基于CiteSpace的数字农业国际研究热点与趋势分析

王越晗 夏煜

摘要：以2004—2022年Web of Science核心數据库中592篇文献为样本，采用CiteSpace文献计量软件，可视化分析数字农业国际研究热点和趋势。结果表明，数字农业国际研究呈持续增长趋势，在经历了理论探索期、稳定发展期后正处于迅猛暴发期；国际研究集中于数字农业的理论、方法、政策、实践应用等方面，而其主要阵地依然是以美国为首的欧美发达国家，虽然中国发文量较多，但国际学术影响力有待提升；研究热点从数字农业较关注的大数据、人工智能对数字农业的影响逐渐转向数字农业技术的创新、数字农业物联网设备的性能、数字农业供应链平台搭建与维护等方面；数字农业研究的前沿包括大数据分析技术与GIS技术结合处理农业监测数据、农业科技创新促进农业绿色发展以及人工智能方法支持农业决策系统等。此外，对数字农业发展中存在的问题进行了梳理，并展望了数字农业发展的前景。

关键词：数字农业；可视化分析；国际；研究热点；研究前沿；趋势；CiteSpace

中图分类号：F327         文献标识码：A

文章编号：0439-8114（2023）12-0178-10

DOI：10.14088/j.cnki.issn0439-8114.2023.12.032 开放科学（资源服务）标识码（OSID）：

International research hotspots and trends analysis of digital agriculture

based on CiteSpace

WANG Yue-han1，XIA Yu2

（1. Beidou College，Wuhan Qingchuan University，Wuhan  430204，China；2. Institute of Spatial Information Technology Application，

Changjiang River Scientific Research Institute，Wuhan  430010，China）

Abstract： Using 592 articles from the Web of Science core database from 2004 to 2022 as samples， the CiteSpace bibliometric software was used to visually analyze international research hotspots and trends in digital agriculture. The results indicated that the international research on digital agriculture was showing a sustained growth trend， and after experiencing a period of theoretical exploration and stable development， it was in a period of rapid outbreak；international research focused on the theory， methods， policies， and practical applications of digital agriculture， while its main focus was still on developed countries in Europe and America， led by the United States. Although China had a large number of publications， its international academic influence needed to be improved；the research focus had shifted from the focus on big data and the impact of artificial intelligence on digital agriculture， to the innovation of digital agriculture technology， the performance of digital agriculture IoT devices， and the construction and maintenance of digital agriculture supply chain platforms；the forefront of digital agriculture research included the combination of big data analysis technology and GIS technology to process agricultural monitoring data， agricultural technological innovation to promote green development of agriculture， and artificial intelligence methods to support agricultural decision-making systems. In addition， the problems existing in the development of digital agriculture were sorted out， and the prospects for the development of digital agriculture were looked forward to.

Key words： digital agriculture； visual analysis； international； research hotspots； research frontiers； trends； CiteSpace

数字农业是将信息作为农业生产要素，用现代信息技术对农业对象、环境和全过程进行可视化表达、数字化设计和信息化管理的现代农业。数字农业属于数字经济的一部分［1］，它是一个集合概念，主要包括农业物联网、农业大数据、精准农业和智慧农业4个方面。数字农业使信息技术与农业各环节实现有效融合，对改造传统农业、转变农业生产方式具有重要意义。

数字农业必不可少的就是数字技术，而数字技术拥有较强的抗干扰能力，且精度较高，同时数字信号能够长期存储，有效保存大量珍贵的信息资源。数字技术还拥有良好的保密性，可进行加密处理，确保信息资源不受窃取［2］。有学者将数字技术的变化总结为4个方面，一是实在与虚在的区分变得模糊，二是人类、机器和自然界的区分变得模糊，三是当它涉及信息时，从匮乏逆转为过剩，四是从以实体为主导转向以互动为主导。数字技术的这些特点及优势极大地推动了相关研究领域的发展，并在数控领域、电子计算机领域、数字化仪表、通讯设备及其他领域得到广泛应用［3］。

Kamble等［4］認为农业食品供应链的主要问题是缺乏工业化、管理不足、信息不准确和供应链效率较低，物联网、区块链和大数据技术是可持续农业供应链的潜在推动者，并提出了一个应用框架，该框架将指导农业食品供应链从业人员规划投资，以建立一个强大的、数据驱动的农业食品供应链；Klerkx等［5］认为有关农业数字化的文献可分为4个主题群，一是数字技术在农业中的使用和适应，二是数字化对农民身份、农民技能和农业工作的影响，三是数字化农业生产体系和价值链中的权力、所有权、隐私和伦理，四是数字化和农业知识创新系统以及数字化农业生产体系和价值链的经济与管理。Lezoche等［6］、Rotz等［7］认为物联网、区块链和大数据技术正推动农业供应链向数据驱动的数字化供应链发展，并指出了数据驱动的可持续农业供应链的重要性，揭示了数字农业与农场多样性之间的联系，探讨政治和经济格局可以在多大程度上让农业得到最大程度的公平。

Hunt等［8］对无人机系统（UAS）遥感技术用于精准农业进行了深入探讨，与拥有相同传感器的载人飞机平台相比，其具有更小的样本距离、图像校准以及运动点云构成的冠层高度模型3个优点。Dematte等［9］认为土壤制图是环境问题的关键，开发一种利用多时相卫星图像信息的程序，建立一个单一的合成图像来代表土壤，该程序被称为地理空间土壤遥感系统（GEOS3）；Oliphant等［10］认为粗分辨率地图在较小的区域（如东南亚）用途有限，同时在耕地定位的地理精度和产品精度方面都存在不确定性，利用高空间分辨率影像可以将耕地与非耕地地区分开，也可以在谷歌地球引擎（GEE）云计算环境中编码，并运行基于像素的随机森林（RF）监督机器学习算法，实现耕地与非耕地的分离；Shen等［11］基于大数据技术，构建了一种高性能农产品推荐算法，对农产品智能供应链系统进行研究，采用网络均衡方法构建了多个农产品供应链网络模型；有学者［12-15］采用案例形式，探讨了大数据分析在各平台上的应用现状、挑战和未来发展方向，引入了数据主权的概念。通过对文献的梳理发现，国内文献对数字农业的热点和前沿研究较少，且相关理论与实践价值不高。

前期对数字农业的研究集中在概念界定和技术应用2个方面，主要在农业物联网、农业大数据、精准农业及智慧农业4个方向开展研究。

农业物联网通常是将大量的传感器节点构成监控网络，通过各种传感器采集信息，以帮助农民及时发现问题，并准确地确定发生问题的位置。在农产品生产和流通中，经常会出现农产品质量问题，在农产品供应链上植入物联网技术已是大势所趋。物联网的数据融合技术可以解决农产品来源不明问题，提高农产品供应效率；利用5G物联网技术构建5G物联网农产品流通信息系统，实现农产品供应链的实时定位、信息共享和流通安全；设计一种基于物联网的农田灌溉系统，对网络监测节点硬件进行改造，实现对农田环境的数据采集和近距离传输。

农业大数据是近年来兴起的研究方向，是大数据理念、技术和方法在农业中的实施。农业大数据能够在农业经济领域上起到较大作用，推动农业转型，通过对农产品价格影响因素和价格波动状况的分析，对相关农业大数据进行挖掘，并实现数据可视化，从而为企业创新经济管理提供相关的科学依据。农业大数据在涉农企业的日常运作中也开始凸显自身的重要性，基于大数据技术的新型农业企业主体会计工作体系能够有效提高会计工作质量。在管理层面上，构建基于大数据分析的精准智能农业决策支持系统也离不开农业大数据。此外，智慧农业建设与发展也离不开农业大数据为其提供强有力的数据支撑。

精准农业是信息技术与农业生产全面结合的一种新型农业。精准农业可以与农业生态原理相结合，成为精准农业生态学。无线传感器网络可在精准农业生产中发挥重要作用，通过建立一种有效利用传感器节点能量的模型，为精准农业提供全面分析，促进农业经济的增长。

智慧农业是云计算、传感网、3S等多种信息技术在农业中综合全面的应用，实现更完备的信息化基础支撑、更透彻的农业信息感知、更集中的数据资源、更广泛的互联互通、更深入的智能控制以及更贴心的公众服务。

本研究利用科学计量工具，对 Web of Science核心合集数据库中数字农业文献进行可视化分析，绘制科学知识图谱，描绘出数字农业国际研究大趋势，识别国际研究热点，剖析该领域发展脉络和知识演进体系。

1 研究设计

1.1 研究方法与工具

文献计量法是用数学和统计学的方法，从不同维度对文献体系和文献计量特征进行描述性统计分析，本研究采用陈悦等［16］研发的CiteSpace软件作为分析工具，首先，对数字农业领域发展阶段、核心期刊、核心作者、核心国家和机构进行统计分析，探讨数字农业研究的基本趋势；然后，对数字农业国际研究文献关键词共现网络和突现值进行分析，深入探索数字农业在国际领域的研究热点和研究前沿；最后，基于关键词聚类科学知识图谱可视化分析了数字农业国际主流细分领域。科学知识图谱是一种重要的文献计量学分析方法，以可视化方式展现数字创新领域的知识结构、组成规律和分布情况［17-19］，探讨数字农业领域知识发展进程、研究热点和前沿。

1.2 数据来源

为保证数字农业国际研究数据的可靠性，选取Web of Science核心合集数据库，引文索引选择“SCI”“SSCI”，设置主题为“Digital agriculture”or“Agricultural internet of things”or“Agricultural big data”or“Precision agriculture”or“Intelligent agriculture”，不限时间，共检索到1 934条文献数据；将文献类型设置为“Article”，文献类别设置为“Agriculture multidisciplinary”“Agronomy”“Green sustainable science technology”“Ecology”“Agricultural engineering”“Agricultural economics policy”“Management”“Business”“Agriculture dairy animal science”，精炼得到592条文献数据，时间跨度为2004—2022年。对592篇文献进行人工筛选，未发现会议通知、重复等无效文献，也未发现与主题不符的文献。故本研究以592条文献数据为原始数据，并将其导入CiteSpace软件，时间参数设置为2004—2022年，Year per slice設置为1。

2 数字农业国际研究基本特征分析

2.1 数字农业国际研究的发展阶段

使用文献计量法分析数字农业发展历程，根据文献数量变化和时序规律统计分析，可以揭示数字农业领域的发展状况，预测其研究前景。如图1所示，2004—2021年，发文量整体呈上升趋势。数字农业国际研究文献随时间发展呈明显的指数型增长趋势，增长过程大致分为3个阶段。

1）理论探索期（2004—2006年）。随着互联网的普及，农业的生产方式也受到了极大的冲击，也有一些学者保持观望的态度，因此该时间段的数字农业研究较少，平均每年核心期刊的发文量为7.3篇。

2）稳定发展期（2007—2015年）。该时期核心期刊每年发文数量较稳定，平均每年发文量保持在14.6篇；该时期平均每年发文量是第一阶段的2倍，说明越来越多的学者开始关注数字农业领域。

3）迅猛暴发期（2016—2022年）。2016—2021年平均每年核心期刊的发文量为70.5篇，其中仅2021年就发文150篇；2022年1个月的核心期刊发文量也有15篇；与第二阶段相比，该时期平均每年发文量增加55.9篇，说明数字农业已经受到了研究者的高度关注且研究前景非常好。

2.2 数字农业国际研究核心力量分布

2.2.1 数字农业国际研究高被引作者分布 高被引作者是衡量学者在数字农业领域影响力的重要指标之一。高被引作者排序如表1所示，高被引作者主要研究以下2方面内容。

1）数字农业的概念及相关的社会问题。Wolfert等19］认为要深入了解大数据在智能农业中的应用，并确定需要解决的相关社会经济挑战，按照结构化的方法构建一个概念性框架，从社会经济的角度进行研究以及在不同供应链场景下数据共享。

2）数字农业在制度与政策上的创新。Klerkx等［20］认为从农业创新系统的复杂性角度来看，创新网络及其环境之间的交互作用只能在有限的程度上可控，农业创新政策不应以全面规划和控制创新为目标，而应以促进灵活的支持手段为目标，以实现适应性创新管理。

为更加直观地展现数字农业领域被引作者的合作情况，本研究以“Cited author”为节点绘制作者被引频次网络。被引作者数量（N）为466人，连线的数量（E）为1 654，被引作者之间合作的紧密度（Density）为0.015 3。由图2可知，被引作者网络间联结比较紧密，聚集度较高，表明目前关注数字农业领域的高水平学者数量逐渐增加，相对应的高水平学者之间的研究交流开始变得密切，数字农业领域研究空间较大。

2.2.2 数字农业国际研究核心期刊分布 期刊共被引是分析2篇不同期刊来源文献同时被第3篇其他期刊来源文献所引用的频次，从而判断期刊在数字创新领域发文的关注度和认可度［21］。表2列出了数字农业国际领域2004—2022年排名前10的高被引期刊，这些期刊在数字农业领域有相当的权威性，能够把握数字农业领域研究动态，并为相关学者的后续研究提供思路和方向。其中《Computers and electronics in agriculture》的被引频次排在首位（255次），该刊主要关注园艺、林业、农作物科学与计算机科学应用的结合等问题；《Precision agriculture》的被引频次位居第二（149次），该刊主要收录农业与生物科学类论文，并在近年逐渐加大对农业大数据方面论文的收录。被引频次为107次的《Remote sensing of environment》则是影响因子（2020年）最高的期刊，影响因子高达10.164，该刊主要关注土壤科学、地质状况以及地球信息科学等方面的研究。被引频次为122次的《Animal science and zoology》主要关注动物学与动物科学、农作物科学方面的研究。被引频次为89次的《Remote sensing》则主要收录农业工程与计算机应用、地理信息科学方面的论文。

2.2.3 数字农业国际研究核心国家和机构分布 发文量在一定程度上反映了不同国家、机构在数字创新领域的研究水平和贡献度［22］。表3列出了数字农业国际研究领域高发文国家、机构。从发文国家看，首先，作为传统农业发达国家的美国、澳大利亚及德国的发文量均在前5位，其中美国的发文量排第1位，为119篇；其次，作为金砖五国的巴西、中国、印度的发文量均在前15位，其中，巴西和中国排名靠前，分别为第2位、第3位；再次，欧洲国家明显更重视数字农业的发展，除前文提到的德国外，西班牙、意大利、荷兰、法国、英国、比利时的发文量均在前15位。从发文机构看，美国农业部农业科学研究院、西班牙国家研究委员会、瓦赫宁根大学研究院、瓦赫宁根大学、澳大利亚联邦科学院、悉尼大学的发文量均在前6位，欧美国家仍然是数字农业的主要研究阵地，其中，美国农业部农业科学研究院以16篇发文量排名高发文机构榜首。中国农业大学以7篇发文量进入到高发文机构中上水平行列。值得注意的是，中国虽然在高发文国家名列前茅，同时中国的科研机构也能在高发文机构中占得一席之地，但是根据表1的高被引作者排序可知，中国的学者无一入选，可见中国在数字农业领域学术影响力还有待加强。

3 数字农业国际研究热点与前沿分析

3.1 关键词共现研究热点分析

关键词是对论文研究内容的高度凝练，反映了文章研究主题，也是表征文献研究热点最直接的元素［23］。通过研究关键词共现网络可以揭示数字农业国际研究领域的演变过程和研究热点，出现频次较高的关键词即是学者在一段时间内共同关注的研究热点［24］。表4列出了前15位关键词频次，清晰地显示出2004—2022年数字农业国际研究领域的研究热点。数字农业国际研究高频关键词集中在2004年、2007年、2008年、2010年、2012年、2013年、2016年、2017年、2018年。精准农业是数字农业领域出现频次最高的关键词，这反映出数字农业的核心所在；其次是系统、农业、数字农业、管理、大数据、采用、技术、遥感、模型、分类、信息等，表明数字农业研究以专业的学科科研机构和组织等为单位，以农业为基础，依托大数据、人工智能、遥感技术等先进的科技手段，将数字化技术融入到农业生产中。此外，高频关键词还有接受、可变性、挑战、生物多样性、影响等，从伦理、道德的层面探讨了数字农业带来的影响。

为了更好地了解数字农业国际研究领域近年来研究热点的演进态势，本研究列出了2016—2021年频次较高的关键词，分析了近年来数字农业国际领域研究发展趋势，如表5所示。2016年、2017年的关键词最高频次均超过45次，研究热点比较集中，着重分析数字农业的本质并将大数据引入数字农业研究；2018年、2019年频次最高的关键词均为技术，说明数字农业研究的重心在技术的更迭上；从2019年开始，研究热点较分散，呈百花齐放的态势，这是因为物联网、大数据的运用已经较成熟，研究热点逐步细化。近年来的研究已经从数字农业较关注的大数据、人工智能对数字农业的影响，逐渐转向数字农业技术的创新、数字农业物联网设备的性能、数字农业供应链平台的搭建与维护等方面。

3.2 数字农业国际研究前沿分析

突现词图谱可以回顾哪些关键词在什么时间段成为了热点，且由于突现词通常具有时间延续性，可用于辅助预判未来一段时间内的研究热点趋势［25］。本研究使用Burstness突现词探测工具生成图谱预判数字农业国际研究前沿和转向。其原理是某个关键词的词频在短时间内激增，使研究热度在短时间内迅速升高。

表6列出了数字农业国际研究领域前11位关键词，红色区域的长度则代表突现时间段的持续时长。数字农业的突现强度最大，高达8.10，虽然数字农业最早于1997年被提出，但是该词于2020年开始突现并持续至今，得益于物联网、大数据、人工智能等新技术的逐渐成熟，让数字农业的实现成为了可能，故而引发了新一轮数字农业研究热潮，成为最具影响力的研究前沿。其次为大数据、技术、未来、性能、人工智能，突变强度分别为4.63、4.26、3.44、3.37、3.05，这5个词代表数字农业的重要研究前沿领域。

3.3 数字农业国际研究聚类分析

关键词聚类图谱可以客观地反映数字农业国际研究的共现热点。聚类可选的算法主要有LSI（潜语义索引算法）、LLR（对数似然率算法）及MI（互信息算法）3种，同时可通过聚类模块值Modularity（Q）与聚类平均轮廓值Mean silhouette（S）2个指标，判断聚类结果的效度。一般认为Q>0.3表示聚类结构显著，S>0.5表示聚类合理，S>0.7表示聚类令人信服［26］。本研究采用LLR对数字农业国际研究领域中的关键词进行聚类分析，根据关键词网络中的聚类模块值和聚类平均轮廓值来判断聚类结果的效度。聚类模块值为0.767 4，表明聚类结构合理；聚类平均轮廓值为0.900 8，表明聚类结果令人信服。本研究将数字农业国际研究划分为10类，分别为聚类0（Digitalization）、聚类1（Precision agriculture）、聚类2（Artificial intelligence）、聚类3（Vegetation indices）、聚类4（Climate change）、聚类5（Circular economy）、聚类6（Digital soil mapping）、聚类7（Soil texture）、聚类8（Laser）、聚类9（Urban agriculture）。聚类序号越靠前表示该聚类包含的文献越多，研究的主题相对集中。

为更好地分析聚类效果，本研究进一步统计出各聚类标签的相关指标。如表7所示，节点数量代表研究热度，聚类紧密度越接近1表示其内部关联越密切，对数似然率越高越具有聚类的代表性，P越小聚类效果越显著。前8类聚类标签的节点数量均超过10个，紧密程度的最大值为0.933，最小值为0.817，聚类结果大多满足在0.000 1水平上显著，总体聚类效果较好。

聚类0、聚类1、聚类2、聚类8、聚类9的研究主题分别是数字化、精准农业、人工智能、激光、都市农业。以数据为中心的农业4.0正在重塑农业产业。农业数字化［27］涉及新型信息和通信技术，包括传感器、物联网、大数据分析、机器人、人工智能和机器学习。数字化是应用数字创新的社会技术过程［27］，这一趋势带来了社会过程和实践的变化。鉴于数字技术的变革潜力，社会科学家提出了许多与农业数字化相关的重要社会问题和伦理问题，包括谁受益以及如何受益，对农村和农业社区以及它们与日益城市化的社会之间的关系［28］。此外，利润驱动的私人组织（通常是跨国组织）在数字农业领域的强大存在对创新过程具有高度影响力［19］。智能农业和精准农业的进步为应对农业可持续性挑战提供了重要工具，机器学习、大数据分析、云计算和区块链等颠覆性信息和通信技术能够提高生产率，也能确保土壤和植物健康，还能强化对环境的治理［29］。云计算已经成为一种新的模型，可以作为服务器有效地管理和交付相关应用程序，云计算与无线传感器网络、物联网（IoT）和大数据分析等技术的融合为云服务提供了新思路。通过预先配置的设備和物联网传感器收集来自不同用户的信息，并在云计算中使用大数据分析进行处理，自动向用户提供所需的信息，利用云计算和大数据技术实现农业即服务（AaaS）的交付［30］。人工智能（AI）已经顺利渗透到包括农业在内的许多监测和控制应用中，搭载全功能人工智能的低功耗传感设备的研究工作仍在进行中，人工智能嵌入式系统是基于低功耗嵌入式传感系统，带有图形处理单元（GPU），能够运行基于神经网络的AI，将一种称为长短期记忆网络（LSTM）的循环神经网络（RNN）作为核心，依靠先进的移动图形芯片对自动设备进行智能分析和控制［31］。大数据技术为数据密集型决策创造了新的机遇，产生的大量、详细的数据为成功实施精准农业带来了帮助，在农业领域运用大数据分析实践可以解决各种问题［32］。现代农业作业中生成的数据由各种不同的传感器提供，这些传感器能够更好地理解作业环境和作业本身（机械数据），从而实现更准确、更快速的决策［33］。在发达国家中数字农业所带来的决策支持工具是目前非常热门的研究方向。

聚类3、聚类4、聚类5、聚类6、聚类7的研究主题分别是植被指数、气候变化、循環经济、数字土壤制图、土壤质地。植被指数作为一种经济、有效和实用的地表植被覆盖和长势参考量，在作物长势监测和产量预报中有着广泛的应用，其中还涉及遥感技术、无人机的运用等。植被指数是利用卫星多光谱波段获取大范围植被信息的一种方法，近年来，无人机影像被用于更快速、更精确地获取植被信息［34］。遥感技术（包括无人机和卫星获得的图像和植被指数）已开始广泛用于管理灌溉和农业系统的其他方面，配备高分辨率多光谱相机的无人机也能对农业用水进行管理［35］。作为传统卫星遥感系统的重要补充，越来越多地应用于城市规划、农业管理和环境监测等领域［34］。数字农业对气候变化产生的影响以及带动的循环经济可以归纳为通过数字化新兴技术推广应用促进环境效益与经济效益的双赢。图像处理在农业的不同领域有许多应用［36］，由于现代设施农业的快速发展，强烈的人为干扰也给土壤制图带来了很大的不确定性，特别是在乡村、郊区和城乡交错带，在地形复杂的偏远山区，土壤变异程度较高［37］。数字土壤制图作为一种生成空间土壤信息的工具，为高分辨率土壤图日益增长的需求提供了解决方案［38］。

3.4 数字农业国内外研究比较分析

随着数字农业的发展，数字农业在世界范围内引起了学者的广泛关注。纵观国内关于数字农业的研究，彭鹏等［39］探讨了数字农业的由来、特点、技术体系及发展战略，唐世浩等［40］ 明确了数字农业的概念。本研究以数字农业为主题，在中国知网搜索相关文献来进行中外研究对比。

1）数字农业技术开发。在技术开发方面，国外学者热衷于开发数字农业相关的平台，Shamshiri等［41］用虚拟环境中的仿真方法和评估方法为不同的传感和作用机制提供了负担得起和可靠的框架；Cunha等［42］开发了低成本的农业应用RPA，适用于农业生产和低成本投资；Belkadi等［43］在MATLAB/Simulink环境平台上建立了改进的中间模型，对能量平衡和模糊逻辑控制器（FLC）进行了仿真，通过对温室内相关执行器的控制来改善气候。相较发达国家，国内在农业上对数字技术的自主研发较少，仅有秦洪等［44］、袁涛等［45］、仇天月等［46］学者及机构对数字技术在农业上的技术研发提供了思路及方法。因此，有必要加强对数字农业平台的自主研发，将数字农业创新作为研究的核心。

2）数字农业影响因素与面临的挑战。目前国外聚焦于数字技术在农业上的变革潜力以及论证产生的社会问题，社会科学家Jakku等［28］讨论了Digiscape未来科学平台（旨在促进农业和土地部门数字化转型的项目），将国际创新维度与社会学理论和合作创新原则相结合；Fleming等［47］通过访谈了解农民和其他行业利益相关者对大数据的看法，并探讨了新出现的道德和伦理问题，同时强调在农业数字技术和大数据的进一步发展中，有些关键问题需要解决，特别是在信任、公平、利益分配和获取方面；Carolan［48］探讨了数字城市农业系统与传统城市农业系统2种平台模式的差异及数字化转型产生的问题。国外研究者多采用案例、访谈的形式进行论证，提出了许多与农业数字化相关的社会和伦理问题，国内学者对数字农业产生的社会问题研究相对匮乏，今后要加强数字农业的农村社会学研究。

3）数字农业决策支持工具的开发与应用。国外研究者对数字农业决策支持工具的开发与应用成果较丰富，例如，Farmstar（农场之星）是一个基于卫星和无人机支持的作物分析和控制系统，已经在法国运行了15年。同时，在GPS的辅助下，农业拖拉机会根据Farmstar的数据进行精准化的现代农事操作，根据Airbus（空中客车公司）的研究结果发现，正是由于这种合理决策和精准作业，法国农民每公顷小麦可以节省57美元。国内研究者主要研究北斗系统在农业上的应用，但是研究者数量较少同时研究程度不深，将来可以加强对数字农业决策支持工具开发与应用的研究。

4 小结与展望

4.1 小结

本研究运用CiteSpace文献计量软件对数字农业国际研究领域2004—2022年592篇文献的发展阶段、 核心期刊、核心作者、核心地区和研究热点等进行了分析，主要得出以下结论。

1）数字农业研究大致经历了理论探索期、平稳发展期和迅猛暴发期。特别是从2016年开始，数字农业开始受到学者的关注，研究内容不只停留在数字农业概念及前景上，越来越多的研究开始深入到数字农业技术的开发、应用以及产生的社会影响方面。

2）数字农业国际研究的主要研究力量分布在以美国为首的欧美发达国家，中国正在加大科研力量的投入。美国以119篇高发文量位列榜首，巴西、中国的发文量分别位于第2位、第3位，欧美发达国家仍是数字农业研究的重要区域，中国正在逐步扩大数字农业在国际上的影响力。高发文量机构依然集中在欧美国家，值得肯定的是中国农业大学进入了高发文机构名单。同时，数字农业研究机构之间的合作比较匮乏，多数研究机构都是在独立研究，跨机构合作较少。

3）数字农业研究重点关注数字农业技术研究开发和实践应用中产生的社会问题。同时，数字农业研究前沿呈现由单一维度到多维度辐射、全面发展的演化趋势。数字农业研究从概念的提出逐渐深入到系统的采用、大数据技术的运用、人工智能机器学习、虚拟现实技术的实践等方面。

4.2 展望

随着数字农业高速发展所带来的技术更迭与应用服务更新，数字农业也面临着新的局面与新的挑战，这给数字农业带来了新的课题和研究角度。根据以往数字农业相关的研究内容，提出一些研究方向，可为相关学者开展数字农业研究提供一定参考。

1）加强对数字农业技术的自主研发并拓宽数字农业研究方法。基于关键词聚类及中外文献精读后的分析可知，国内数字技术的发展已经步入快车道，在大数据及人工智能方面的自主研发已经接近甚至超过发达国家，但是数字技术在数字农业领域的研究相对缺乏。未来可以将技术研发的重点放在数字农业领域，包括但不局限于大数据平台的开发、人工智能项目的研发、虚拟现实技术的试验。此外，数字农业领域的研究多以案例、走访的形式进行分析，未来可加强数字农业的实证研究，提供更加科学的数据支撑，减少案例研究特殊性和非理性带来的影响。

2）深入挖掘数字农业的影响因素。目前中国知网上数字农业产生社会矛盾方面的研究較少，今后可以从农村社会学、伦理学等角度来研究数字农业带来的影响。

3）整合相关资源探究适合中国国情的数字农业决策支持工具。国外数字农业决策支持工具的研究在2012年已经被Stilgoe等［49］提出，美国的Smart Pro、法国的Farm-Star等数字农业决策支持工具利用其强大的分析系统解析数据，为农业利益相关者提供咨询和建议，以数据为核心实现决策的管控和农业活动的精准实施。国内对数字农业决策支持工具的开发与使用还处于萌芽阶段，因此，将来可以从工具的开发以及工具的使用所产生的问题等方面来进行研究。

本研究还存在一些不足之处，对国内数字农业的发展与国际数字农业发展异同的研究相对较少，未来可以深入分析数字农业不同社会环境下的发展影响，以便更好地为数字农业发展提供新思路。

参考文献：

［1］ 阮俊虎，刘天军，冯晓春，等. 数字农业运营管理：关键问题、理论方法与示范工程［J］. 管理世界， 2020，36（8）： 222-233.

［2］ 周光明. 数字技术与广播电视信息产业［J］. 电视技术，2000（1）：11-13.

［3］ 于毓蓝， 陈小燕. 数字技术背景下的中国特色哲学社会科学话语建构［J］. 河海大学学报（哲学社会科学版）， 2021， 23（6）： 22-27，109-110.

［4］ KAMBLE S S， GUNASEKARAN A， GAWANKAR S A. Achieving sustainable performance in a data-driven agriculture supply chain： A review for research and applications［J］. International journal of production economics， 2020， 219： 179-194.

［5］ KLERKX L， JAKKU E， LABARTHE P. A review of social science on digital agriculture， smart farming and agriculture 4.0： New contributions and a future research agenda［J］. NJAS-Wageningen journal of life sciences， 2019， 90-91： 100315.

［6］ LEZOCHE M， HERNANDEZ J E， DEL MAR EVA ALEMANY D?AZ E， et al. Agri-food 4.0： A survey of the supply chains and technologies for the future agriculture［J］. Computers in industry， 2020， 117： 103187.

［7］ ROTZ S， DUNCAN E， SMALL M， et al. The politics of digital agricultural technologies： A preliminary review［J］. Sociologia ruralis， 2019， 59（2）： 203-229.

［8］ HUNT E R， DAUGHTRY C S T. What good are unmanned aircraft systems for agricultural remote sensing and precision agriculture［J］. International journal of remote sensing， 2018， 39（15-16）： 5345-5376.

［9］ DEMATTE J A M， FONGARO C T， RIZZO R，et al. Geospatial soil sensing system （GEOS3）： A powerful data mining procedure to retrieve soil spectral reflectance from satellite images［J］. Remote sensing of environment， 2018， 212： 161-175.

［10］ OLIPHANT A J， THENKABAIL P S， TELUGUNTLA P，et al. Mapping cropland extent of Southeast and Northeast Asia using multi-year time-series Landsat 30-m data using a random forest classifier on the google earth engine cloud［J］. International journal of applied earth observation and geoinformation， 2019， 81： 110-124.

［11］ SHEN J， XU C， YING Y. Construction of intelligent supply chain system of agricultural products based on big data［J］. Acta agriculturae scandinavica， section B—Soil and plant science， 2022，    72（1）： 375-385.

［12］ ROSE D C， CHILVERS J. Agriculture 4.0： Broadening responsible innovation in an era of smart farming［J］. Frontiers in sustainable food systems， 2018， 2： 87.

［13］ SAGGI M K， JAIN S. A survey towards an integration of big data analytics to big insights for value-creation［J］. Information processing and management， 2018， 54（5）： 758-790.

［14］ CAROLAN M. ‘Smart farming techniques as political ontology： Access， sovereignty and the performance of neoliberal and not‐so‐neoliberal worlds［J］. Sociologia ruralis， 2018， 58（4）： 745-764.

［15］ FRASER A. Land grab/data grab：Precision agriculture and its new horizons［J］. The journal of peasant studies， 2019， 46（5）： 893-912.

［16］ 陳 悦，陈超美，刘则渊，等. CiteSpace知识图谱的方法论功能［J］. 科学学研究，2015， 33（2）： 242-253.

［17］ 赵蓉英，朱伟杰，常茹茹，等. “十三五”图情档学科进展：外文期刊论文解析［J］. 图书情报工作， 2021， 65（5）： 26-39.

［18］ 李先跃. 中国文化产业与旅游产业融合研究进展及趋势——基于CiteSpace计量分析［J］. 经济地理， 2019， 39（12）： 212-220，229.

［19］ WOLFERT S， GE L， VERDOUW C，et al. Big data in smart farming—A review［J］. Agricultural systems， 2017， 153： 69-80.

［20］ KLERKX L， AARTS N， LEEUWIS C. Adaptive management in agricultural innovation systems： The interactions between innovation networks and their environment［J］. Agricultural systems， 2010， 103（6）： 390-400.

［21］ 魏明坤. 大数据时代的数字资源分布式聚合服务研究［J］. 图书馆学研究， 2020（17）： 43-48.

［22］ 史宇鹏，王 阳，张文韬. 我国企业数字化转型：现状、问题与展望［J］. 经济学家，2021（12）： 90-97.

［23］ 吴映雪. 农村集体经济研究的发展脉络及展望——基于CiteSpace的可视化分析［J］. 经济问题探索， 2021（7）： 34-43.

［24］ 王海花，杜 梅. 数字创新国际研究热点与演化：一个可视化分析［J］. 科技进步与对策，2021， 38（21）： 152-160.

［25］ 苗艺源，黄家章，刘 锐，等. 我国农产品优质优价研究热点及发展趋势——基于CiteSpace的可视化分析［J］. 中国农业资源与区划，2022，43（7）： 144-153.

［26］ CHEN C， IBEKWE-SANJUAN F， HOU J. The structure and dynamics of cocitation clusters： A multiple-perspective cocitation analysis［J］. Journal of the american society for information science and technology， 2010， 61（7）： 1386-1409.

［27］ TOTIN E， VAN MIERLO B， KLERKX L. Scaling practices within agricultural innovation platforms：Between pushing and pulling［J］. Agricultural systems， 2019， 179： 102764.

［28］ JAKKU E， FIELKE S， FLEMING A，et al. Reflecting on opportunities and challenges regarding implementation of responsible digital agri-technology innovation［J］. Sociologia ruralis，2020，27（8）：12366.

［29］ SHARMA R， KAMBLE S S， GUNASEKARAN A，et al. A systematic literature review on machine learning applications for sustainable agriculture supply chain performance［J］. Computers & operations research， 2020， 119： 104926.

［30］ GILL S S， CHANA I， BUYYA R. IoT based agriculture as a cloud and big data service： The beginning of digital india［J］. Journal of organizational and end user computing， 2017， 29（4）： 1-23.

［31］ SHADRIN D， MENSHCHIKOV A， SOMOV A，et al. Enabling precision agriculture through embedded sensing with artificial intelligence［J］. IEEE transactions on instrumentation and measurement，2020， 69（7）： 4103-4113.

［32］ TANTALAKI N， SOURAVLAS S， ROUMELIOTIS M. Data-Driven decision making in precision agriculture： The rise of big data in agricultural systems［J］. Journal of agricultural and food information， 2019， 20（4）： 344-380.

［33］ LIAKOS K， BUSATO P， MOSHOU D，et al. Machine learning in agriculture： A review［J］. Sensors， 2018， 18（8）： 2674.

［34］ LEE G， HWANG J， CHO S. A novel index to detect vegetation in urban areas using UAV-based multispectral images［J］. Applied sciences， 2021， 11（8）： 3472.

［35］ CANCELA J J， GONZ?LEZ X P， VILANOVA M，et al. Water management using drones and satellites in agriculture［J］. Water， 2019， 11（5）： 874.

［36］ PARSAEIAN M， SHAHABI M， HASSANPOUR H. Estimating oil and protein content of sesame seeds using image processing and artificial neural network［J］. Journal of the American oil chemists society， 2020， 97（7）： 691-702.

［37］ ZHANG G， LIU F， SONG X. Recent progress and future prospect of digital soil mapping： A review［J］. Journal of integrative agriculture， 2017， 16（12）： 2871-2885.

［38］ BEHRENS T， SCHOLTEN T. Digital soil mapping in Germany—A review［J］. Journal of plant nutrition and soil science， 2006， 169（3）： 434-443.

［39］ 彭 鵬，谢炳庚，侯伊林. 关于“数字农业”［J］. 农业现代化研究，2000（4）： 254-256.

［40］ 唐世浩，朱启疆，闫广建，等. 关于数字农业的基本构想［J］. 农业现代化研究，2002（3）： 183-187.

［41］ SHAMSHIRI R R， HAMEED I A， PITONAKOVA L，et al. Simulation software and virtual environments for acceleration of agricultural robotics：Features highlights and performance comparison［J］. International journal of agricultural and biological engineering， 2018， 11（4）： 15-31.

［42］ CUNHA J P A R D， SIRQUEIRA M A. Assembly of a remotely piloted aircraft of low cost applied to agriculture［J］. Engenharia agrícola， 2017， 37： 1268-1274.

［43］ BELKADI A， MEZGHANI D， MAMI A. Design and implementation of flc applied to a smart greenhouse［J］. Engenharia agrícola， 2020， 40： 777-790.

［44］ 秦 洪，肖伯祥. 虚拟现实环境中的物理模型和仿真及其在农业信息技术中的应用［J］. 科技导报， 2018， 36（11）： 82-94.

［45］ 袁 涛，陈 旭，徐识溥，等. 基于WebGIS的农业生产管理系统研究［J］. 上海农业学报，2011， 27（3）： 70-73.

［46］ 仇天月，周静怡，黄攀攀，等. 基于JBPM工作流的农业Web服务链架构研究［J］. 上海农业学报， 2014， 30（6）： 90-94.

［47］ FLEMING A， JAKKU E， LIM-CAMACHO L，et al. Is big data for big farming or for everyone？ Perceptions in the Australian grains industry［J］. Agronomy for sustainable development，2018，38（3）： 24.

［48］ CAROLAN M. 《Urban Farming Is Going High Tech》digital urban agricultures links to gentrification and land use［J］. Journal of the American planning association， 2020， 86（1）： 47-59.

［49］ STILGOE J， OWEN R， MACNAGHTEN P. Developing a framework for responsible innovation［J］. Research policy，2013，42（9）：1568-1580.