Artificial intelligence (AI) in precision agriculture and resource efficiency: a bibliometric and natural language processing analysis

方法

Scopus文献计量、VOSviewer关键词共现、TF-IDF与NMF主题建模

发现

领域2018至2025年快速增长，形成六大主题群，水效率是最明确的资源效率路径。

机会点

肥料、农药、土地、能源与算力效率分散于各主题群，可做多资源协同优化的整合研究。

目的。本研究旨在梳理人工智能驱动的精准农业与资源效率研究的知识结构及其资源经济意涵。论文聚焦人工智能、机器学习、物联网（IoT）、遥感与决策支持系统如何与水资源、土地、能源、肥料、农药、劳动力及其他农业资源的优化配置相关联。方法。研究采用文献计量分析与自然语言处理（NLP），对以“精准农业”“人工智能”和“资源效率”为关键词检索到的598篇Scopus索引文献进行分析。分析结合了出版动态、引用指标、来源与国家分布模式、标准化关键词频次、VOSviewer关键词共现与文本数据图谱、词频—逆文档频率以及非负矩阵分解，对标题、摘要和关键词进行主题建模。结果。结果显示该领域迅速扩展：相关Scopus记录从2018年的1篇增至2025年的297篇。数据集共获6251次引用，分布高度偏斜，印度、美国和中国是最显著的贡献者。VOSviewer关键词分析识别出六个主题群落：人工智能、物联网与灌溉控制系统；可持续性、分析与农业食品系统；精准农业与预测分析；人工智能、农业与机器人技术；计算机视觉与病害检测；以及遥感、无人机（UAV）与无线传感器网络。NLP主题建模确认了六个对应主题：物联网与实时监测；深度学习与植物病害检测；人工智能驱动的可持续农业与决策支持；遥感与基于无人机的作物监测；粮食安全、气候变化与数字化转型；以及水、灌溉与资源管理。水资源效率是最明确的资源效率路径，而肥料、农药、土地、劳动力、能源与计算效率则分布于技术集群与社会经济集群之中。科学新颖性。本研究的新颖性在于结合文献计量网络分析、VOSviewer可视化与基于NLP的主题建模，将人工智能驱动的精准农业阐释为一种资源配置与农业环境管理系统，而不仅是技术领域。实践意义。研究结果表明