到2050年全球人口将达100亿，而适宜开垦的耕地已近耗尽。如何在耕地扩张受限、环境压力加剧的双重约束下保障粮食安全，是当前全球农业科学面临的重大挑战。近日，东北地理所联合中国农业科学院作物科学研究所、中国科学院空天信息创新研究院，系统构建了从遥感观测到智能决策的完整技术框架。

研究通过整合卫星与无人机建立了天空地立体观测网络，结合AI模型可显著提升土壤有机质、叶面积指数等关键农业参数的反演精度，有效解决了传统模型跨区域、跨年份泛化能力差的问题。在此基础上，研究梳理了覆盖播种、施肥、植保、选种全生产周期的四类智能处方方案，能够指导变量施肥、靶向喷洒以及耐逆品种筛选，助力农药减量与精准管理。

尤为值得关注的是，大语言模型有望打通遥感与农民之间的“最后一公里”。传统遥感产品专业性强，农民难以直接使用，形成了“数据丰富、信息贫乏”的困局。通过将多模态遥感数据与大语言模型深度融合，可构建智能问答系统：农民用自然语言提问，系统自动调取土壤湿度、作物长势、气象预报等实时信息，生成通俗易懂的农事建议。目前，农业大语言模型对时空遥感数据的标准化接入仍处于起步阶段（如JackDaw架构、神农大模型3.0中的遥感气象智能体等），现有实践多为特定场景的定制化集成，缺乏统一框架与接口规范，制约了遥感数据在大规模智能问答系统中的实时调用与语义理解。研究提出遥感-大语言模型融合架构，将多时相卫星数据编码为作物生长与环境胁迫的结构化表征，通过检索增强生成使模型按需响应实时遥感信息，并引入不确定性量化，在生成建议时提供置信度，从而提升智能决策的可靠性与可解释性。

此外，研究还评估了全球代表性农业监测系统的现状与挑战。尽管CropWatch、GEOGLAM等系统已趋于成熟，但在非洲、东南亚等以小农户为主的地区，因基础设施薄弱、高质量地面样本匮乏，形成了显著的数据鸿沟，导致现有模型在这些区域的应用存在系统性偏差。为解决此问题，研究提出基于联邦学习的跨区域协同建模方案，即各参与方在不共享原始数据的前提下，仅交换模型梯度信息，共同训练一个全球性的基础模型。同时，针对南北半球物候周期倒置导致的谱段特征不一致问题，可发展融合物候知识的动态域自适应算法，使在北美训练的小麦识别模型迁移至澳大利亚时精度衰减大幅减缓。

该研究系统梳理了一个从“数据观测”到“智能决策”的完整闭环理论框架，特别是将大语言模型纳入智慧农业体系，系统解决了当前智慧农业研究中普遍存在的技术碎片化、模型移植性差、对小农户包容不足三大瓶颈问题。研究强调，智慧农业不仅要实现“增产增效”，更应成为连接气候减缓、生物多样性保护与粮食安全的桥梁。

该成果以“Feeding 10 billion people in 2050 with cropland expansion limitation: From remote sensing to smart agriculture”为题近期在线发表于国际学术期刊 European Journal of Agronomy上，论文第一作者为中国科学院东北地理与农业生态研究所李思佳副研究员，合作作者包括东北地理所宋开山研究员（通讯）、中国农业科学院作物科学研究所金秀良研究员、中国科学院空天信息创新研究院李强子研究员，以及东北地理所朱冰雪特别研究助理和刘兆华特别研究助理等。该研究得到国家重点研发计划项目（2024YFD1501100）、中国科学院战略性先导科技专项（XDA28050400）与吉林省科技发展计划重点研发项目（20230202040NC）的联合资助。

图1 智慧农业、人工智能技术以及未来多模态大语言模型发展进程

论文信息：Sijia Li, Xiuliang Jin, Qiangzi Li, Xiang Wang, Bingxue Zhu, Zhaohua Liu, Ge Liu, Kaishan Song. Feeding 10 billion people in 2050 with cropland expansion limitation: From remote sensing to smart agriculture. European Journal of Agronomy, 2026, 179, 128159.

论文链接：https://www.sciencedirect.com/science/article/pii/S1161030126001784