制等实证研究表明，系统价值需要同时通过产量/品质、节水节肥减药、作业效率、成本收益和环境风险等因素来衡量^{［38-45，64-71，76］}。本节在文献证据基础上归纳出模型层、农艺层、资源环境层与经济层的四维评价框架，并将2.1~2.5节形成的模型输出、处方版本、执行日志与再感知数据作为评价输入，输出可复核的评价报告、瓶颈环节识别结果与迭代优先级建议，从而将“效果”反馈为下一轮模型更新和处方优化的证据基础（图4）。

2.6.1　模型层评价

常规回归指标（R²、RMSE、MAE）与分类检测指标（Precision、Recall、F1、mAP）是基础，但更关键的是跨域稳定性（跨年、跨地块、跨品种条件下的性能衰减幅度）、扰动敏感性（对光照、风、遮挡、尘土等田间常见扰动的敏感性测试）、不确定性表达能力（模型是否能输出置信度或预测区间）和可解释性（是否直接影响农艺专家对高风险决策的信任）。

2.6.2　农艺目标对齐

农艺评价应与真实管理目标一致，避免把“产量提升”与“品质波动”割裂评估。具体包括产量与品质综合评价（皮棉产量结合衣分、马克隆值、纤维长度与整齐度等）、管理增益验证（对照试验或历史基准对比回答“AI系统带来了什么可量化的管理收益”）和时效性评价（系统能否在管理窗口期内完成从感知到执行的全链路）。

2.6.3　资源和环境效益

节水、节肥、减药、能耗与人力替代等是智慧农业的重要价值维度。评价指标包括单位产量水耗（水分生产力）与节水率、肥料偏生产力与养分利用效率、农药减量率与防效维持水平、碳排放与能耗变化，以及漂移与生态风险等安全指标。

2.6.4　经济性和可复制性

经济评价应覆盖全成本视角，评估在不同经营规模（如3.3 hm²、33.3 hm²、333.3 hm²）与不同服务模式（自建、托管、SaaS）下的成本收益比。可复制性评估则关注系统在不同区域、不同经营主体中的适配成本与部署周期（表3）。

2.6.5　闭环不确定性传播和评价

作为补充维度，闭环系统还应关注不确定性在“感知→预测→决策→执行”链路中的传播与累积效应，包括误差归因分析、端到端灵敏度分析和闭环迭代效率评估。

2.6.6　小结

四维评价框架（模型精度、农艺收益、资源环境效益、经济可复制性）以及闭环不确定性传播分析，构成了数智棉花系统从“技术可行”到“生产可用”的完整评价体系。

3　讨 论

3.1　挑战及研究空白

已有研究表明，数智棉花从试点走向规模化，主要障碍并不集中在单一算法精度，而在于真实田间复杂性、数据瓶颈、闭环误差传播与工程化合规等系统性问题。

3.1.1　真实田间复杂性

光照变化、尘土、风致抖动、遮挡、行距差异及膜下滴灌结构带来的背景复杂性，会系统性地降低模型在实验室或标准数据集上获得的精度。新疆产区的强光照与干燥气候导致尘土覆盖严重，地膜反光干扰影像质量，长生育期内冠层结构变化剧烈，使得单一模型难以覆盖全生育期。当前多数研究在受控或半受控条件下验证，缺乏对真实生产条件下性能衰减的系统评估。

3.1.2　数据和标注瓶颈

高质量标注稀缺与标签噪声使模型训练与评估受限。棉花特异性任务（棉铃计数、吐絮分割、病害细分类等）的标注需要农艺专业知识，成本高且一致性难以保证。公开数据集匮乏制约了方法对比与可重复研究。此外，棉花生产的年际变异大，单年数据难以支撑稳定模型，而多年数据积累周期长、成本高。

3.1.3　闭环误差传播

处方到执行的定位误差、喷施漂移、流量偏差、设备异构与标准缺失等因素会破坏闭环，导致误差在链路中传播与累积。例如，感知层若把10%的轻度胁迫区域误判为重度胁迫，决策层可能据此生成过量灌溉或施肥处方，执行层再叠加5%~10%的定位偏移、喷施漂移或流量偏差，最终可能使目标区域外的投入增加，而真正胁迫区域仍未得到充分处理。类似地，吐絮率识别若存在5%的系统性低估，可能导致脱叶剂施用窗口推迟，进而影响采收一致性与纤维品质。当前研究多聚焦于单一环节精度优化，缺乏对端到端误差传播和灵敏度分析的系统量化。

3.1.4　工程化和合规

工程化落地与合规约束是数智棉花从实验室走向田间的“最后门槛”。边缘部署方面，模型在机载或地头设备的有限算力下实现实时推理，需在高温、振动与供电不稳定条件下的可靠运行，模型压缩与加速技术仍需更多验证。系统可靠性方面，农业AI系统目前缺乏类似工业领域的可靠性验证标准与测试规范，在突发虫情、异常天气或设备故障叠加时的行为难以预测，也缺少明确的失效模式分析与降级策略。数据安全与合规方面，农场经营数据涉及商业敏感信息，AI辅助的农药施用决策还涉及农产品质量安全与环境保护法规，当AI建议的喷施方案导致药害或残留超标时，决策责任归属（模型开发方、服务提供方还是使用方）尚不明确，这一在规模化推广中日益突出的问题亟待解决。

3.1.5　推广和农艺适配

技术方案的推广受农艺适配、人员技能、成本结构、政策与监管等多重因素影响。不同区域的栽培制度、品种选择与管理习惯差异显著，这使得在一个区域验证有效的方案难以直接迁移。基层农技人员的数字化技能不足、农户对AI决策的信任度有限、小规模经营投入产出比不具吸引力等问题，要求把技术方案升级为包含培训、服务、维护与持续优化的可持续运营体系。

3.1.6　小结

上述挑战表明，数智化的瓶颈正在从“算法能力”转向“系统工程与生态建设”。突破这些瓶颈需要跨学科协作（农学、计算机科学、农业工程、经济学）、产学研用深度融合以及标准化体系建设的共同推进。

3.2　未来趋势

面向上述挑战，研究趋势正在从“单任务更强”走向“系统更稳、成本更低、协作更广”（图5）。

3.2.1　多模态基础模型

多模态基础模型的价值在于通过大规模遥感影像、气象、土壤、作业日志和表型数据预训练，形成可迁移的时空表征，再面向出苗识别、吐絮率估计、产量预测或胁迫诊断等任务进行少量样本微调^{［63，77-78］}。在棉花场景中，基础模型应重点解决多尺度表征、多时相表征和农艺知识约束3个问题。其局限也应明确：预训练数据偏差、跨区域标签不一致、算力成本和可解释性不足，都会限制其在生产端直接应用。

3.2.2　自监督、小样本和主动学习

自监督预训练利用大量无标注田间影像学习通用视觉表征，可大幅降低对标注数据的依赖^［77-78］；小样本学习（Few-shot learning）从少量标注样本快速适配新任务或新域；主动学习通过智能选择最有信息量的样本进行标注，优化标注预算的使用效率。三者结合被认为是降低标注成本、提升跨域泛化水平的关键路径。

3.2.3　联邦学习和数据协作

联邦学习为跨企业、跨农场协同建模提供可能，在不直接共享原始数据的前提下突破数据壁垒，形成行业级模型能力^［79-80］。在棉花场景中，不同农场的数据具有互补性（不同品种、不同气候区、不同管理方式），联邦学习可利用这种多样性提升模型泛化能力，尤其适合病虫害样本稀缺、跨年数据分散和经营数据敏感的任务。但其落地需要解决非独立同分布（Non-independent and identically distributed，Non-IID）数据、通信成本、节点掉线、模型偏置、隐私泄露风险和收益分配等问题，并配套差分隐私、安全聚合、联邦评估和贡献度计量机制。

3.2.4　端到端闭环优化和强化学习

当前PDE闭环的各环节多为独立优化，未来趋势是向端到端联合优化演进。强化学习（RL）与模拟环境（数字孪生）的结合，可使系统在虚拟环境中探索不同管理策略的长期效果，学习从感知到执行的端到端策略，并在真实环境中通过在线学习持续改进。这一方向有望从根本上解决闭环误差传播问题，但对模拟环境的保真度与计算资源提出较高要求。

3.2.5　标准化和开放生态

技术标准化（数据格式、接口协议、处方表达规范、评价指标体系）与开放生态建设（开源模型、公开数据集、基准测试平台）是支撑行业协同创新与规模化推广的基础性工作。国际上对智慧农业技术体系与应用扩散的研究也表明，标准化与开放协作能显著降低跨主体协作成本并加速规模化落地^［81］。推动棉花AI领域的标准化进程，建立类似ImageNet或COCO之于计算机视觉的基准数据集与评测体系，将显著加速方法迭代与工程落地。

4　结 论

本研究以“感知—决策—执行（PDE）”闭环为主线，对AI技术在棉花全生育期管理中的方法路线、工程约束与落地条件进行了综述。基于现有文献证据，可以形成以下结论：

1）棉花AI研究已由单一感知任务扩展到感知、预测、决策和执行多个环节，但不同环节成熟度明显不均衡。出苗、长势、吐絮率、棉铃和杂草识别等感知任务进展最快；产量、水分胁迫和养分状态预测开始进入区间化预报；决策与执行层仍受约束建模、处方表达、设备接口和质量追溯等限制。

2）影响数智棉花规模化应用的关键瓶颈不是单个模型精度，而是跨年份、跨地块、跨装备和跨主体条件下的数据一致性与闭环可追溯性。域偏移、标注瓶颈、定位误差、喷施漂移、流量偏差和接口异构会在PDE链路中连续传播，必须通过统一坐标基准、作业日志、处方版本管理和端到端误差归因来控制。

3）评价数智棉花系统应从离线模型指标扩展为模型精度、农艺收益、资源环境效益和经济可复制性4个维度。只有将产量和品质、节水节肥减药、成本收益、部署周期与适配成本纳入同一评价框架，才能准确地判断AI系统是否真正提升生产价值。

4）未来研究应优先面向可落地闭环开展：建设多源数据标准与共享机制，发展自监督、小样本、基础模型和联邦学习等低标注成本范式，推进ISO-XML/ISOBUS等处方与装备接口在棉花场景中的适配，并结合数字孪生和强化学习开展可复核、可迭代的策略优化。

参考文献

[1] Kamilaris A， Prenafeta-Boldú F X. Deep learning in agriculture： A survey［J］. Computers and Electronics in Agriculture， 2018， 147： 70-90

[2] Liakos K， Busato P， Moshou D， Pearson S， Bochtis D. Machine learning in agriculture： A review［J］. Sensors， 2018， 18（8）： 2674

[3] Wolfert S， Ge L， Verdouw C， Bogaardt M J. Big data in smart farming： A review［J］. Agricultural Systems， 2017， 153： 69-80

[4] 农业农村部. 农业农村部关于印发《全国智慧农业行动计划（2024—2028年）》的通知［EB/OL］.［--］. http s：//

[5] Ministry of Agriculture and Rural Affairs of the People’s Republic of China. Notice on issuing the National Smart Agriculture Action Plan （2024-2028）［EB/OL］.［--］. in Chinese）

[6] 农业农村部. 农业农村部关于大力发展智慧农业的指导意见［EB/OL］.［--］.

[7] Ministry of Agriculture and Rural Affairs of the People’s Republic of China. Guiding opinions on vigorously developing smart agriculture［EB/OL］.［--］. in Chinese）

[8] 中国棉花协会. 国内棉花供应宽松 纺织需求有所转弱——中国棉花形势月报：2024年11月［EB/OL］.［--］.

[9] China Cotton Association. China Cotton Monthly Report： Nov 2024： ample domestic supply and weakened textile demand ［EB/OL］.［--］. in Chinese）

[10] 毛树春. 新疆绿洲棉花可持续发展研究［M］. 上海： 上海科学技术出版社， 2022： 473-519

[11] Mao S C. Study on Sustainable Development of Cotton in Xinjiang Oasis［M］. Shanghai： Shanghai Scientific and Technical Publishers， 2022： 473-519 （in Chinese）

[12] 冯美臣， 苏悦， 林涛， 余汛， 宋扬， 金秀良. 基于无人机多源遥感数据和机器学习的高通量棉花估产研究［J］. 农业机械学报， 2025， 56（3）： 169-179

[13] Feng M C， Su Y， Lin T， Yu X， Song Y， Jin X L. High-throughput cotton yield estimation based on multi-source UAV remote sensing data and machine learning ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2025， 56（3）： 169-179 （in Chinese）

[14] 胡正东， 汤秋香， 樊世语， 鲍龙龙， 古丽达娜·沙勒山， 林涛. 无人机冠层3D时序动态建模驱动棉花生物量高精度反演研究［J］. 农业机械学报， 2025， 56（5）： 103-110

[15] Hu Z D， Tang Q X， Fan S Y， Bao L L， Guldana S， Lin T. High-accuracy cotton biomass inversion driven by UAV canopy 3D time-series dynamic modeling ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2025， 56（5）： 103-110 （in Chinese）

[16] 刘坤， 王晓， 朱一帆. 基于多视角三维点云融合的采棉机器人视觉感知方法［J］. 农业机械学报， 2024， 55（4）： 74-81

[17] Liu K， Wang X， Zhu Y F. Visual perception method for a cotton-picking robot based on fusion of multi-view 3D point cloud ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024， 55（4）： 74-81 （in Chinese）

[18] 王玲， 邹小昱， 刘思瑶， 陈兵林， 朱宏超， 朱镕杰. 棉花采摘机器人红外测距技术研究［J］. 农业机械学报， 2014， 45（7）： 61-66

[19] Wang L， Zou X Y， Liu S Y， Chen B L， Zhu H C， Zhu R J. Infrared ranging technique for a cotton-picking robot［J］. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（7）： 61-66 （in Chinese）

[20] 刘坤， 费树岷， 汪木兰， 邢灿华， 王祝青. 基于改进随机Hough变换的棉桃识别技术［J］. 农业机械学报， 2010， 41（8）： 160-165

[21] Liu K， Fei S M， Wang M L， Xing C H， Wang Z Q. Cotton recognition based on improved randomized Hough transform［J］. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（8）： 160-165 （in Chinese）

[22] 夏彬， 史书伟， 张若宇， 秦建锋， 刘妍妍， 常金强. 棉花轧工质量机器视觉检测系统设计与试验［J］. 农业机械学报， 2023， 54（11）： 189-197

[23] Xia B， Shi S W， Zhang R Y， Qin J F， Liu Y Y， Chang J Q. Design and experiment of a machine-vision inspection system for cotton ginning quality［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（11）： 189-197 （in Chinese）

[24] O’Grady M J， Langton D， O’Hare G M P. Edge computing： A tractable model for smart agriculture？［J］. Artificial Intelligence in Agriculture， 2019， 3： 42-51

[25] O'Grady M J， O'Hare G M P. Modelling the smart farm［J］. Information Processing in Agriculture， 2017， 4（3）： 179-187

[26] Gubbi J， Buyya R， Marusic S， Palaniswami M. Internet of Things （IoT）： A vision， architectural elements， and future directions ［J］. Future Generation Computer Systems， 2013， 29（7）： 1645-1660

[27] Verdouw C， Tekinerdogan B， Beulens A， Wolfert S. Digital twins in smart farming［J］. Agricultural Systems， 2021， 189： 103046

[28] Pylianidis C， Osinga S， Athanasiadis I N. Introducing digital twins to agriculture［J］. Computers and Electronics in Agriculture， 2021， 184： 105942

[29] Aierken N， Yang B， Li Y K， Jiang P G， Pan G， Li S J. A review of unmanned aerial vehicle based remote sensing and machine learning for cotton crop growth monitoring［J］. Computers and Electronics in Agriculture， 2024， 227： 109601

[30] Xu W C， Chen P C， Zhan Y L， Chen S D， Zhang L， Lan Y B. Cotton yield estimation model based on machine learning using time series UAV remote sensing data［J］. International Journal of Applied Earth Observation and Geoinformation， 2021， 104： 102511

[31] Feng A J， Zhou J F， Vories E D， Sudduth K A， Zhang M N. Yield estimation in cotton using UAV-based multi-sensor imagery ［J］. Biosystems Engineering， 2020， 193： 101-114

[32] Li T S， Wang H J， Cui J， Wang W J， Li W， Jiang M H， Shi X Y， Song J H， Wang J G， Lv X， Zhang L F. Improving the accuracy of cotton seedling emergence rate estimation by fusing UAV-based multispectral vegetation indices［J］. Frontiers in Plant Science， 2024， 15： 1333089

[33] Feng A J， Zhou J F， Vories E， Sudduth K A. Evaluation of cotton emergence using UAV-based narrow-band spectral imagery with customized image alignment and stitching algorithms ［J］. Remote Sensing， 2020， 12（11）： 1764

[34] She L X， Wang N， Xu Y X， Wang G N， Shao L M. Detection and counting of pigment glands in cotton leaves using improved U-Net［J］.Frontiers in Plant Science， 2023， 13， 1075051.

[35] Yang S， Zhou G， Feng Y W， Zhang J， Jia Z H. SRNet-YOLO： A model for detecting tiny and very tiny pests in cotton fields based on super-resolution reconstruction ［J］. Frontiers in Plant Science， 2024， 15， 1416940.

[36] Lin Z， Guo W X. Cotton stand counting from unmanned aerial system imagery using MobileNet and CenterNet deep learning models［J］. Remote Sensing， 2021， 13（14）： 2822

[37] Ma Y R， Zhang Q， Yi X， Ma L L， Zhang L F， Huang C P， Zhang Z， Lv X. Estimation of cotton leaf area index （LAI） based on spectral transformation and vegetation index ［J］. Remote Sensing， 2022， 14（1）： 136

[38] Xu R， Li C Y， Paterson A H. Multispectral imaging and unmanned aerial systems for cotton plant phenotyping［J］. PLoS ONE， 2019， 14（2）： e0205083

[39] Zhu X X， Tuia D， Mou L C， Xia G S， Zhang L P， Xu F， Fraundorfer F. Deep learning in remote sensing： A comprehensive review and list of resources［J］. IEEE Geoscience and Remote Sensing Magazine， 2017， 5（4）： 8-36

[40] Wu J Y， Wen S， Lan Y B， Yin X C， Zhang J T， Ge Y F. Estimation of cotton canopy parameters based on unmanned aerial vehicle （UAV） oblique photography ［J］. Plant Methods， 2022， 18： 129

[41] Ren Y， Meng Y H， Huang W J， Ye H C， Han Y X， Kong W P， Zhou X F， Cui B， Xing N C， Guo A T， Geng Y. Novel vegetation indices for cotton boll opening status estimation using Sentinel-2 data［J］. Remote Sensing， 2020， 12（11）： 1712

[42] Shi G W， Du X， Du M W， Li Q Z， Tian X L， Ren Y T， Zhang Y， Wang H Y. Cotton yield estimation using the remotely sensed cotton boll index from UAV images［J］. Drones， 2022， 6（9）： 254

[43] Wang Y K， Xiao C Y， Wang Y， Li K X， Yu K K， Geng J J， Li Q Z， Yang J T， Zhang J， Zhang M C， Lu H Y， Du X， Du M W， Tian X L， Li Z H. Monitoring of cotton boll opening rate based on UAV multispectral data［J］. Remote Sensing， 2024， 16（1）： 132

[44] Zhang M L， Chen W， Gao P， Li Y Q， Tan F， Zhang Y， Ruan S W， Xing P， Guo L. YOLO SSPD： A small target cotton boll detection model during the boll-spitting period based on space-to-depth convolution ［J］. Frontiers in Plant Science， 2024， 15： 1409194

[45] Li F， Bai J Y， Zhang M Y， Zhang R Y. Yield estimation of high-density cotton fields using low-altitude UAV imaging and deep learning ［J］. Plant Methods， 2022， 18： 55

[46] Feng A J， Zhang M N， Sudduth K A， Vories E D， Zhou J F. Cotton yield estimation from UAV-based plant height［J］. Transactions of the ASABE， 2019， 62（2）： 393-404

[47] Reddy J， Niu H Y， Scott J L L， Bhandari M， Landivar J A， Bednarz C W， Duffield N. Cotton yield prediction via UAV-based cotton boll image segmentation using YOLO model and Segment Anything Model （SAM）［J］. Remote Sensing， 2024， 16（23）： 4346

[48] Schwartz R C， Colaizzi P D， Domínguez A， Baumhardt R L， Ulloa M. Comparison of infrared thermometry and soil water derived stress indices and crop ET in cotton［J］. Applied Engineering in Agriculture， 2024， 40（5）： 537-551

[49] Bian J， Zhang Z T， Chen J Y， Chen H Y， Cui C F， Li X W， Chen S B， Fu Q P. Simplified evaluation of cotton water stress using high resolution unmanned aerial vehicle thermal imagery［J］. Remote Sensing， 2019， 11（3）： 267

[50] Han P， Zhai Y P， Liu W H， Lin H R， An Q S， Zhang Q， Ding S G， Zhang D W， Pan Z Y， Nie X H. Dissection of hyperspectral reflectance to estimate photosynthetic characteristics in upland cotton （ Gossypium hirsutum L.） under different nitrogen fertilizer application based on machine learning algorithms ［J］. Plants， 2023， 12（3）： 455

[51] Larson J A， Stefanini M， Yin X H， Boyer C N， Lambert D M， Zhou X V， Tubaña B S， Scharf P， Varco J J， Dunn D J， Savoy H J， Buschermohle M J. Effects of landscape， soils， and weather on yields， nitrogen use， and profitability with sensor-based variable rate nitrogen management in cotton ［J］. Agronomy， 2020， 10（12）： 1858

[52] Jones J W， Hoogenboom G， Porter C H， Boote K J， Batchelor W D， Hunt L A， Wilkens P W， Singh U， Gijsman A J， Ritchie J T. The DSSAT cropping system model［J］. European Journal of Agronomy， 2003， 18（3-4）： 235-265

[53] Holzworth D P， Huth N I， deVoil P G， Zurcher E J， Herrmann N I， McLean G， Chenu K， van Oosterom E J， Snow V， Murphy C， Moore A D， Brown H， Whish J P M， Verrall S， Fainges J， Bell L W， Peake A S， Poulton P L， Hochman Z， Thorburn P J， Gaydon D S， Dalgliesh N P， Rodriguez D， Cox H， Chapman S， Doherty A， Teixeira E， Sharp J， Cichota R， Vogeler I， Li F Y， Wang E L， Hammer G L， Robertson M J， Dimes J P， Whitbread A M， Hunt J， van Rees H， McClelland T， Carberry P S， Hargreaves J N G， MacLeod N， McDonald C， Harsdorf J， Wedgwood S， Keating B A. APSIM-Evolution towards a new generation of agricultural systems simulation［J］. Environmental Modelling & Software， 2014， 62： 327-350

[54] Chen P C， Douzals J P， Lan Y B， Cotteux E， Delpuech X， Pouxviel G， Zhan Y L. Characteristics of unmanned aerial spraying systems and related spray drift： a review［J］. Frontiers in Plant Science， 2022， 13： 870956

[55] Meng Y H， Ma Y， Wang Z G， Hu H Y. Droplet distribution in cotton canopy using single-rotor and four-rotor unmanned aerial vehicles ［J］. PeerJ， 2022， 10： e13572

[56] Wang H H， Yao Q S， Zhang Z， Qin S Z， Ma L L， LYU X， Zhang L F. Comprehensive growth monitoring index using Sentinel-2A data for large-scale cotton production ［J］. Field Crops Research， 2024， 317： 109525

[57] Niu H Y， Peddagudreddygari J R， Bhandari M， Landivar J A， Bednarz C W， Duffield N. In-season cotton yield prediction with scale-aware convolutional neural network models and unmanned aerial vehicle RGB imagery ［J］. Sensors， 2024， 24（8）： 2432

[58] Pokhrel A， Virk S， Snider J L， Vellidis G， Hand L C， Sintim H Y， Parkash V， Chalise D P， Lee J M， Byers C. Estimating yield-contributing physiological parameters of cotton using UAV-based imagery ［J］. Frontiers in Plant Science， 2023， 14： 1248152

[59] Zhao L， Um D， Nowka K， Landivar-Scott J L， Landivar J， Bhandari M. Cotton yield prediction utilizing unmanned aerial vehicles （UAV） and Bayesian neural networks ［J］. Computers and Electronics in Agriculture， 2024， 226： 109415

[60] Jiang C B， Guo X S， Li Y F， Lai N， Peng L， Geng Q L. Multimodal deep learning models in precision agriculture： Cotton yield prediction based on unmanned aerial vehicle imagery and meteorological data［J］. Agronomy， 2025， 15（5）： 1217

[61] Pal P， Landivar-Bowles J， Landivar-Scott J， Duffield N， Nowka K， Jung J， Chang A J， Lee K， Zhao L， Bhandari M. Unmanned aerial system and machine learning driven Digital-Twin framework for in-season cotton growth forecasting ［J］. Computers and Electronics in Agriculture， 2025， 228： 109589

[62] Upadhyay A， Chandel N S， Singh K P， Chakraborty S K， Nandede B M， Kumar M， Subeesh A， Upendar K， Salem A， Elbeltagi A. Deep learning and computer vision in plant disease detection： A comprehensive review of techniques， models， and trends in precision agriculture ［J］. Artificial Intelligence Review， 2025， 58（3）： 92

[63] Yang Z Y， Xia W K， Chu H Q， Su W H， Wang R F， Wang H H. A comprehensive review of deep learning applications in cotton industry： from field monitoring to smart processing［J］. Plants， 2025， 14（10）： 1481

[64] Huang J K， Huang W. Improved YOLOv8n method for the high-precision detection of cotton diseases and pests［J］. AgriEngineering， 2025， 7（7）： 232

[65] Li R J， He Y T， Li Y D， Qin W B， Abbas A， Ji R B， Li S， Wu Y H， Sun X H， Yang J P. Identification of cotton pest and disease based on CFNet-VoV-GCSP-LSKNet-YOLOv8s： A new era of precision agriculture ［J］. Frontiers in Plant Science， 2024， 15： 1348402

[66] Pan P， Shao M Y， He P T， Hu L， Zhao S J， Huang L Y， Zhou G M， Zhang J H. Lightweight cotton diseases real-time detection model for resource-constrained devices in natural environments ［J］. Frontiers in Plant Science， 2024， 15： 1383863

[67] Xu K， Shu L， Xie Q， Song M H， Zhu Y， Cao W X， Ni J. Precision weed detection in wheat fields for agriculture 4.0： A survey of enabling technologies， methods， and research challenges ［J］. Computers and Electronics in Agriculture， 2023， 212： 108106

[68] Rai N， Zhang Y， Ram B G， Schumacher L， Yellavajjala R K， Bajwa S， Sun X. Applications of deep learning in precision weed management： A review［J］. Computers and Electronics in Agriculture， 2023， 206： 107698

[69] Karim M J， Nahiduzzaman M， Ahsan M， Haider J. Development of an early detection and automatic targeting system for cotton weeds using an improved lightweight YOLOv8 architecture on an edge device［J］. Knowledge-Based Systems， 2024， 300： 112204

[70] Xue C， Kong L B， Chen S D， Shan C F， Zhang L C， Song C C， Lan Y B， Wang G. B Study on predicting cotton boll opening rate based on UAV multispectral imagery［J］. Agronomy， 2026， 16（2）： 162

[71] Zhang L C， Chen P C， Tang Z C， Ma R T， He M T， Zhu H， Lan Y B. A hierarchical framework for cotton boll opening rate monitoring using UAV RGB imagery［J/OL］.［--］.

[72] van Klompenburg T， Kassahun A， Catal C. Crop yield prediction using machine learning： A systematic literature review［J］. Computers and Electronics in Agriculture， 2020， 177： 105709

[73] Kirillov A， Mintun E， Ravi N， Mao H Z， Rolland C， Gustafson L， Xiao T， Whitehead S， Berg A C， Lo W Y， Dollár P， Girshick R. Segment Anything［C］. In： 2023 IEEE/CVF International Conference on Computer Vision （ICCV）. France： Institute of Electrical and Electronics Engineers， 2023： 3992-4003

[74] Jin K J， Zhang J H， Wang Z H， Zhang J Z， Liu N N， Li M， Ma Z L. Application of deep learning based on thermal images to identify the water stress in cotton under film-mulched drip irrigation［J］. Agricultural Water Management， 2024， 299： 108901

[75] Jiang Z W， Yang S H， Dong S D， Pang Q Q， Smith P， Abdalla M， Zhang J， Wang G M， Xu Y. Simulating soil salinity dynamics， cotton yield and evapotranspiration under drip irrigation by ensemble machine learning［J］. Frontiers in Plant Science， 2023， 14： 1143462

[76] Li J T， Ding LJ， Tan J， Wang J J， Han L J， Cui K D. Estimating soil salinity in cotton fields using UAV multispectral remote sensing and SSA-SVM optimised machine learning model［J］. International Journal of Digital Earth， 2025， 18（2）： 2548378

[77] Marang I J， Filippi P， Weaver T B， Evans B J， Whelan B M， Bishop T F A， Murad M O F， Al-Shammari D， Roth G. Machine learning optimised hyperspectral remote sensing retrieves cotton nitrogen status［J］. Remote Sensing， 2021， 13（8）： 1428

[78] Yin C X， Lv X， Zhang L F， Ma L L， Wang H H， Zhang L S， Zhang Z. Hyperspectral UAV images at different altitudes for monitoring the leaf nitrogen content in cotton crops［J］. Remote Sensing， 2022， 14（11）： 2576

[79] Pei S Z， Zeng H L， Dai Y L， Bai W Q， Fan J L. Nitrogen nutrition diagnosis for cotton under mulched drip irrigation using unmanned aerial vehicle multispectral images［J］. Journal of Integrative Agriculture， 2023， 22（8）： 2536-2552

[80] Yin C X， Wang Z Y， Lv X， Qin S Z， Ma L L， Zhang Z， Tang Q X. Reducing soil and leaf shadow interference in UAV imagery for cotton nitrogen monitoring［J］. Frontiers in Plant Science， 2024， 15： 1380306

[81] Peng L， Xin H N， Lv C X， Li N， Li Y F， Geng Q L， Chen S H， Lai N. Inversion of nitrogen and phosphorus contents in cotton leaves based on the Gaussian mixture model and differences in hyperspectral features of UAV［J］. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy， 2025， 327： 125419

[82] Zhao H Y， Ren C N， Li X J， Zhang P Z， Cui J P， Li Y B， Zhang S Y， Lin T. Diagnostic study of defoliation and boll opening effects on machine-harvested cotton using multi-source UAV remote sensing data ［J］. Industrial Crops and Products， 2025， 236： 121827

[83] Zhang W， Miao Z H， Li N， He C X， Sun T. Review of current robotic approaches for precision weed management［J］. Current Robotics Reports， 2022， 3（3）： 139-151

[84] Bechar A， Vigneault C. Agricultural robots for field operations. Part 2： Operations and systems［J］. Biosystems Engineering， 2017， 153： 110-128

[85] Bechar A， Vigneault C. Agricultural robots for field operations： Concepts and components［J］. Biosystems Engineering， 2016， 149： 94-111

[86] Zhang Z H， Lei Y， Lv X， Ma L L. Interpretable multi-resolution cotton moisture monitoring via Dual-Cycle UAV Learning ［J］. Industrial Crops and Products， 2025， 236： 121952

[87] Wang Y， Ali Braham N A， Xiong Z T， Liu C Y， Albrecht C M， Zhu X X. SSL4EO-S12： a large-scale multimodal， multitemporal dataset for self-supervised learning in Earth observation［Software and Data Sets］［J］. IEEE Geoscience and Remote Sensing Magazine， 2023， 11（3）： 98-106

[88] Tseng G， Cartuyvels R， Zvonkov I， Purohit M， Rolnick D， Kerner H. Lightweight， pre-trained transformers for remote sensing timeseries ［EB/OL］. ［--］.

[89] Durrant A， Markovic M， Matthews D， May D， Enright J， Leontidis G. The role of cross- Silo federated learning in facilitating data sharing in the agri-food sector ［J］. Computers and Electronics in Agriculture， 2022， 193： 106648

[90] Friha O， Ferrag M A， Shu L， Maglaras L， Wang X C. Internet of Things for the future of smart agriculture： A comprehensive survey of emerging technologies［J］. IEEE/CAA Journal of Automatica Sinica， 2021， 8（4）： 718-752

[91] Pivoto D， Waquil P D， Talamini E， Finocchio C P S， Dalla Corte V F， de Vargas Mores G. Scientific development of smart farming technologies and their application in Brazil［J］. Information Processing in Agriculture， 2018， 5（1）： 21-32

基金资助

国家自然科学基金项目(32301954)