Zenodo (CERN European Organization for Nuclear Research)·9月30日 · 周三论文农业遥感与作物表型阅读 0
Artificial Intelligence For Climate-Resilient Plants: Emerging Ai Approaches For Predicting Drought, Salinity And Temperature Stress.
Aruna Nangare · Vaishali Wankhede
论文解读
71接近精选线
速览
综述2016-2026年AI预测植物干旱、盐碱和温度胁迫响应的进展。
方法
机器学习、深度学习、计算机视觉、热成像与高光谱成像结合表型组和多组学数据。
发现
AI已从简单胁迫识别转向预测作物表现与耐逆性，但数据质量、田间验证和跨环境泛化仍是瓶颈。
机会点
可解释AI与高通量表型、多组学融合，用于跨环境耐逆品种预测与气候韧性育种。
影响力18
信息增量20
专业深度17
信源权威13
时效性3
系统综述AI预测干旱、盐碱与高温胁迫的研究进展，方法覆盖机器学习、深度学习与高光谱成像，对气候韧性育种有参考价值，但属综述类论文且距发布已逾两周，时效性偏弱。
原文摘要
摘要 气候变化正通过加剧干旱、土壤盐渍化和极端温度，给农业带来严重问题。这些胁迫影响植物生长、发育、作物产量和全球粮食安全。用于研究植物胁迫响应的传统方法往往耗时、费力，且难以应用于大量植物。人工智能（AI）正成为研究和预测植物对环境条件变化响应的重要工具。AI可以分析通过植物表型分析、遥感、环境传感器和分子研究收集的大量数据。本文综述聚焦于2016年至2026年间用于预测植物对干旱、盐分和温度胁迫响应的近期AI方法。机器学习、深度学习、计算机视觉、热成像和高光谱成像有助于植物胁迫的早期检测和预测。近期发展正超越简单的胁迫识别，转向预测作物表现和胁迫耐受性。AI与高通量表型分析和多组学的结合有助于识别耐胁迫作物品种，并支持气候韧性育种。然而，数据质量、田间验证有限、模型预测不明确以及在不同环境中表现不佳等挑战仍然存在。未来研究应开发可靠且可解释的AI模型，以促进气候变化下的可持续农业和作物生产提升。