Artificial Intelligence, Foundation Models, and Digital Twins for Climate-Resilient Agriculture: A Review
Krishan Kumar · Annu Khatri · Indu Shekhar Thakur
综述AI、基础模型与数字孪生如何支撑气候韧性农业，并指出关键挑战与未来方向。
文献综述，聚焦机器学习、深度学习、可解释AI、多模态基础模型与数字孪生。
最大潜力在于融合多源异构数据实现情境感知预测与自主决策，但数据质量与可解释性等仍是瓶颈。
可探索可信AI、联邦学习与自学习数字孪生在真实农田的规模化验证与语义互操作。
系统综述AI、基础模型与数字孪生在气候韧性农业中的集成路径与挑战，学术价值高，对智慧农业方向有较强参考意义。
气候变化、粮食需求增长与资源约束正加速推动传统精准农业向智能、自主且气候适应型的农业系统转型。人工智能（AI）、基础模型、数字孪生（DT）、物联网（IoT）、遥感、边缘—云计算和大数据分析正成为数据驱动农业管理的关键技术。本综述批判性地评估了人工智能驱动智能农业的最新进展，重点关注机器学习、深度学习、可解释人工智能（XAI）、生成式与代理式人工智能、多模态基础模型和数字孪生，以及其部署所需的传感与计算基础设施。相关文献通过人工智能、基础模型、数字孪生、物联网、精准农业和气候适应型农业等关键词检索获得，重点纳入近期同行评审研究，涵盖技术应用、性能、局限性、挑战与未来前景。对所选文献进行了批判性综合，以识别技术趋势、知识空白和新兴研究机遇。本综述强调，智能农业的最大潜力在于整合来自传感器、无人机（UAV）、卫星、气象系统、田间作业和农业知识的异构数据，以支持情境感知预测、决策和自主行动。然而，数据质量、模型泛化能力、可解释性、互操作性、网络安全、计算需求和大规模田间验证仍是主要挑战。本综述进一步提出了一种整合视角，将人工智能、基础模型、多模态数据基础设施、数字孪生和自主农业系统连接于统一的网络物理生态系统中。未来优先方向包括可信人工智能、代理式决策、语义互操作性、联邦学习、持续学习以及面向农业6.0的自学习数字孪生。