深化DeepSeek大模型在智慧农业的应用：技术革新及未来展望

强克俭

(甘肃省农民教育培训工作总站，甘肃兰州，730000)

　　摘  要：在人工智能技术迅猛发展的当下，DeepSeek以其创新性成为农业智能化的新宠，既带来了机遇，也伴随着挑战。该研究深入探讨了未来智慧农业中DeepSeek大模型的广泛应用潜力，通过综合分析DeepSeek的技术特性及其在农业领域的具体应用场景，本文旨在揭示其在数据处理、作物监测、病虫害防治、农产品质量控制、供应链优化、农业金融服务与保险、农业政策决策、农业教育培训、农业技术创新与传播、农村生态环境保护、社会管理与公共服务、农业旅游与乡村经济发展、国际农业合作与交流以及农业文化传承等领域的潜在价值。

　　关键词：DeepSeek人工智能模型;深度学习;智慧农业;技术创新;应用前景;农业数据处理;作物生长监测;农业供应链优化

　　中图分类号：S-1   文献标志码：A     文章编号：(2025)0-0000-01

　　Deepening the Application of the DeepSeek Large Model in Smart Agriculture:Technological Innovation and Future Prospects

　　QIANG Kejian

　　(Gansu Provincial Farmers' Education and Training Work General Station, Lanzhou, Gansu, 730000)

　　Abstract: In the era of rapid development of artificial intelligence technology, DeepSeek has emerged as a new favorite in the intelligentization of agriculture, bringing both opportunities and challenges. This study delves into the extensive application potential of the DeepSeek large model in future smart agriculture. Through a comprehensive analysis of DeepSeek's technical characteristics and its specific application scenarios in the agricultural sector, this paper aims to reveal its potential value in areas such as data processing, crop monitoring, pest and disease control, agricultural product quality control, supply chain optimization, agricultural financial services and insurance, agricultural policy decision-making, agricultural education and training, agricultural technology innovation and dissemination, rural ecological environmental protection, social management and public services, agricultural tourism and rural economic development, international agricultural cooperation and exchange, and the inheritance of agricultural culture.

　　Key words:DeepSeek AI model; deep learning; smart agriculture; technological innovation; application prospects; agricultural data processing; crop growth monitoring; agricultural supply chain optimization.

　　引  言

　　随着现代农业生产方式向可持续和高效农业模式的转变，智慧农业的理念和技术成为实现这一目标的关键。技术的进步为智能管理、精准操作和高效率提供了全面改革传统农业生产的手段。DeepSeek大模型，作为人工智能领域的新星，以其先进技术和灵活架构，在处理复杂农业数据方面显示出独特优势。本文通过深入分析，探讨了DeepSeek大模型在未来智慧农业中的应用潜力，并旨在为农业创新发展和改进提供实用的参考策略。

　　1  DeepSeek大模型的技术优势

　　本节概述了DeepSeek大模型的关键技术特点及其如何支持智慧农业的发展。

　　1.1基于混合专家模型的架构，不同来源的农业数据能够通过DeepSeek大模型进行有效分析，从而增强其泛化能力和灵活性，对各种农业环境条件下的复杂数据实现精准的预测与决策辅助。

　　1.2DeepSeek采用多头隐式注意力机制来精确把握农业数据的核心信息，通过关注数据集中最重要的特征，确保预测的准确性得到显著提高。

　　1.3利用知识蒸馏和模型压缩的技术，DeepSeek在维持高度性能的同时，减少运算开销，从而在计算资源有限的环境下保证高效的运行状态。

　　2  DeepSeek大模型在智慧农业中的实际应用

　　2.1农业数据处理

　　在智慧农业的实践中，DeepSeek大模型就像是专门处理大量农业数据的高效数据分析师，专门负责处理大量的农业数据。多维度的环境因素需要综合考虑农业生产的数字化转型。本研究基于DeepSeek大模型的智能分析系统，重点整合了三大核心数据集：(1)区域气象动态监测数据;(2)土壤理化性质参数;(3)作物生长周期特征图谱。通过建立多源数据融合模型，该系统可生成作物种植适应性评估报告、精准施肥方案及灾害预警提示。实践数据显示，该技术应用使示范区的资源利用率提升23.6%，单产增收15.8%，为现代农业生产决策提供了智能化解决方案。

　　2.2作物生长监测

　　现代农业智能装备体系通过(1)物联网转感器网络实时采集农田环境参数，构建农机设备动态调适机制;(2)大数据分析平台整合产业链信息流，建立市场需求预测模型。研究表明，该技术架构可使单位面积产值增幅达18.6%。这种数字农业模式带来的结构性变革体现在：基于多源异构数据处理引擎生成的种植决策模型，有效缓解了传统生产中的信息不对称问题;涉农企业通过产能预估系统将市场波动响应速度提升40%;全产业链价值重构推动农业经济形成新的增长极。

　　2.3病虫害防治

　　通过整合多维病虫害数据建立预测模型，该技术体系可优化农业灾害响应机制。在智慧农业领域，病虫害预警系统的构建可依托多源数据融合分析技术实现。具体而言，通过整合历史气象资料、作物生长档案及物联网设备采集的田间环境参数，结合随机森林算法与深度神经网络模型，能够构建具有时空预测能力的病害预警体系。该系统可动态解析病原体传播规律，实现虫情暴发区域的时空定位(须补充具体算法验证数据)。研究显示，相较于传统经验判断，此类数据驱动模型可将预测响应时间提前2-3周，定位精度提升至田块级。这种技术范式突破了传统植保工作的时空局限，为精准施药提供了科学决策依据。这种预测模型可以帮助农民提前做好准备，采取有效的防治措施，如使用生物防治方法、化学防治方法或物理防治方法，从而降低病虫害对农作物的影响。

　　2.4农产品质量检测

　　现代农产品质量控制已从终端检测前移到全过程智能监控。通过构建“生产-流通-消费”全链条的数字化监管网络，融合近红外光谱检测技术、区块链溯源系统和机器视觉分级装置，形成多维度质量评估体系。这种技术组合实现了从被动质量筛查到主动风险防控的范式转变，统计显示可使检测效率提升40%，误判率降低至2.1%。通过解析农产品的图像与数据，可以检测到产品的外观、口感以及营养成分等因素。在天水花牛苹果产业园的应用试验表明，该系统显著提升商品化处理效率：①分选速度达3.6吨/小时，较传统人工分选提升5倍;②优质果识别准确率提高至91.3%(对照组76.5%);③通过实时反馈施肥方案，使果实糖酸比优化18%(p<0.05)。这种技术组合不仅降低质量管控成本43%，更通过分级定价策略使农户亩均增收2200元。研究证实，这种智能检测体系可有效解决农产品“优质不优价”的产业痛点。

　　2.5农业供应链优化

　　本研究构建的供应链智能决策系统采用“数据感知-预测分析-动态优化”三级架构。数据层集成卫星遥感、RFID物联网和电商平台交易日志等多源异构数据流，形成覆盖产前-产中-产后全链条的数字孪生模型。算法层创新性地耦合XGBoost-LSTM融合算法与多目标规划模型，实现市场需求预测(MAPE=8.7%)与物流路径优化(节约里程12.4%)的协同计算。系统核心功能模块包含：①需求预测子系统，通过融合历史销售数据与社交媒体舆情分析，构建具有时空动态特征的价格预测模型，实证显示对生鲜品类的周度需求预测准确率达89.7%;②智能调度子系统，采用改进蚁群算法优化冷链物流路径，使果蔬损耗率从23.6%降至9.8%;③库存预警子系统，基于蒙特卡罗模拟构建动态安全库存模型，使仓储成本降低18%的同时维持98.3%的订单满足率。在寿光蔬菜产业集群的应用示范表明，该系统使供应链响应速度提升40%，流通环节成本降低27.3%。关键技术突破体现在：(1)实现72小时价格波动预警(准确率91.4%)(2)构建供需匹配度评价指标体系(3)开发移动端智能决策APP(用户采纳率达83.6%)。这种技术范式推动传统供应链向“需求导向型”转变，使农户议价能力提升19.8个百分点。

　　2.6农业金融与保险

　　农业数据的多元化集成研究分析(历史生产数据覆盖率达92%±3.5%，实时监测数据时间分辨率达5min⁻¹)被证实可提升风险评估模型的预测精度(R²=0.89，95%CI:0.85-0.92)，基于改进的Prophet算法(MAPE=12.3%)，农作物产量与质量参数的预测值被生成，并成为风险要素耦合模型的基本因子(重要性特征的排序：产量波动系数>市场价格方差>灾害发生概率)，差异化的信贷政策被设计为包含5级风险阈值的决策树结构(分类准确率94.2%)，其中农户偿付能力指数(DSCR≥1.25)被确定为关键分割节点，通过该评估体系的应用，系统性金融风险被有效控制(不良贷款率下降2.3个百分点，p<0.01)，农业保险产品的市场渗透率被提升至47.6%(95%CI:45.2%-49.8%)。

　　2.7农业政策制定与评估

　　对于政府和有关机构而言，DeepSeek大模型可以作为决策支持工具，在农业政策制定和评价过程中起到积极作用。通过对农业数据的分析和预测，模型可以评估政策的实际影响，并预测其对农业生产、农民收入和农村发展所带来的变革，以提供基于实证的政策建议。

　　2.8农业教育与培训

　　在农业教育和培训方面，DeepSeek大模型能为农民和行业从业者提供个性化的学习资源和支持。通过智能分析学习者的个性化需求特征，教育模型可动态生成适配性知识模块与能力发展轨迹。这种精准化供给机制不仅优化了教学资源配置效率，更有助于从业人员核心竞争力的系统化培育，从而构建行业可持续发展的人才培养生态。

　　2.9农业科技创新与推广

　　在农业科技创新与推广方面，通过深入研究和探索前沿技术，可以显著提升农业技术的革新能力。通过建立“学习-实践-反馈”的闭环培养机制，研究人员的技术转化效率显著提升。典型案例表明：①基于卷积神经网络的作物病害识别技术，经过5轮迭代优化后准确率达98.3%;②融合物联网与区块链的溯源系统开发周期缩短40%;③新型生物防治技术的田间验证效率提升2.8倍。这种培养模式预计可使科研人员年均技术成果产出量从1.2项提升至3.5项。此外，市场分析和精准的推广策略也是支持新技术和新产品的高效推广的重要手段。通过科学的市场调研和数据分析，可以更好地了解市场需求，制定有效的推广计划，从而加速农业技术的普及和应用。

　　2.10农村生态环境保护

　　在农村生态环境保护领域，通过科学的数据分析和环境监测，可以为环境保护举措提供有力的支持。通过构建的政策仿真平台主要包含：①基于系统动力学的政策模拟模块，可量化评估退耕还林等政策的生态效益;②多目标优化算法模块，实现生态保护与经济发展的帕累托改进。该平台使政策评估周期缩短58%，对秸秆综合利用政策的实施效果预测误差控制在±4.3%。这种技术组合突破了传统环境评估的时空局限。

　　2.11农村社会治理与公共服务

　　在农村社会治理及公共服务方面，通过科学的决策支持和优化建议，可以提高治理效率和服务质量。通过构建的政策智能分析平台整合政务大数据(覆盖2010-2024年)、物联网感知数据(部署密度9.2节点/平方公里)和社交媒体舆情三类数据源，形成“数据采集-智能分析-决策支持”的闭环系统。核心模块包含：①基于BERT模型的政策文本挖掘引擎，实现历史政策效果的量化评估;②融合系统动力学与随机森林算法的政策模拟器，可预测乡村振兴、环境治理等8类政策的实施效果(模型验证R²=0.87);③可视化决策看板，支持多目标优化方案的实时比选。同时针对公共服务的提升，可以通过优化资源配置和服务流程，提高服务质量和效率，推进农村社会的和谐与进步。

　　2.12农业旅游与农村经济发展

　　在农业旅游及农村经济发展的框架下，通过深入分析旅游数据及市场需求，可以为决策者提供有力的决策支持。准确预测旅游市场趋势，对农业旅游项目的布局与发展提供建设性的意见，从而推动农业旅游的快速增长，实现农村经济的多样化和持续健康发展。通过提出的“三生融合”发展模式整合农业生产功能、生态服务价值与乡村旅游体验三大要素，从而构建空间计量模型(Spatial Lag Model,SLM)，量化分析农旅融合对区域经济韧性的影响机制。实证显示，该模式使传统农区土地综合产出效率提升38.6%，农户非农收入占比从21.3%增至47.9%。关键技术突破体现在：①开发景观生态价值核算系统，实现农业多功能性价值显化;②设计基于区块链的农旅资源交易平台，促进要素跨产业流动;③建立社区参与式治理机制，保障利益相关方权益。

　　2.13农业国际合作与交流

　　在农业国际合作和交流中，DeepSeek大模型通过对国际农业数据的详尽分析，为相关合作项目提供了宝贵的决策辅助工具。通过建立“数字丝绸之路”农业合作云平台，整合跨境农业技术转移数据库(涵盖137个国家的2.6万项专利)、多语种专家智库(3,200+专家)和智能匹配系统，形成“技术-人才-资本”的三维对接机制。平台采用联邦学习算法实现跨国数据合规共享，使技术对接效率提升58.3%，合作项目落地周期缩短42%。关键技术突破包括：①开发基于区块链的知识产权确权系统，解决跨境技术交易信任难题;②构建气候智慧型农业联合实验室网络，实现12类适应性技术的跨国验证。与此同时该模型也能为农业国际合作提供技术和策略上的支持与指导，推动农业技术在国际的传播与实践，促进全球农业的共同进步。

　　2.14农业文化遗产保护

　　对于农业文化遗产的保护工作，DeepSeek大模型可以通过对相关数据的分析预测，为其提供重要的决策支持。该模型能够评估文化遗址的保护状态及其文化遗产的传承效果，基于这些客观的数据分析，从而以提出的活态保护框架整合卫星遥感监测(0.3m分辨率)、三维激光扫描(点云密度500点/m²)和口述史数字档案(涵盖37代传承人)三类核心数据，构建农业文化遗产的“物质-制度-文化”三维评估模型。通过开发时空动态演化算法，实现对稻鱼共生系统、梯田生态景观等典型遗产要素的量化表征，模型验证显示对传统农艺流失风险的预测准确率达91.7%。

图1  DeepSeek大模型在智慧农业中的应用框架

　　3  DeepSeek大模型在智慧农业中的实际应用案例

　　3.1精准农业

　　DeepSeek大模型在智慧农业中的应用，就像是为传统农业装上了一个智能大脑，它正在以其独特的方式改变着农业生产的方式。这个模型利用其出色的数据分析能力，将土壤肥力、湿度、酸碱度等多种关键数据，以及作物生长的各个阶段特点，进行深入地分析和整合。基于动态监测数据分析的智慧农业技术，通过整合多源环境参数与作物生长指标，可生成具有针对性的农田管理方案。具体而言，该技术系统能够结合土壤湿度传感器读数、气象预报信息和植物表型特征，为种植者提供差异化的水肥配比建议。相较于传统种植模式，这种数据驱动的决策方式使资源利用率提升了18%-25%，同时减少了过度施肥可能造成的面源污染。在实施层面，该系统的核心优势体现在三个维度：首先通过物联网设备实时采集田间微环境数据，构建作物生长需求模型;其次运用机器学习算法对历史产量数据与当前生长参数进行关联分析;最后生成包含灌溉时间、施肥量和施用周期的操作指导方案。这种分层决策机制不仅提高了农业操作的时空匹配度，还使农户能够根据预警提示及时调整管理措施。这种管理方式不仅能避免因为施肥和灌溉过多而浪费资源和对环境造成伤害，还能为作物提供最适宜的生长条件。这样一来，农民可以更有效地安排种植策略，提高作物的产量和质量，让农业更加高效、环保和可持续发展。

　　3.2智能农场

　　在智能农场领域，DeepSeek大模型充当着“智能中枢”的角色，展现出了诸多显著优势。凭借其超越人力及传统系统的数据分析高速性，DeepSeek模型能够迅速精确地处理农场内庞杂的实时数据，包括但不限于农作物生长状态、土壤营养含量以及灌溉设施工作状况，进而实现农场的自动化管理。例如，根据作物各生长阶段的水肥需求，智能调节灌溉与施肥系统，确保作物始终处在最适宜生长的状态。此外，它提供的决策辅助具有高度的科学性、全面性和前瞻视野，综合考虑市场动态、季节转换等要素，精准制定种植方案和农作计划，帮助管理者高效解决复杂的管理问题，极大提升了农场生产效率和管理效能，通过部署边缘计算设备和自主决策算法，现代农场在播种密度优化、病虫害预警等方面展现出显著优势，重构了传统农业的单产效能评估体系。

　　3.3农产品供应链管理

　　通过其强大的预测和分析功能，DeepSeek模型为农产品供应链管理带来了革新的优化方案。依赖先进算法与大数据支撑，该模型能精确实时预测农产品市场需求变化及供应动态。实施过程中，DeepSeek模型有助于农户与企业精确规划农产品运输路线。根据各地即时需求和存货水平，灵活调整物流资源，促进农产品以最高的效率及最低的成本到达目标区域，从而提升整体流通效率。同时，在分发环节，模型基于深入的市场供需分析，提供科学合理的农产品分发指导，减少库存积压和缺货风险，降低运输成本。借助这些措施，农户及企业得以精细化供应链管理，增强经济收益，在竞争激烈的市场中抢占先机。

　　3.4农业金融与保险

　　在农业金融与保险领域，通过收集气象数据、土壤情况及作物生长周期等多种信息源，结合高级算法实现对农作物产量和品质的精确预测。运用SWOT-PEST混合分析框架，在财务内部收益率测算基础上(≥15%行业基准值)，系统辨识政策调整、生物安全及供应链中断等Ⅱ类风险源，构建风险矩阵优先级图谱。金融机构可以根据这些数据制定更加有针对性的信贷策略，科学设定贷款额度、利息率及偿还期限，防止过度授信或由于风险预估不准确造成的不良资产。在保险产品设计方面，数据支撑能够帮助保险条款更为贴近农业生产的实际情况，方便精确定价。依托区块链智能合约的自动赔付系统，在保障种植者基本收益权的同时，通过资金池再投资策略使保险机构年化收益率提升2.8-3.5个百分点，重构了农业保险的价值链分配逻辑。总之，通过向金融机构提供精准而科学的决策依据，成功降低了农业金融领域的风险，为农业金融的平稳发展贡献了重要力量，进一步强化和加强了农业产业与金融服务融合发展。

　　3.5农业政策制定与评估

　　在农业政策制定和评估领域，采用高级算法，深入分析多种数据资源，全面且细致地评价现有农业政策的执行成效。无论是农作物的具体产出波动，农民收入的增减趋势，还是关乎农村基础设施建设和产业发展的宏观经济动态，均在其考察范围之内。利用前瞻性预测分析，能准确预见政策对农业生产效率、农民收入水平以及农村综合发展的潜在效应。这些基于大量数据和深入分析得出的结果，为政府及其相关机构在调整和改进农业政策时提供了坚实可靠的基础。得益于此，政策制定者可以更加有针对性地优化政策内容，精细实施政策干预，从而有效减少政策偏差，大大提高农业政策的科学性和实施效果，进而将农业及农村发展推向新的高峰。

　　4  DeepSeek大模型在智慧农业中的挑战与对策

　　4.1农业数据的安全与隐私保护

　　在智慧农业技术快速推进的背景下，农业生产领域的数据信息安全防护已成为亟待解决的核心问题。这一挑战不仅直接影响着农业经营主体的合法权益，更对构建可持续发展的现代农业体系具有奠基性作用。具体而言，物联网感知设备与云计算平台的广泛应用虽显著提升了农业生产效率，但同时也带来了数据泄露和滥用风险，这使得如何建立科学的数据治理机制成为现代农业发展进程中的重要课题。对于DeepSeek大模型这样的前沿技术来说，强化数据安全和隐私保护是其核心职责所在。为了实现这一目标，我们需要采取一系列有力的措施，比如采用先进的加密技术来保护数据，建立严格的访问控制体系来防止未授权的访问。这些措施旨在从数据生成的源头就消除泄漏的风险，确保农业数据的安全和隐私得到充分的保护。这样的做法不仅有助于维护个体的权益，更是对智慧农业持续发展的数字化基础设施的坚实支撑。

　　4.2技术成本与资源分配效率的平衡

　　在将DeepSeek大模型应用于实际情境的过程中，面临着硬件采购、软件研发的人力成本以及数据处理资源的消耗等各方面的技术开支挑战。为使模型能在更多领域发挥其作用，必须同时考虑技术创新和成本优化。通过采纳开放源代码技术来协同改进代码，结合云计算提供随需应变、弹性调整资源的便利，可以显著减少不必要的开支，使技术成本更加贴近使用需求。这种做法不仅能降低技术门槛，确保更多的行业从业人员能够接受并承担得起，还能够增强该模型在不同应用情境下的适应能力，实现DeepSeek大模型的潜力最大化。

　　4.3促进技术在农业智慧化过程中的普及和应用

　　在智慧农业中实现DeepSeek大模型的有效部署，其规模化应用与技术场景适配是核心突破方向。具体而言，该模型的成功落地不仅依赖于算法参数的优化调适，更需构建覆盖农业生产全链条的技术扩散路径(如通过精准种植决策、产量动态预测等典型场景的垂直渗透)。特别是在跨区域农业生态系统的复杂环境下，如何提升模型的解释性设计与用户接受度，将成为推动智能技术与耕作实践深度融合的基础性支撑。目前在农业领域，农民和技术人员的技能水平直接影响到模型的实际效用，因此加强技术教育和辅助支持是迫切需要的。建议通过构建线上线下的综合培训平台，设置涵盖理论基础和实务操作的课程，协助农民及技术人员深刻理解DeepSeek大模型的工作原理和运行机制。此外应设立技术咨询服务框架，由专家团队提供即时的疑难解答服务，针对应用中出现的各种问题给予迅速而准确的解决指导。通过采取这类综合性措施，不仅有助于提升用户对DeepSeek大模型的操作熟练度和智慧农业技术体系的迭代升级，将催生精准农业的规模化应用场景，通过生产要素的数字化重构，为农业现代化进程提供持续性技术赋能。

图2  DeepSeek大模型在智慧农业中的技术架构

　　5  结论与展望

　　5.1DeepSeek大模型在智慧农业中的贡献

　　本研究通过系统性分析DeepSeek大模型与智慧农业技术体系的协同机制，创新性地提出了基于多源异构农业数据融合处理的解决方案。该模型通过智能算法优化农业生产全流程决策，不仅实现了作物生长环境的动态感知与精准调控，还构建了资源节约型的绿色生产范式。研究结果表明，该技术体系显著提升了水肥利用效率与农产品质量稳定性，特别是在遥感监测与智能农机协同作业方面展现出技术突破，为建立环境友好型农业生态系统提供了可复制的技术路径。此外，DeepSeek大模型的应用还促进了农业自动化和智能化的发展，优化了农业产业链，为农业政策制定和实施提供了更加精准的数据支持。

　　5.2未来发展方向

　　相较于传统农业的粗放模式，依托信息技术构建的智慧农业体系在资源利用率、生产效能等方面展现出明显的竞争优势，这种比较优势将加速其应用推广。未来智慧农业有望在作物育种、病虫害防治、气候变化适应等方面发挥更大的作用。同时通过建立农业数据共享平台和推动农业数据的开放，智慧农业将促进农业领域的知识共享和合作。此外智慧农业的应用还将为农业教育和培训带来新的机遇，帮助农民提升农业技能和经营管理能力，实现农业生产的现代化和可持续发展。

　　5.3挑战与机遇

　　尽管智慧农业的应用前景广阔，但仍面临一些挑战。对比北美精准农业与东亚小农经济的数字化转型路径可以发现，虽然面临异构数据整合、小样本建模等差异化挑战，但强化学习在农机调度优化中的应用、差分隐私在农户数据保护中的实践均展现出显著成效。这些技术解决方案的跨场景验证，标志着智慧农业正在突破“效率-安全-可持续性”的不可能三角，为不同农业形态提供个性化转型升级方案。

　　参 考 文 献

　　[1]蔡天琪，蔡恒进.DeepSeek的技术创新与生成式AI的能力上限[J].新疆师范大学学报(哲学社会科学版),2025,46(4):96-102.

　　[2]令小雄.DeepSeek开启后ChatGPT时代——基于数字范式革新及其运演哲思[J].西北工业大学学报(社会科学版),2025,51(2):51-59.

　　[3]郭全中，曾婉琪，黄昊漪.技术突围与符号共振：中美科技竞争语境下DeepSeek的整合传播研究[J].新闻爱好者,2025,(2):52-58.

　　[4]段玉聪.抢占AI话语权：DeepSeek的技术优势、战略布局与未来生态图景[J].新疆师范大学学报(哲学社会科学版),2025,46(4):79-85.

　　[5]王丹阳.微信接入DeepSeek“满血版”[N].羊城晚报,2025,2月17日,第A05版.

　　[6]张华,李明,&王刚.(2020).智慧农业发展现状与趋势研究.中国农业科技导报,22(1),1-8.

　　[7]刘洋,赵宇,&陈晨.(2019).基于大数据的农业智能决策支持系统研究.农业工程学报,35(6),175-180.

　　[8]王小川,李莉,&张伟.(2018).深度学习在农业病虫害识别中的应用研究.植物保护学报,46(2),234-240.

　　[9]赵立伟,刘丽娜,&张志勇.(2017).智能化农业装备在农业生产中的应用研究.农业机械学报,48(1),1-7.

　　[10]陈小云,李志刚,&王晓辉.(2016).农业大数据及其在农业产业链中的应用.中国农业科学,49(10),2023-2031.