全部动态

提出FusFormer，一种基于Transformer的高效语义分割方法，用于嫁接切割点定位。

提出迁移学习与多分支中间融合深度网络，利用多尺度多模态遥感监测小麦氮浓度。

综述AI与数字传感在土壤结构多尺度观测到决策中的应用。

研究薰衣草对不同触觉刺激的电生理反应，实现高精度分类，探索植物触觉传感。

受生物关节启发的电磁仿生藤蔓杀灭机构，通过仿真与实验验证其性能。

提出深度学习框架，非侵入性量化活体肉鸡翅膀和脚部表型。

提出异构拖拉机车队调度框架，应对作业扰动，以植保作业为例验证。

提出不确定性引导的双重蒸馏方法，实现鱼类摄食强度声学识别中的物种增量学习。

提出基于绿蓝通道特征增强的水稻幼苗光水胁迫诊断方法。

MDPI AgriEngineering 2026, 8(6), 249。精准农业越来越依赖应用于无人机(UAV)采集的高分辨率数据的机器学习来支持作物监测、胁迫检测和产量预测。本综述提出了无人机赋能精准农业机器学习方法的结构化综述,在一个由感知模态、数据类型、模型家族和分析任务四个维度定义的统一分类法中组织100多项同行评议研究。该分类法能够在RGB、多光谱、高光谱、LiDAR和IoT数据源之间进行系统比较,并在经典机器学习、深度学习、混合顺序模型和新兴基于Transformer的架构之间进行系统比较。分析建模选择如何与数据特征相互作用以影响鲁棒性、跨环境泛化、计算效率和UAV及边缘平台上的部署可行性。识别新兴研究方向,包括数据高效学习、表示级多模态融合、域自适应、轻量级架构和不确定性感知决策支持。

Frontiers in Conservation Science发表的气候智能型农业(CSA)系统综述。CSA为应对气候变化提供改善农业生产力、恢复力与碳固存的途径。文献检索自Web of Science与Scopus数据库,检索遵循PRISMA指南直至2026年3月,并通过混合方法评价工具(MMAT)进行质量评价。随后,研究采用理论-情境-方法(TCM)与前置因素-决策-结果(ADO)框架对文献进行文献计量分析,以映射CSA文献中的主题演变与关键研究问题。结果显示CSA研究正在快速扩展,碳固存、再生农业与低排放农业已形成明确的主题集群。CSA在粮食安全、农场收入与产量方面持续表现出效益,并有助于多项可持续发展目标(SDGs)。

Frontiers in Sustainable Food Systems发表的新研究,第一作者Hao Li来自信阳师范大学商学院。研究使用中国285个城市十年数据,深入探讨数字工具——从精准农业应用到基于区块链的供应链追踪——如何加强粮食工业链。研究发现,数字化不仅提高生产力;它从根本上重塑粮食从农场到餐桌的流动方式。研究将韧性分解为三个核心组成部分:抗性(系统承受冲击的能力)、恢复(系统反弹速度)和转型(系统进化能力)。数字工具通过优化资源配置(如AI驱动的灌溉系统减少水浪费)和促进产业协同(农民、加工商和分销商共享实时数据)改善所有这三个方面。

Frontiers in Sustainable Food Systems发表浙江省农业数字化与食物系统韧性研究成果。基于2016至2024年省级时间序列数据,构建农业数字化与食物系统韧性两套评价体系,采用熵权法、耦合协调模型、相对发展分析与障碍因子模型进行实证分析。研究期内两套系统水平均提升,耦合协调度由失衡迈向高质量协调;农业数字化更常作为滞后子系统出现;主要障碍因子包括通信能力、光缆基础设施、快递运力、有效灌溉面积、农业经济支撑与农村消费能力。结论指出,农业数字化与食物系统韧性密切相关,但耦合协调结果应作为描述性证据而非因果证明。浙江省应进一步推动数字技术对农业生产、食物流通、基础设施改善与风险治理的深度融合。

MDPI Agriculture 2026, 16(17), 1852, 2026年8月27日发表,作者来自吉林大学地球科学学院、吉林省耕地保护和土地整理中心、吉林农业大学经济管理学院、东北农业大学公共管理学院。在气候变化、市场波动和政策调整的压力下,农村生计系统面临日益加剧的脆弱性,威胁减贫成果。生计韧性——承受冲击、维持生计和驱动转型的能力——已成为评估可持续农村发展的核心;然而其概念、指标以及与土地利用政策的联系尚未系统整合。本综述综合现有农民生计韧性及其与土地利用政策关系的研究,得出三项主要发现:(1)综合现有定义,基于韧性与脆弱性之间的区别厘清主要评估方法;(2)识别影响生计韧性的多重驱动因素,许多可通过土地利用政策和相关农村治理工具直接或间接影响;(3)识别将土地利用政策与缓冲、适应和转型能力联系起来的三个潜在路径。

Frontiers in Microbiology 2026年8月27日综述。加速气候变化和人为土地利用转变的协同效应日益损害陆地生态系统的功能完整性。为保持土壤健康并确保全球粮食安全,向生物强化、气候智能型农业的转型势在必行。本综述全面综合了植物根际促生细菌(PGPR)作为根际建筑师的多方面作用,架起全球生物地球化学循环与复杂分子和数字干预之间的桥梁。通过监测土壤碳固存增加和温室气体(GHG)排放减少评估微生物介导的对大气胁迫的缓解。在三元植物-微生物-土壤界面,根系系统架构(RSA)的协同调控被研究以及DNA甲基化和组蛋白乙酰化等表观遗传修饰作为极端气候条件下跨代应激记忆的关键驱动因素的新兴作用。提出整合工业4.0技术的转化框架。

MDPI Sustainability 2026, 18(17), 8904, 2026年8月31日发表,作者来自山东农业大学经济管理学院。基于山东省16市2014—2023年面板数据,采用GMI和LMI模型研究三大经济圈时空演变和空间相关性;Dagum系数分解区域差距;障碍度模型识别关键阻碍因素。山东省农业农村现代化遵循波动但快速增长轨迹,具有明显空间等级:胶东>鲁南>省会。空间聚集类型HH和LL主要出现在胶东和鲁南;类型HL的空间异常值包括德州、济南和济宁,LH类型特征的是日照和东垦。山东省农业农村现代化的持续约束因素包括水土流失综合治理水平、农村社区治理支出、农产品产业化水平和农产品地理标志;水土流失综合治理水平是三大经济圈的共同障碍因素。

MDPI Agriculture 2026, 16(17), 1888, 2026年8月31日发表,作者来自华南农业大学工程学院和农业装备技术国家重点实验室。研究提出MangoNET,基于YOLOv11n的芒果果实与果柄联合检测框架,适用于复杂果园环境。P2高分辨率检测头保留小目标的精细空间信息,SPPF-ELAN聚合局部和上下文特征用于部分可见对象,SENet在光照变化下重新校准通道响应,WIoU v3调节具有不同定位质量的边界框样本。数据集包含1782张台农和金煌芒果原始图像,仅对训练集应用数据增强,将训练集大小从1172张增加到2886张图像。MangoNET果实和果柄F1分数分别为0.920和0.916,mAP50和mAP50-95值为0.941和0.690。

MDPI Agriculture 2026, 16(17), 1826, 2026年8月26日发表。江苏大学低空技术学院与电气信息工程学院联合综述,提出从低级数据增强和静态空间认知再到高级动态时空推理的渐进分析框架。气候变化、土地退化和资源稀缺驱动精准农业成为确保全球粮食安全的战略必然。传统人工检查主观且不可扩展;计算机视觉为精准作物和牲畜管理提供非侵入式解决方案,但在农业实际场景中的应用面临严重遮挡、光照剧变和生物目标非刚性形变等特定挑战。深度学习已成为克服这些限制的主流范式,CNN、Vision Transformers (ViTs)和Graph Neural Networks (GNNs)等架构学习海量数据中的自适应层次表示。识别四个优先研究方向:架构效率、数据级标注效率、部署级隐私和仿真、信任级安全。

Frontiers in Artificial Intelligence 2026年8月31日综述。研究对2023年1月至2026年1月Scopus、IEEE Xplore、ScienceDirect和SpringerLink数据库中的文章进行系统检索,使用IoT and machine learning and agriculture、crop recommendation、plant disease detection、precision farming等关键词组合,30篇文章符合实证方法、定量性能报告和清晰数据集描述的标准。结果表明,随机森林( Random Forest)、支持向量机(SVM)和决策树等集成方法与传统机器学习方法在作物产量预测中准确率达到99.9%;CNN和ResNet深度学习模型病害检测准确率超过98%;GRU和LSTM时间序列模型天气条件预测准确率范围94-98%。IoT系统在精准农业应用方面显著改善资源利用,实现60-96%的节水、25%的增产和36-38%的除草剂减量。

International Journal for Multidisciplinary Research (IJFMR) 2026年第8卷第4期(2026-08-28发表):基于FAO全球农业数据集(覆盖212个国家和地区、10种主要作物、1961-2016年56,717条记录),比较线性回归、随机森林、XGBoost三种机器学习模型。80:20 train-test split,Random Forest取得最佳性能:R²=0.9586、MAE=6724.19 hg/ha、RMSE=13829.60 hg/ha;XGBoost: R²=0.8115;线性回归:R²=0.0608。特征重要性分析识别作物类型(Item Code)为最具影响力预测因子,其次是地理区域和时间因素。[注:本论文使用2016年截止数据,模型泛化能力可能存在边界]