ARTICLE · 1227259
PNAS|AI种地,哪里最赚钱?PNAS研究绘制全球智慧农业“潜力地图”
论文图 1F：五项技术综合的智慧农业全球经济潜力（%）。颜色越深，当地农民采用智慧农业越可能有利可图。
一、为什么研究“智慧农业能不能赚钱”？
农业正被多重挑战夹击：人口与收入增长推高粮食需求，气候变化和土地退化却在削弱生产能力，农业劳动力日益短缺，而长期大量使用农用化学品又带来了可观的生态与健康代价。论文的出发点很朴素：农民必须“用更少的投入，生产更多的产品”，而且要快。
被寄予厚望的答案之一，是“智慧农业创新”（smart farming innovations）——建立在自动化、传感与精准化之上的新一代农业技术。但研究者强调一个常被忽略的逻辑：一项技术的全球影响力，最终取决于它是否对农民有利可图——如果没有利润，技术很难自发扩散。
过去的研究要么评估已在使用的技术（无法预测新地区的情况），要么依赖小范围田间试验（难以代表区域差异），要么用模拟和选择实验做前瞻（数据和假设的成分很重），都难以直接推广到全球尺度。为此，研究团队开发了一套可全球推广的框架：专家调查 + 全球环境与社会经济数据 + 集成空间机器学习。
二、研究盯上了哪五项技术？
研究团队先通过学术界、企业与实践领域的专家访谈拟定候选清单，再按三条标准筛选：能显著减少投入浪费、有明确的环境正效益、已在市场上成熟可买。最终锁定五项（见下表），它们的共同逻辑只有一个：减少投入浪费。
| 精准农业处方图 | |
| 投入品变量施用（VRT） | |
| 自动除草机 | |
| GPS 辅助驾驶系统 | |
| 自动灌溉系统 |
效果有实证支撑：GPS 辅助驾驶可减少燃油消耗 6%–25%；变量施氮技术最高可减少 34% 的氧化亚氮（N₂O）排放。这些特性也让智慧农业与“气候智慧型农业”的原则高度一致——增产、减排、增强韧性，部分技术还能缓解未来的农业劳动力短缺。
三、4,422 个观测点，喂出五个机器学习模型
2023 年 11 月至 2024 年 8 月，团队向全球 8,000 多位智慧农业专家（企业高管、已采用技术的农民/农民协会、科研人员）发出在线调查，请他们在数字地图上标注“某项技术已被采用且确实盈利”的具体地点，并说明坐标精度与把握程度。再叠加一篇农业技术采用元分析的数据，共同构成训练集：
| 合计（清洗后，来自 67 国） | 4,422 |
初始收集的 5,679 个地点经过去重、剔除不确定点和非耕地上的点之后，剩下 4,422 个有效坐标。点位最多的是美国（855 个）、法国（706）、加拿大（693）、澳大利亚（596）、荷兰（337）和德国（211）。
建模时，团队选取了 18 个有理论依据的预测变量——从经济发展（人类发展指数 HDI、经济自由度）、制度环境（环境绩效指数 EPI、产权保护）、基础设施（到城市的通行时间、夜间灯光），到土壤有机碳、水热条件、地形、作物多样性与农场规模等。五种机器学习模型——广义线性模型（GLM）、随机森林（RF）、支持向量机（SVM）、最大熵（MaxEnt）与提升回归树（BRT）——分别训练，并采用五折空间交叉验证防止模型“背答案”：测试集与训练集在地理上相互独立。结果：随机森林表现最好（AUC = 0.985 ± 0.006），五个模型 AUC 均超过 0.92，最终按 AUC 加权集成出图。
值得一提的是，在所有变量中，环境绩效指数（EPI）——衡量一国环境治理水平——的平均特征重要性排名第一。这个细节为后文的未来情景分析埋下了伏笔。
四、全球潜力地图：欧美领跑，高收入国家占优
论文图 1：智慧农业创新的全球潜力。颜色代表经济潜力，即某项技术对采用智慧农业的农民有利可图的可能性（0–≥75%），由集成空间机器学习模型在约 5 公里分辨率上分别估计：(A) 精准农业处方图；(B) 农业投入变量施用；(C) GPS 辅助驾驶；(D) 自动除草机；(E) 自动灌溉系统；(F) 五项技术综合。
图 1 是核心结果。总体格局与预期一致：智慧农业潜力最高的地区是西欧、北美，以及澳大利亚、以色列、韩国、日本等高收入国家，美国和欧洲是全球两大“热点”。
研究者将其归因于一组组合拳：高劳动力成本（自动化划算）、政治与社会层面对可持续高值生产的重视、高人均收入与教育水平，以及支持技术采纳的物质与制度条件投资。
不同技术的潜力分布差异也很大。例如自动除草机目前主要在西欧显出潜力，尤其适合除草剂依赖型的行栽作物（如糖用甜菜）；而美国农场规模太大，欧洲设计的除草机器人“水土不服”，美国农民更多转向可在超大规模农场高效作业的机器视觉智能喷雾器，以应对除草剂抗性问题。相比之下，GPS 辅助驾驶这类成熟技术的潜力分布则广得多。
各国采用率数据也印证了“扩散跟随收入”的规律：美国玉米田的变量施用（VRT）采用率从 1998 年的 8% 升至 2023 年的 37%，大豆从 7% 升至 34%，花生从 1% 升至 21%，冬小麦从 2% 升至 21%；英国东部谷类与油料农场的 VRT 采用率已超过 42%；丹麦按农场数算仅 13%，按面积算却已达 37%——大农场才是主力用户。
五、潜力与“环境痛点”在哪里重叠？
这项研究最有趣的一步，是把盈利潜力地图与全球环境挑战地图做叠加，寻找“既能赚钱、又能治环境”的干预热点（图 2）。
论文图 2：智慧农业经济潜力与重大可持续性挑战的叠加。(A) 全部五项技术综合潜力 × 生物多样性丧失；(B) 智能灌溉潜力 × 水资源风险；(C) 变量施用（VRT）潜力 × 农业氮污染；(D) 自动除草机潜力 × 农药污染。
- 生物多样性丧失 × 综合潜力
：高度重叠区集中在北美和澳大利亚；南美、西欧、南非和中国为中等重叠。 - 水资源短缺 × 智能灌溉潜力
：北美、南美、欧洲以及亚洲大部分地区出现中等至高度的“既缺水、又可发展智能灌溉”组合。 - 农业氮污染 × 变量施用潜力
：中国、西欧、北美的重叠度最高，印度和澳大利亚为中等。 - 农药污染 × 自动除草潜力
：重叠区以西欧、北欧和美国“玉米带”最为醒目。
这些重叠区，就是未来政策与企业最值得投入的“靶点”——在同等投入下，既可能改善农民的收益，也可能撬动更大的环境收益。
六、未来十年：潜力能扩到全球一半耕地吗？
团队进一步用 SSP2（“中间路线”）情景，结合人口、收入（HDI）与气候变量的动态变化，把模型推演到 2035 年和 2045 年；同时利用最重要的变量 EPI，设置了乐观（各国环境治理达到同收入组的最高水平）与悲观（降至同收入组的最低水平）两个对照情景。连续概率图以 0.39 为阈值转换为“有/无潜力”（该阈值下 PPV = 0.97、NPV = 0.91，空间分类高度可靠）。
论文图 3：SSP2（“中间路线”）情景下，相对 2025 年基线的智慧农业潜力变化。(A/B) 基线情景 2035/2045 年；(C/D) 乐观情景（高环境治理力度）2035/2045 年；(E/F) 悲观情景（低环境治理力度）2035/2045 年。灰色 = 不确定，红色 = 潜力下降，绿色 = 潜力扩张，蓝色 = 维持稳定。
| 5.015 亿公顷 | 42% | ||
基线情景下，全球具备智慧农业盈利潜力的耕地将从 2025 年的 5.015 亿公顷（42%）增至 2035 年的 5.435 亿公顷（46%），再到 2045 年的 5.885 亿公顷（50%）——也就是全球约一半的耕地。已经具备成熟农业技术基础的美国中西部、中东欧、中国东部和澳大利亚主要农区，将保持稳定的高潜力。
但政策的影响远大于时间：乐观情景下 2035 年潜力可达 8.392 亿公顷（约 71%），悲观情景却只有 3.220 亿公顷（约 27%）——两者相差约 5.17 亿公顷。更直白的对比是：东欧、南美、中国、印度和泰国在“2035 年乐观情景”下的潜力，甚至高于它们在“2045 年基线情景”下的水平。用论文的话说，这凸显了环境治理与政策在塑造智慧农业潜力上的关键作用——好的环境政策，抵得上十年的经济发展。
增长最多的地区是南美（尤其巴西、阿根廷）、东欧、南亚与东亚的中等收入国家——而这些地方恰恰也是氮污染、农药污染和缺水问题集中的区域。换句话说，未来智慧农业的扩张，将大幅扩大“赚钱”与“治环境”的重叠区。
七、一张冷面孔：撒哈拉以南非洲为何持续“低潜力”？
并非所有地区都共享乐观。在所有情景中，撒哈拉以南非洲的潜力都持续偏低——即使在乐观情景下也是如此；中亚和中东部分地区的时间扩张也很有限。研究者的解释是“技术错配”：现有智慧农业技术大多是在高收入国家、为高收入国家的大型资本密集型农业系统开发的，与非洲、南亚小农户所处的农艺、经济与制度条件并不匹配。
这意味着，光靠经济增长和监管改善还不够；还需要农业研发方向的根本转向——发展适合小农户系统与多样化农业生态的“因地制宜”技术。论文指出，与非洲和南亚“结构更相似”的国家所发展出的新技术，未来在这些低潜力地区可能更有前途。目前非洲和东南亚快速增长的植保无人机，大多仍按固定剂量喷洒整块田，尚未与精准施用结合，对环境可持续性的影响喜忧参半。
研究同时提醒了采纳的现实障碍：高昂的初始投资、农民与企业的风险规避、学习成本，以及技术快速迭代带来的“再等等看”。对此，论文列举了可用的政策工具：对化肥农药等投入征税、按结果支付的农业环境补贴、有针对性的公共与私人补贴、基础设施投资与政策改革等，并呼应世界银行“粮食与农业数字未来”路线图——把智慧农业纳入国家战略，弥合数字鸿沟。
写在最后
这项研究当然有边界：潜力地图反映的是“现有技术在现有条件下盈利的概率”；训练数据以科研机构和企业的专家判断为主（农民直接回答仅占约 4%），撒哈拉以南非洲的样本也偏少；未来情景中部分变量（如农田面积、夜间灯光）按当前水平保持不变。但作为第一张全球尺度的智慧农业“盈利潜力地图”，它回答了一个长期含糊的问题：数字农业的“钱景”，在哪里、有多大、取决于什么。答案是——不仅取决于技术有多先进，更取决于今天的环境政策。
论文信息：Roman S., Hadi H., Oluoch W. A., Zilberman D., Finger R., Wuepper D. Modeling the global potential of smart farming innovations. PNAS, 2026, 123(43): e2530081123. DOI: 10.1073/pnas.2530081123（2026 年 10 月 19 日发表，开放获取 CC BY 4.0。作者单位：波恩大学农业与资源经济研究所、加州大学伯克利分校、苏黎世联邦理工学院）
