论文标题：Advancing agriculture with machine learning: a new frontier in weed management

期刊：Frontiers of Agricultural Science & Engineering

作者：Mohammad MEHDIZADEH, Duraid K. A. AL-TAEY, Anahita OMIDI, Aljanabi Hadi Yasir ABBOOD, Shavan ASKAR, Soxibjon TOPILDIYEV, Harikumar PALLATHADKA, Renas Rajab ASAAD

发表时间：15 Jun 2025

DOI：10.15302/J-FASE-2024564

微信链接：点击此处阅读微信文章

智慧农业

Smart Agriculture

专 辑 文 章 介 绍

· 第八篇 ·

▎论文ID

Advancing agriculture with machine learning: a new frontier in weed management

机器学习推进农业发展：杂草管理的新前沿

文章类型：Review

发表年份：2025年

第一作者：Mohammad MEHDIZADEH

通讯作者：Mohammad MEHDIZADEH

Email: mehdizade.mohammad@gmail.com

作者单位：伊朗莫哈赫阿达比利大学农业与自然资源学院。

Cite this article :

Mohammad MEHDIZADEH, Duraid K. A. AL-TAEY, Anahita OMIDI, Aljanabi Hadi Yasir ABBOOD, Shavan ASKAR, Soxibjon TOPILDIYEV, Harikumar PALLATHADKA, Renas Rajab ASAAD. Advancing agriculture with machine learning: a new frontier in weed management. Front. Agr. Sci. Eng., 2025, 12(2): 288–307 https://doi.org/10.15302/J-FASE-2024564

· 文 章 摘 要 ·

杂草管理是现代农业的关键环节，入侵植物会显著降低作物产量与经济效益。传统杂草防治方法 (如人工除草与合成除草剂) 虽广泛应用，却存在耗时耗力、环境风险高等问题。除草剂因其高效性与成本效益成为主要的防治手段，但过度依赖导致环境污染、杂草抗药性增强及潜在的健康危害。为应对上述挑战，研究者与行业专家正探索将机器学习技术融入化学杂草防治策略。随着技术进步，对创新且可持续的杂草管理方法的关注日益增长。本综述探讨了机器学习在化学杂草防治中的应用潜力。机器学习通过分析大规模数据集、识别模式并生成精准预测，为防治工作提供创新且可持续的解决方案。其模型可实现杂草种类精准分类与除草剂用量优化，实时监测则能及时干预，防止入侵物种扩散。将机器学习整合至化学杂草防治体系，不仅有望提升农业实践效率、减少除草剂用量，更能显著降低环境影响。当前需进一步验证并优化算法以实现实际应用。

· 文 章 亮 点 ·

1. 机器学习为杂草管理提供了创新且可持续的解决方案。

2. 通过机器学习可减少除草剂用量并降低环境影响。

3. 机器学习模型能精准分类杂草种类并优化除草剂使用策略。

4. 机器学习技术可实现对入侵物种的实时监测。

· Graphical abstract ·

· 研 究 内 容 ·

▎杂草管理的挑战

杂草与作物在水分、养分、光照和空间等关键资源上存在激烈竞争。若不加以控制，杂草不仅会显著降低作物生产力，导致经济损失和潜在粮食短缺，还会破坏生态环境、污染水资源，甚至充当病虫害宿主。部分杂草物种产生的化感物质还会抑制邻近作物生长。因此，制定科学的杂草控制策略对保障作物产量、维护粮食安全及保护农业生态系统至关重要。有效的管理技术需针对作物和农田特性设计，通过定期监测评估效果，核心在于精准评估作物需求、选择适宜技术并持续跟踪管理进展。其中，融合机器学习的前沿技术在杂草管理中展现出变革性潜力，可实现精准定向控制，显著提升管理效率与准确性。

▎杂草管理中的机器学习

机器学习作为人工智能的分支，通过算法模型从数据中自主学习并预测决策，无需显式编程。在杂草管理中，其主要用于分析包含杂草物种、环境参数和除草剂效力的大型数据集，识别高风险入侵区域，制定定向防控策略，并优化除草剂施用，确保在正确位置和时间使用最适产品。

▎机器学习技术主要分为四类

监督学习：利用标注数据训练模型，可预测新环境下化学品对特定杂草的效力，常用于基于图像或传感器的物种识别。典型算法包括决策树、随机森林、支持向量机 (SVM)、神经网络等。

无监督学习：基于未标注数据发现潜在模式，例如通过聚类算法 (如k-means) 识别最佳施药时机或制定防控传播策略。

强化学习：训练机器学习模型与环境交互试错学习，可模拟不同施药场景并评估结果，优化长期回报。

深度学习：利用多层神经网络处理海量数据识别复杂模式，特别适用于基于视觉特征或DNA序列的杂草识别，其中卷积神经网络 (CNN) 在图像处理中效果突出。

▎基于机器学习的杂草物种识别

机器算法基于视觉特征可高精度检测和分类杂草，帮助农民更有效地管理作物田，其实现过程涉及数据收集与预处理、模型选择和性能评估等关键步骤。

数据收集与预处理：需获取多角度、多生长期、多环境背景下的高质量杂草图像，监督学习需由专家对图像对应的物种进行标注。训练时采用旋转、翻转、缩放等数据增强技术提升数据集多样性，通过归一化像素值加速模型收敛，并合理划分训练集、验证集和测试集以评估模型的泛化能力。

杂草识别的机器学习模型：以CNN为主流，常用架构包括视觉几何组 (VGG)、残差网络 (ResNet) 和定制网络等。在大型数据集 (如ImageNet) 上预训练的模型可通过微调用于杂草识别，支持向量机也可用于多分类任务。基于图像处理的杂草检测流程 (图1) 已在实际中得到应用。

图1 基于图像处理的杂草检测流程图。

▎杂草空间分布分析

机器学习技术结合遥感数据 (卫星影像、无人机) 提供了更准确、自动化的分析方法，可高效获取和处理高分辨率航空数据，识别和绘制大面积区域的杂草侵染情况。地理信息系统 (GIS) 通过整合多源数据，为空间分析提供了关键框架。机器学习应用于GIS数据可创建详细地图，展示杂草分布模式，提供区域全景视图，帮助识别高侵染区并定向部署防治措施。

▎除草剂施用优化

除草剂施用优化需从时机、剂量、剂型、技术和环境责任等多角度考量。通过精准农业实践、使用合适助剂和了解最新进展，可提升杂草控制效果，同时最小化除草剂的生态足迹。

常见的除草剂施用策略包括苗前除草剂施用、苗后除草剂施用、综合杂草管理 (IWM) 和精准农业等。

▎机器学习在除草剂优化中的应用

杂草生长的预测建模：机器学习基于历史数据、环境变量和作物管理实践开发预测模型，随机森林和神经网络等算法分析复杂数据，预测杂草萌发和生长模式，帮助农民更有效地规划施用，其优势包括早期检测杂草爆发、改进施用时机和更高精度地靶向特定物种。

杂草物种识别：图像识别模型通过处理无人机或相机图像，实时区分作物与各类杂草，支持定向施药，减少全田处理需求、劳动力成本和除草剂漂移风险，优势涵盖精准农业、实时决策、成本降低、环境影响控制、作物产量提升和数据驱动洞见。

机器人精准施用除草剂：机器学习与机器人集成催生自动化系统，机器人使用算法导航田间、识别杂草，并仅在需要区域精准施药，传感器和实时数据使其能适应变化条件，确保最优剂量和覆盖，从而减少化学品用量、成本和环境影响 (图2)。

决策支持系统：基于机器学习的系统综合天气、土壤特性和历史数据等因素，推荐最合适的除草剂、剂量和时机，能够减少抗性的发展并提升决策效率。

杂草密度与空间分析：利用卫星、无人机和地面传感器数据，算法能够生成精确定位高杂草密度区域的综合地图，支持基于热点区域的定向施药，优化资源利用并最小化环境影响，为精准农业提供可操作洞见。

与物联网及传感器网络的集成：利用土壤传感器、气象站等物联网设备数据，机器学习算法动态调整除草剂施用计划以响应变化的条件，持续监测使模型能就剂量和分配做出明智决策，实现持续优化、减少浪费并提升管理实践的效率和灵活性，物联网、传感器和机器学习的结合正在革新除草剂的施用。

图2 机器人精准施用除草剂流程图。

· 结 论 ·

将机器学习技术整合到化学杂草管理实践中，对解决传统杂草控制方法的局限性具有重大潜力，其潜在效益包括提升精准性、减少化学品使用和改进可持续性。通过利用算法和数据分析，机器学习模型能准确识别和分类杂草物种、分析空间分布并优化除草剂的施用策略，支持定向精准的管理，从而提高农业生产力，并使环境影响最小化。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn