综述:智能农业中的物联网人工智能(AIoT)文献计量分析与未来研究议程

《Sustainability》:Artificial Intelligence of Things (AIoT) in Smart Farming: A Bibliometric Analysis and Future Research Agenda

【字体: 大 中 小 】 时间:2026年08月08日 来源:Sustainability 4.1

编辑推荐:

  物联网人工智能(AIoT),即人工智能(AI)与物联网(IoT)的结合,已成为智能农业中的重要研究领域。尽管关于AIoT的文献迅速扩展,但对其整体发展、知识结构和新兴研究方向知之甚少。为弥补这一研究空白,本文基于Web of Science核心合集收录的出版物

  
物联网人工智能(AIoT),即人工智能(AI)与物联网(IoT)的结合,已成为智能农业中的重要研究领域。尽管关于AIoT的文献迅速扩展,但对其整体发展、知识结构和新兴研究方向知之甚少。为弥补这一研究空白,本文基于Web of Science核心合集收录的出版物,采用文献计量方法考察了智能农业中的AIoT文献。研究运用了包括绩效分析、关键词共现分析和文献耦合在内的文献计量技术,以考察出版趋势、该领域最相关的期刊、顶尖学者、国家、机构以及研究主题。研究结果表明,AIoT研究增长迅速,主要由工程和计算机科学学科驱动。研究识别出五个主要研究主题,涵盖农业中的AI应用、物联网赋能的智能农业、智能传感系统、农业数据管理和预测模型。基于这些发现,本研究讨论了AIoT研究的演化,识别了当前的研究空白,并提出了一个聚焦于人工智能、互操作性、网络安全、数据质量、技术采纳、可持续性和负责任创新的未来研究议程。本研究为智能农业中的AIoT研究提供了广泛的概述,并为对数字农业未来发展感兴趣的研究人员和从业者提供了有用的方向。
本文对智能农业中物联网人工智能(AIoT)研究进行了全面的文献计量与定性综合。研究通过结合绩效分析、科学图谱技术和定性主题分析,提供了对AIoT赋能的智能农业的知识演化、知识结构和新兴研究方向的整体理解。与以往主要关注特定技术或农业应用的综述不同,本研究将AIoT作为一个综合研究领域进行考察,识别了其主要贡献者、知识基础、主导研究主题和合作模式,并提出了一个结构化的未来研究议程,以支持下一代智能农业系统。

**1. 引言**
文章指出,传统农业在应对气候压力、粮食需求、劳动力短缺、土地限制和环境影响方面存在局限,因此,向智能农业转型十分必要。智能农业基于工业4.0技术,如物联网(IoT)和人工智能(AI),通过收集和分析农场数据来支持更精准的决策。研究将AIoT定义为结合了物联网(IoT)的传感与连接能力以及人工智能(AI)的分析与自动化能力的智能农业系统,其核心目标是实现对农业条件的实时监控和控制。现有文献主要从技术角度进行综述,缺乏对AIoT研究作为一个综合领域的知识结构的系统性探索。为填补这一空白,本研究采用文献计量方法,结合绩效分析、科学图谱和定性主题综合,旨在回答以下研究问题:AIoT研究的演化历程、主要贡献者、知识基础、主题趋势和新兴研究方向。研究通过整合定量分析和定性综合,为理解AIoT赋能的智能农业的演化、现状和未来发展方向提供了整体视角。

**2. 文献综述**
**2.1. AIoT领域的概念与边界定义**
AIoT的概念基础源于物联网(IoT)和人工智能(AI)两个成熟领域的融合。AIoT通过在物联网(IoT)系统中嵌入分析、自主决策和自动化能力,扩展了传统物联网(IoT)系统的功能。其核心组件包括感知层、计算层和网络层。与常规物联网(IoT)不同,AIoT将智能直接融入其计算层。
**2.2. AIoT领域的边界**
本文界定的AIoT应用范围包括智能农业解决方案,如作物监测、精准灌溉、施肥管理、牲畜监测、温室管理、病虫害检测、精准农业、自主农业和农业机器人,而其他领域的AIoT应用则不在本研究范围内。
**2.3. 先前AIoT文献综述的总结**
近年来,出现了大量关于AIoT在农业中应用的综述研究,但这些研究主要侧重于特定的技术架构、数据管理框架、传感技术或单一农业应用。现有综述均未将文献计量技术与系统综述相结合,以考察AIoT研究的知识结构、主题演化、研究热点和新兴主题。因此,本研究通过整合文献计量分析与系统综述,旨在提供对智能农业中AIoT研究的全面概述。

**3. 研究方法**
本研究采用了Donthu等人(2021)提出的四步文献计量程序,以确保分析的系统性、透明性和可重复性。文献检索在Web of Science核心合集中进行,检索策略包括“smart farm”、“smart agriculture”、“digital agriculture”等关键词与“Internet of Things”、“IoT”、“AIoT”和“artificial intelligence”的组合。初始检索获得5765条记录,经过筛选,最终数据集包含3667篇同行评审的英文期刊论文,时间跨度从2003年1月1日至2026年3月1日。研究方法包括定量分析(如年度出版物分布、引用指标)和聚类分析(如共被引分析和关键词共现分析),使用Bibliometrix R包和VOSviewer软件进行数据处理和网络可视化。

**4. 结果**
**4.1. RQ1:AIoT研究在智能农业中的演化**
研究结果显示,AIoT研究经历了四个发展阶段:萌芽期(2003-2015年)、涌现期(2016-2018年)、扩张期(2019-2021年)和加速增长与巩固期(2022-2025年),年均增长率为20.51%。最相关的期刊包括Sensors、IEEE Access和Computers and Electronics in Agriculture。研究发现,研究产出主要集中在工程和传感类期刊,而管理、政策或社会经济方面的期刊发文较少,表明该领域主要通过技术创新驱动。

**4.2. RQ2:主要贡献国家、机构和作者**
在总引用量方面,印度、中国和美国位居前列。然而,从篇均引用量来看,荷兰、希腊、澳大利亚等国的影响力更高,表明研究影响力与论文数量并不直接相关。高产作者多来自印度,研究主题集中在智能农业、物联网(IoT)和精准农业。关键词分布显示,该领域的知识结构仍以智能农业、物联网(IoT)和精准农业为核心。

**4.3. RQ3:知识基础出版物**
高被引论文揭示了从以连接为导向的农业系统向智能、自主和可持续驱动型农业生态系统演变的清晰路径。早期研究确立了物联网(IoT)、传感器网络和数据分析的基础地位;随后,研究转向人工智能(AI)和机器学习在预测分析、病害检测和决策支持中的应用;近期研究则进一步扩展至结合技术创新与可持续性及治理考量的AIoT赋能的农业生态系统。研究指出,智能农业研究经历了三个阶段:基于物联网(IoT)的传感和连接基础设施开发、人工智能(AI)和机器学习集成以实现智能决策、以及AIoT赋能的农业生态系统的出现。

**4.4. RQ4:主要主题趋势和知识结构**
关键词分析表明,“物联网(IoT)”是最核心的概念,其次是“精准农业”和“智能农业”。人工智能(AI)、机器学习、深度学习和大数据等关键词的出现,表明该领域正从简单的传感和监控功能向预测分析、智能决策支持和自主运营演进。趋势分析揭示了从基础设施导向技术(如ZigBee、Arduino)向数据导向技术(如物联网(IoT)、无线传感器网络(WSN)、大数据),再到智能和可持续性导向技术(如人工智能(AI)、精准农业、可持续发展)的转变。通过共被引网络分析,识别出五个主要研究主题集群:
- **AIoT集成的智能农业生态系统**:早期研究侧重于将机器学习、深度学习应用于特定农业任务,随后发展为将AI与物联网(IoT)、云计算、遥感等集成的数字生态系统。
- **从数据收集到智能决策**:研究重点从早期的空间信息收集,转向利用人工智能(AI)进行预测分析和智能解释,并最终通过物联网(IoT)和大数据实现实时决策支持。
- **迈向自主与精准农业**:研究显示精准农业正从基于传感的定点管理,向集成人工智能(AI)、物联网(IoT)、机器人技术的自主农业系统演进。
- **AIoT作为可持续农业的赋能者**:研究表明,AIoT技术通过优化灌溉、施肥等资源投入,在提高生产力的同时减少资源消耗,是可持续农业的关键赋能者。
- **高效AIoT系统集成的障碍**:文献识别出阻碍AIoT大规模实施的主要障碍,包括互操作性、网络安全、数据治理以及社会技术因素(如利益相关者协作和农民信任)。

**5. 讨论与未来研究议程**
**RQ5:AIoT赋能的智能农业中的新兴研究主题和未来机会**
基于文献计量和定性分析,研究提出了一个结构化的未来研究议程,包含四个研究重点:
- **研究重点1:AIoT基础设施与数据治理**:未来研究需优先发展可互操作和可扩展的AIoT基础设施,强化网络安全机制,并制定综合性的数据治理框架,以解决数据所有权、隐私和安全共享等问题。
- **研究重点2:AIoT采纳的障碍与驱动因素**:未来研究需关注降低实施成本、加强农民教育、经济可行性研究、机构与政策支持,以及负责任创新框架的开发,以促进AIoT技术的广泛采纳。
- **研究重点3:通过新兴技术推进AIoT**:未来研究应进一步整合人工智能(AI)、物联网(IoT)、云计算、机器人等技术,并探索联邦学习、边缘AI、数字孪生、自主农业机器人等新兴技术,同时提高农业数据集的质量和多样性。
- **研究重点4:可信AI与多模态数据融合**:未来研究需探索可解释AI(XAI)以提升系统透明度和农民信任,并开发高效的多模态数据融合方法,以整合来自不同来源的异构数据,提高预测准确性和决策支持能力。

**6. 结论**
本研究揭示了AIoT研究在过去二十年中的显著增长,并展示了从物联网(IoT)赋能的监控向AIoT赋能的自主农业的清晰技术演化路径。研究提出的概念框架和未来研究议程强调了可解释和可信AI、可互操作的AIoT基础设施、网络安全、数据治理、高质量数据集、数字孪生、边缘AI、自主农业机器人以及负责任创新等关键挑战。研究指出,AIoT赋能的智能农业的未来不仅取决于持续的技术创新,还有赖于研究人员、工程师、政策制定者、农业组织和农民之间更强大的跨学科合作。
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