数字农业与前沿技术

以AI创新试验区为准自然实验，检验AI政策通过数字产业集聚促进工业用地集约利用。

提出轻量级LIMN-YOLO模型，在复杂田间条件下检测山药叶部病害与虫害。

提出LRD-Net深度学习框架，融合多源遥感与环境协变量，估算新疆干旱绿洲区土壤盐分。

综述自适应强化学习在动态不确定环境下自主资源优化的框架、方法与应用。

开发深度学习模型在真实田间条件下检测并分类肯特芒果为三个出口等级，实现产量估计。

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。

Barley head detection using UAV imagery and YOLOv10。Precision Agriculture

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。

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。