农业AI与大模型

评估生长季内天气变量时间聚合粒度对水稻产量机器学习模型预测与可解释性的影响。

构建基于AI/ML的Web农业决策支持平台，为农民提供作物推荐、病害检测、天气与市场价格等服务。

提出分层跨模态时空注意力网络HCM-STAN，融合多源农业数据预测喜马拉雅山区苹果产量。

提出混合深度集成框架，融合CNN与LSTM并引入注意力机制，实现作物病害预测与气候韧性灾害管理。

提出Nightshade-SWIN框架，用Swin Transformer提升茄科多作物叶片病害分类

提出HSM-YOLO算法，在群养环境下检测羊爬跨行为及被爬跨母羊，用于发情监测。

提出无人机实时检测定位未出苗甘蓝幼苗的深度学习方法，准确率96.9%。

提出场景自适应动态路由视觉状态空间模块SADR-VSS，用于复杂田间轻量级农业目标检测。

提出改进YOLO 11n模型，实现棉花田间复杂遮挡环境下障碍物高精度检测。

提出SWAT-BiLSTM分层混合框架，高精度模拟赣江流域径流、泥沙与营养物动态。

开发了Water Optimizer工具，在有限供水下优化作物种植与灌溉量以最大化利润。

综述深度学习在植物病害检测中的应用，涵盖CNN、混合Transformer、注意力机制与生成式数据增

综述人工智能在生物技术各领域的应用现状、工具、挑战与未来方向。

综述85篇精准农业本体论文，发现数据、本体和代码可复现率极低。

提出PEAS-DeiT模型，将多尺度空间注意力融入DeiT，实现豌豆叶片病害分类。

整合地球观测与随机森林模型评估尼泊尔Rasuwa地区森林火灾风险。

构建融合多源遥感与环境变量的可解释深度学习框架，预测沧州土壤盐分空间分布。

融合野猪碰撞数据与卫星视觉模型，预测法国野猪栖息地适宜性及其时空驱动因素。

批判分析AI在环境可持续中的双重角色，揭示其生态收益可能被硬件生命周期成本抵消。

综述了基于YOLO的叶片病害检测的演进、任务适配与部署挑战。