[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"item-3483":3,"related-3483":55},{"id":4,"title":5,"url":6,"summary":7,"summary_zh":8,"content":9,"source_name":10,"source_url":6,"published_at":11,"category":12,"cover_url":9,"hotness":13,"is_selected":14,"score":15,"score_detail":16,"sources":23,"tags":25,"search_phrases":31,"slug":34,"view_count":35,"doi":36,"paper":37,"created_at":54},3483,"АГРОМЕТЕОРОЛОГІЧНІ УМОВИ ТА ДИНАМІКА ВЕГЕТАЦІЙНИХ ІНДЕКСІВ ПШЕНИЦІ ОЗИМОЇ У ПІВДЕННОМУ СТЕПУ УКРАЇНИ","https:\u002F\u002Fdoi.org\u002F10.32848\u002Fagrar.innov.2026.37.23","Комплексно оцінити агрометеорологічні умови вегетаційних періодів 2021–2025 рр. для пшениці озимої в умовах Південного Степу України та встановити закономірності динаміки вегетаційних індексів NDVI, NDRE і NDMI під впливом сезонної мінливості температурного режиму, опадів і дефіциту вологи. Методи. Дослідження проведено на базі Навчально-науково- практичного центру Миколаївського національного аграрного університету. Використано метеорологічні дані автоматичної станції Pessl Instruments (iMETOS) за 2021–2025 рр. та супутникові дані Sentinel‑2 SR Harmonized, оброблені в середовищі Google Earth Engine. Для оцінки стану посівів розраховано індекси NDVI, NDRE і NDMI та виконано їх порівняльний аналіз у взаємозв’язку з температурним режимом, кількістю опадів і перебігом основних фенологічних фаз розвитку пшениці озимої. Результати. Встановлено істотні міжрічні відмінності агрометеорологічних умов, які визначали характер формування та сезонної динаміки вегетаційних індексів. Найсприятливішими для розвитку рослин були вегетаційні періоди 2021–2022 та 2022–2023 рр., коли значення NDVI досягали 0,8–0,9, а NDRE – 0,6–0,7. Вегетаційний період 2023–2024 рр. характеризувався пригніченим осіннім розвитком і компенсаторним весняним наростанням біомаси, тоді як у 2024–2025 рр. добрі умови осінньої вегетації не забезпечили тривалого весняного розвитку через холодну й відносно суху весну. Встановлено, що найбільш критичним періодом розвитку водного стресу був червень, коли рослини переходили від фази колосіння до наливу зерна. Індекс NDMI найраніше реагував на погіршення водного режиму посівів і був найбільш чутливим індикатором розвитку водного стресу, тоді як скорочення тривалості плато NDVI відображало обмеження реалізації продуктивного потенціалу посівів. Висновки. Динаміка вегетаційних індексів пшениці озимої тісно пов’язана з особливостями сезонного перебігу температурного режиму та зволоження. Вирішальне значення для формування фізіологічного стану рослин мали умови весняного періоду, а найбільш критичним щодо розвитку водного стресу був перехід від колосіння до наливу зерна. Індекс NDMI доцільно використовувати як ранній індикатор водного стресу, тоді як комплексне застосування NDVI, NDRE і NDMI забезпечує ефективний моніторинг стану посівів, а скорочення тривалості плато NDVI може бути використане як індикатор обмеження реалізації продуктивного потенціалу озимої пшениці","综合评估2021—2025年乌克兰南部草原冬小麦（пшениця озима）生育期农业气象条件，并揭示NDVI、NDRE和NDMI植被指数在温度状况、降水和水分亏缺季节性变化影响下的动态规律。方法。研究在尼古拉耶夫国立农业大学教学-科学-实践中心基地进行。使用了Pessl Instruments自动气象站（iMETOS）2021—2025年的气象数据，以及经Google Earth Engine环境处理的Sentinel-2 SR Harmonized卫星数据。为评估作物状况，计算了NDVI、NDRE和NDMI指数，并结合温度状况、降水量及冬小麦主要物候发育阶段进程对其进行了比较分析。结果。确定了农业气象条件的显著年际差异，这些差异决定了植被指数的形成特征和季节性动态。2021—2022年和2022—2023年生育期对植株发育最为有利，NDVI值达到0.8—0.9，NDRE为0.6—0.7。2023—2024年生育期的特点是秋季发育受抑制，春季生物量补偿性增长，而2024—2025年良好的秋季生长条件未能保障春季的持续发育，原因是春季寒冷且相对干燥。确定水分胁迫发展的最关键时期为6月，此时植株从抽穗期过渡到籽粒灌浆期。NDMI指数对作物水分状况恶化反应最早，是水分胁迫发展最敏感的指标，而NDVI平台期持续时间的缩短则反映了作物生产潜力实现的受限。结论。冬小麦植被指数动态与温度状况和湿润条件的季节性进程特征密切相关。春季条件对植株生理状态的形成具有决定性意义，而就水分胁迫发展而言，从抽穗到籽粒灌浆的过渡期最为关键。NDMI指数宜作为水分胁迫的早期指标使用，而NDVI、NDRE和NDMI的综合应用可有效监测作物状况，NDVI平台期持续时间的缩短可作为冬小麦生产潜力实现受限的指标。",null,"Аграрні інновації","2026-09-23T00:00:00Z","论文",10,false,70,{"impact":17,"substance":18,"depth":19,"authority":17,"freshness":20,"relevant":21,"comment":22},12,21,17,8,1,"基于五年气象站与Sentinel-2数据系统分析冬小麦植被指数动态，方法规范、结论明确，对遥感作物监测有参考价值，但属区域性研究，公共影响有限。",[24],{"name":10,"url":6},[26,27,28,29,30],"智慧农业","遥感监测","水分胁迫","冬小麦","植被指数",[32,33],"乌克兰 南方草原 冬小麦 NDVI","Sentinel-2 NDMI 冬小麦 水分胁迫","乌克兰南方草原冬小麦NDVI-3483",0,"10.32848\u002Fagrar.innov.2026.37.23",{"doi":36,"openalex_id":38,"authors":39,"venue":10,"cited_by_count":35,"oa_url":46,"card":47,"direction":51,"ingested_from":53},"W7214071557",[40,43],{"name":41,"orcid":42},"Антонина Панфилова","https:\u002F\u002Forcid.org\u002F0000-0003-0006-4090",{"name":44,"orcid":45},"Dmytro Koshkin","https:\u002F\u002Forcid.org\u002F0000-0002-6927-8487","https:\u002F\u002Fagrarian-innovations.izpr.ks.ua\u002Findex.php\u002Fagrarian\u002Farticle\u002Fdownload\u002F1168\u002F1166",{"tldr":48,"method":49,"finding":50,"direction":51,"opportunity":52},"评估乌克兰南部2021–2025年冬小麦生育期农业气象条件与NDVI、NDRE、NDMI植被指数动态","iMETOS自动气象站数据与Sentinel-2影像，在Google Earth","NDMI对水分胁迫响应最早最敏感，NDVI平台期缩短可指示产量潜力受限，抽穗至灌浆期为关键期。","农业遥感与作物表型","可探索多指数融合的冬小麦水分胁迫早期预警阈值及平台期缩短与产量的定量模型。","openalex","2026-09-25T23:30:21.548558Z",{"total":56,"page":21,"page_size":56,"items":57},6,[58,90,118,157,202,251],{"id":59,"title":60,"url":61,"summary":62,"summary_zh":9,"content":9,"source_name":63,"source_url":9,"published_at":64,"category":12,"cover_url":9,"hotness":13,"is_selected":14,"score":65,"score_detail":66,"sources":70,"tags":72,"search_phrases":76,"slug":79,"view_count":35,"doi":9,"paper":80,"created_at":89},3325,"MBF-HybridNet：在极端气候下仍可提前一月预测冬小麦产量的多分支AI模型——Qingdao六县R² 0.756-0.765 MAPE 4.2%","https:\u002F\u002Fbioengineer.org\u002Fnew-multi-branch-ai-model-predicts-winter-wheat-yields-weeks-before-harvest-even-under-extreme-weather\u002F","MBF-HybridNet由青岛六县研究团队开发和测试：采用多分支并行架构，包括处理日常遥感和气象数据的动态变量模块、处理年度尺度极端气候指数数据的动态ECI模块以及处理土壤属性的静态变量模块。动态模块堆叠三个二维卷积层，插入自注意力机制；静态模块独立处理土壤有机碳、阳离子交换容量、pH、砂和粘土含量。研究团队计算了九个极端气候指数（热日、热应力强度、连续热日、霜日、冷应力强度、连续冷日、强降水日、连续湿日和连续干日）用于每个生长阶段。2004至2019年留一年交叉验证，MBF-HybridNet在三个累积生长阶段的R²达到0.756-0.765，平均绝对百分比误差约为4.2%。","MBF-HybridNet 2026 (Qingdao)","2026-09-17T00:00:00Z",78,{"impact":67,"substance":68,"depth":67,"authority":17,"freshness":20,"relevant":21,"comment":69},18,22,"多分支AI融合遥感气象与极端气候指数，提前一月预测冬小麦产量且精度可靠，方法新颖、数据扎实，对农业信息化与智慧农业有较高参考价值。",[71],{"name":63,"url":61},[26,73,74,27,29,75],"农业人工智能","产量预测","极端气候",[77,78],"MBF-HybridNet 冬小麦 产量预测","青岛 冬小麦 遥感 极端气候","MBF-HybridNet冬小麦产量预测-3325",{"doi":9,"openalex_id":9,"authors":81,"venue":9,"cited_by_count":35,"oa_url":9,"card":82,"direction":86,"ingested_from":88},[],{"tldr":83,"method":84,"finding":85,"direction":86,"opportunity":87},"提出多分支AI模型MBF-HybridNet，融合遥感、气象与土壤数据，提前一月预测冬小麦产量。","多分支并行架构，含2D卷积、自注意力与极端气候指数，2004-2019年留一年交","在青岛六县三个累积生长阶段R²达0.756-0.765，MAPE约4.2%，极端气候下仍可提前一月预","农业人工智能与决策模型","可探索极端气候指数与深度学习结合在其他作物或区域的泛化能力，并提升可解释性。","agent","2026-09-24T00:04:02.748442Z",{"id":91,"title":92,"url":93,"summary":94,"summary_zh":9,"content":9,"source_name":95,"source_url":9,"published_at":96,"category":12,"cover_url":9,"hotness":13,"is_selected":14,"score":97,"score_detail":98,"sources":102,"tags":104,"search_phrases":106,"slug":109,"view_count":35,"doi":9,"paper":110,"created_at":117},2609,"AI Framework Estimates Crop Water Stress from Satellite Data in Egypt's Nile Delta","https:\u002F\u002Ffirat.rw\u002Farticles\u002Fai-framework-estimates-crop-water-stress-from-satellite-data-in-egypts-nile-delta","Elbeltagi等发表在Smart Agricultural Technology。研究使用MODIS卫星产品(2018-2025)构建最佳子集回归(BSR)与机器学习相结合的特征优化人工智能框架，估计埃及Dakahliyah省农业植被水分胁迫。NDVI成为EVI的压倒性主导预测因子，相关系数0.934。Random Forest在2024-2025测试期达到0.9943的相关系数，平均绝对误差仅0.0063，根均方误差0.0161，相对绝对误差降至5%以下。","Smart Agricultural Technology","2026-09-13T01:00:00Z",77,{"impact":99,"substance":68,"depth":67,"authority":100,"freshness":20,"relevant":21,"comment":101},16,13,"基于MODIS长时序数据与机器学习融合的水分胁迫估算框架，方法新颖、精度高，对干旱区精准灌溉有参考价值，但属区域性案例研究，影响范围有限。",[103],{"name":95,"url":93},[26,73,27,28,105],"灌溉管理",[107,108],"农业人工智能 智慧农业 水分胁迫 灌溉管理","农业人工智能 智慧农业","农业人工智能智慧农业水分胁迫灌溉管理-2609",{"doi":9,"openalex_id":9,"authors":111,"venue":9,"cited_by_count":35,"oa_url":9,"card":112,"direction":51,"ingested_from":88},[],{"tldr":113,"method":114,"finding":115,"direction":51,"opportunity":116},"用MODIS数据与机器学习框架估算埃及尼罗河三角洲农田水分胁迫。","MODIS时序数据，最佳子集回归结合随机森林做特征优化。","NDVI是主导预测因子，随机森林测试相关系数达0.9943，误差低于5%。","可迁移至其他干旱区验证特征优选框架的普适性，并融合多源遥感提升胁迫早期预警。","2026-09-16T00:03:52.319524Z",{"id":119,"title":120,"url":121,"summary":122,"summary_zh":123,"content":9,"source_name":124,"source_url":121,"published_at":125,"category":12,"cover_url":9,"hotness":13,"is_selected":14,"score":126,"score_detail":127,"sources":131,"tags":133,"search_phrases":136,"slug":139,"view_count":35,"doi":140,"paper":141,"created_at":156},3514,"Artificial Intelligence for Climate Adaptation Decision Support in Data-Poor Developing Regions","https:\u002F\u002Fdoi.org\u002F10.22541\u002Fessoar.15009304\u002Fv1","Climate adaptation is a sequence of decisions taken under uncertainty, and the regions where climate risk is rising fastest are those with the least information to guide them. Only about 10 per cent of deaths are registered in the WHO African Region; nearly 90 per cent of required surface weather observations are missing across least developed countries and small island states; and only 40 per cent of African countries have multi-hazard early warning systems. This report examines whether artificial intelligence — machine learning, remote sensing and predictive analytics — can close these information gaps and improve adaptation decisions in data-poor developing regions. The report organises the problem as a decision chain with three information gaps — observation, prediction and decision — followed by an action gap that AI cannot close. It finds that AI has advanced fastest on prediction: AI weather models became operational at ECMWF in 2025, AI flood forecasts now cover 100 countries and about 700 million people, satellite nowcasts reach a continent with little radar, and AI monsoon-onset forecasts reached 38 million Indian farmers in 2025. On observation, satellite machine learning explains around 70 per cent of the variation in village wealth but only up to about half of the variation in changes over time. On decision, evidence from Togo, Bangladesh and Kenya shows that AI-assisted targeting, forecast-based triggers and satellite index insurance can deliver assistance faster and better, within clear limits. The report's central argument is the ground-truth paradox: AI stretches scarce observations further, but every AI product must be trained and verified against ground truth, so reliance on AI raises the value of each remaining station, survey and label. The 2025 interruption of FEWS NET and termination of the DHS Program show how fragile that foundation is. Because the value of information is the product of skill, lead time, reach, trust and the means to act, the highest returns usually lie not in more skilful models but in dissemination, institutions and prearranged finance. The report sets out a risk register, a six-principle policy framework, actions by actor and a roadmap to 2030.","气候适应是在不确定性下做出的一系列决策，而气候风险上升最快的地区恰恰是指导信息最匮乏的地区。世卫组织非洲区域仅登记了约10%的死亡病例；最不发达国家和小岛屿国家缺失了近90%所需的地面天气观测数据；仅有40%的非洲国家拥有多灾种早期预警系统。本报告考察人工智能——机器学习、遥感和预测分析——能否弥合这些信息缺口，改善数据匮乏的发展中地区的适应决策。报告将这一问题组织为一条决策链，包含三个信息缺口——观测、预测和决策——以及一个人工智能无法弥合的行动缺口。报告发现，人工智能在预测方面进展最快：人工智能天气模型于2025年在欧洲中期天气预报中心（ECMWF）投入业务运行，人工智能洪水预报现已覆盖100个国家和约7亿人口，卫星临近预报覆盖了一个几乎没有雷达的大陆，人工智能季风爆发预报于2025年惠及3800万印度农民。在观测方面，卫星机器学习可解释村庄财富约70%的变异，但对时间变化的解释力仅约一半。在决策方面，来自多哥、孟加拉国和肯尼亚的证据表明，人工智能辅助的目标定位、基于预报的触发机制和卫星指数保险能够在明确限度内更快、更好地提供援助。报告的核心论点是地面真值悖论：人工智能能够将稀缺的观测数据发挥更大效用，但每个人工智能产品都必须依据地面真值进行训练和验证，因此对人工智能的依赖提升了每一个剩余站点、调查和标注数据的价值。2025年FEWS NET的中断和DHS项目的终止表明这一基础何等脆弱。由于信息的价值是技能、提前期、覆盖面、信任和行动手段的乘积，最高回报通常不在于更精密的模型，而在于传播、制度和预先安排的融资。报告提出了风险登记册、六项原则的政策框架、各行为主体的行动以及到2030年的路线图。","OpenAlex","2026-09-22T00:00:00Z",86,{"impact":68,"substance":128,"depth":129,"authority":100,"freshness":20,"relevant":21,"comment":130},24,19,"系统梳理AI在数据匮乏地区气候适应决策中的观测、预测与决策三类信息缺口，提出“地面真值悖论”，数据与结论扎实，对农业信息化与智慧农业有较强参考价值。",[132],{"name":124,"url":121},[26,73,134,27,135],"气候适应","早期预警",[137,138],"AI 气候适应 决策支持","数据匮乏地区 农业预警","AI气候适应决策支持-3514","10.22541\u002Fessoar.15009304\u002Fv1",{"doi":140,"openalex_id":142,"authors":143,"venue":9,"cited_by_count":35,"oa_url":149,"card":150,"direction":155,"ingested_from":53},"W7214097088",[144,146],{"name":145,"orcid":9},"H Heuristics",{"name":147,"orcid":148},"Hunter Hughes","https:\u002F\u002Forcid.org\u002F0009-0002-6161-9387","https:\u002F\u002Fessopenarchive.org\u002Fdoi\u002Fpdf\u002F10.22541\u002Fessoar.15009304\u002Fv1",{"tldr":151,"method":152,"finding":153,"direction":86,"opportunity":154},"评估AI能否弥补数据匮乏地区气候适应决策的信息缺口，并提出地面真值悖论。","梳理观测、预测、决策三环节，结合AI天气模型、卫星ML与多国案例证据。","AI预测进展最快，但依赖地面真值；最高回报常在传播、制度与预置资金而非模型。","可研究AI辅助农业气候适应中地面真值稀缺下的验证与信任机制，及预置资金触发设计。","数字乡村与农业信息化","2026-09-25T23:30:46.008325Z",{"id":158,"title":159,"url":160,"summary":161,"summary_zh":162,"content":9,"source_name":163,"source_url":160,"published_at":164,"category":12,"cover_url":9,"hotness":13,"is_selected":14,"score":165,"score_detail":166,"sources":170,"tags":172,"search_phrases":176,"slug":179,"view_count":35,"doi":180,"paper":181,"created_at":201},3499,"Tillage Practice Discrimination Using High-Resolution PlanetScope and Sentinel-2 Imagery","https:\u002F\u002Fdoi.org\u002F10.1007\u002Fs12524-026-02580-1","Abstract Accurate and timely assessment of soil tillage practices is crucial for monitoring sustainability in agriculture. To achieve more site-specific discrimination, it is necessary to understand the spectral and temporal properties of tillage practices across seasons. This study presents developments in tillage-practice discrimination by comparing two high-resolution remote sensing datasets, PlanetScope and Sentinel-2, to characterise and discriminate fields under intensive tillage (IT) and conservation tillage (CT) in the winter and spring seasons. A field experiment was conducted at an experimental site in the United Kingdom, collecting data on tillage practices in 2022–23 and 2023–24. We analysed the spectral and temporal characteristics of two tillage types and subsequently classified them using the random forest (RF) algorithm. Results showed reflectance differences between the two tillage treatments during the early period in both seasons. We also revealed that green, red-edge, and near-infrared wavelengths were relevant for the classification. PlanetScope showed greater potential for classifying tillage (OA = 70–80%), whereas Sentinel-2 exhibited lower performance (OA = 53–73%). Models from the winter achieved higher accuracy scores than those from the spring period, suggesting a seasonal variation in tillage discrimination. The findings highlight the utility of high-resolution satellite-based data, combined with machine learning, for mapping tillage practices and advancing precision agriculture.","准确的土壤耕作方式评估对于监测农业可持续性至关重要。为了实现更具针对性的区分，有必要了解不同季节耕作方式的光谱和时间特征。本研究通过比较两套高分辨率遥感数据集PlanetScope和Sentinel-2，在冬季和春季对集约耕作（IT）和保护性耕作（CT）田块进行表征与区分，从而推动耕作方式判别研究的发展。在英国一个试验站点开展了田间试验，收集了2022—23年和2023—24年的耕作方式数据。我们分析了两种耕作类型的光谱和时间特征，随后使用随机森林（RF）算法对其进行分类。结果表明，在兩個季节的早期阶段，两种耕作处理之间存在反射率差异。我们还发现，绿光、红边和近红外波段与分类相关。PlanetScope在耕作分类方面表现出更大的潜力（总体精度OA = 70–80%），而Sentinel-2的表现较低（OA = 53–73%）。冬季模型获得的精度评分高于春季模型，表明耕作判别存在季节性变化。研究结果凸显了高分辨率卫星数据结合机器学习在耕作方式制图和推进精准农业方面的实用性。","Journal of the Indian Society of Remote Sensing","2026-09-24T00:00:00Z",67,{"impact":20,"substance":167,"depth":19,"authority":100,"freshness":168,"relevant":21,"comment":169},20,9,"基于高分辨率卫星影像与随机森林识别耕作方式的实证研究，方法清晰、结论具体，对精准农业与耕地监测有参考价值，但属细分领域学术进展，公共影响有限。",[171],{"name":163,"url":160},[26,173,174,27,175],"机器学习","保护性耕作","土壤耕作",[177,178],"PlanetScope Sentinel-2 耕作识别","保护性耕作 遥感 分类","PlanetScopeSentinel-2耕作识别-3499","10.1007\u002Fs12524-026-02580-1",{"doi":180,"openalex_id":182,"authors":183,"venue":163,"cited_by_count":35,"oa_url":160,"card":196,"direction":51,"ingested_from":53},"W7214193864",[184,187,190,193],{"name":185,"orcid":186},"Vidya Nahdhiyatul Fikriyah","https:\u002F\u002Forcid.org\u002F0000-0003-2869-3657",{"name":188,"orcid":189},"Roshanak Darvishzadeh","https:\u002F\u002Forcid.org\u002F0000-0001-7512-0574",{"name":191,"orcid":192},"Stephan M. Haefele","https:\u002F\u002Forcid.org\u002F0000-0003-0389-8373",{"name":194,"orcid":195},"Andrew Nelson","https:\u002F\u002Forcid.org\u002F0000-0002-7249-3778",{"tldr":197,"method":198,"finding":199,"direction":51,"opportunity":200},"对比PlanetScope与Sentinel-2影像，用随机森林区分冬春两季的集约与保护性耕作。","英国田间试验，2022-24年光谱时序数据，随机森林分类。","PlanetScope分类精度70-80%优于Sentinel-2，冬季模型精度高于春季，绿、红边和","可探索多源高分辨率影像融合与时序特征优化，提升不同季节和区域耕作分类的泛化能力。","2026-09-25T23:30:30.866355Z",{"id":203,"title":204,"url":205,"summary":206,"summary_zh":207,"content":9,"source_name":208,"source_url":205,"published_at":11,"category":12,"cover_url":9,"hotness":13,"is_selected":14,"score":209,"score_detail":210,"sources":212,"tags":214,"search_phrases":217,"slug":220,"view_count":35,"doi":221,"paper":222,"created_at":250},3485,"Detection of Red Crown Rot of Soybean in Illinois Fields Using High-Resolution Satellite Imagery and Machine Learning","https:\u002F\u002Fdoi.org\u002F10.64898\u002F2026.09.22.753594","Red crown rot (RCR), caused by Calonectria ilicicola, is an emerging soybean disease in the U.S. Midwest for which scalable approaches to characterize within-field disease distribution are lacking. This study evaluated high-resolution PlanetScope satellite imagery for mapping RCR-affected soybean canopies across 15 commercial fields in Illinois surveyed during the 2024 and 2025 growing seasons. A total of 2,921 georeferenced canopy plots were classified as asymptomatic or RCR-affected and paired with six multispectral bands and seven vegetation indices. Spectral differences between classes were evaluated using linear mixed-effects models, and seven machine-learning classifiers representing linear, tree-based, neural-network, kernel, and probabilistic approaches were compared using spatially independent leave-one-field-out cross-validation. RCR-affected canopies exhibited increased reflectance in the visible and red-edge regions, reduced near-infrared reflectance, and lower vegetation-index values relative to asymptomatic canopies. All classifiers showed strong discrimination, with ROC-AUC values ranging from 0.963 to 0.982. Regularized logistic regression achieved the highest overall performance, with an accuracy of 0.945, balanced accuracy of 0.945, F1-score of 0.948, and ROC-AUC of 0.982 at the optimized decision threshold. Permutation analysis identified EVI, NDVI, and red reflectance as the most influential predictors across representative model architectures. Satellite-derived probability and classification maps generally corresponded with symptomatic canopy patterns observed in high-resolution UAV imagery, although mixed pixels reduced precision near disease-patch boundaries. These results demonstrate the potential of high-resolution satellite imagery for within-field mapping of RCR-associated canopy symptoms across independent commercial soybean fields.","由冬青丽赤壳菌（Calonectria ilicicola）引起的红冠腐病（RCR）是美国中西部一种新发大豆病害，目前尚缺乏可规模化表征田块内病害分布的方法。本研究评估了高分辨率PlanetScope卫星影像在2024年和2025年生长季对伊利诺伊州15块商业田块中受RCR影响的大豆冠层的制图能力。共有2,921个地理参考冠层样区被分类为无症状或受RCR影响，并与6个多光谱波段和7个植被指数配对。采用线性混合效应模型评估类别间的光谱差异，并通过空间独立的留一田块交叉验证比较了7种机器学习分类器，涵盖线性、基于树、神经网络、核函数和概率方法。与无症状冠层相比，受RCR影响的冠层在可见光和红边区域反射率增加，近红外反射率降低，植被指数值较低。所有分类器均表现出较强的判别能力，ROC-AUC值范围为0.963至0.982。正则化逻辑回归在优化决策阈值下取得了最高的整体性能，准确率为0.945，平衡准确率为0.945，F1分数为0.948，ROC-AUC为0.982。置换分析表明，在代表性模型架构中，EVI、NDVI和红光反射率是最具影响力的预测变量。卫星衍生的概率图和分类图总体上与高分辨率无人机影像中观察到的症状冠层模式一致，尽管混合像元降低了病害斑块边界附近的精度。这些结果证明了高分辨率卫星影像在独立商业大豆田块中对RCR相关冠层症状进行田块内制图的潜力。","bioRxiv (Cold Spring Harbor Laboratory)",76,{"impact":99,"substance":68,"depth":67,"authority":17,"freshness":20,"relevant":21,"comment":211},"基于高分辨率卫星影像与机器学习实现大豆红冠腐病田间制图，方法扎实、数据规模可观，对作物病害遥感监测有参考价值。",[213],{"name":208,"url":205},[26,173,215,27,216],"大豆","病害识别",[218,219],"伊利诺伊 大豆 红冠腐病 卫星遥感","PlanetScope 大豆 病害 机器学习","伊利诺伊大豆红冠腐病卫星遥感-3485","10.64898\u002F2026.09.22.753594",{"doi":221,"openalex_id":223,"authors":224,"venue":208,"cited_by_count":35,"oa_url":244,"card":245,"direction":51,"ingested_from":53},"W7214126630",[225,228,231,233,235,238,241],{"name":226,"orcid":227},"Bruno Daniel Pugliese","https:\u002F\u002Forcid.org\u002F0009-0000-4795-4248",{"name":229,"orcid":230},"Juan Andrés Paredes","https:\u002F\u002Forcid.org\u002F0000-0002-3967-0197",{"name":232,"orcid":9},"Andres Fabian Ruiz",{"name":234,"orcid":9},"Norman Denis Bowman",{"name":236,"orcid":237},"Elhan S. Ersoz","https:\u002F\u002Forcid.org\u002F0000-0001-6930-6946",{"name":239,"orcid":240},"Nicolas Federico Martin","https:\u002F\u002Forcid.org\u002F0000-0002-1587-665X",{"name":242,"orcid":243},"Boris X. Camiletti","https:\u002F\u002Forcid.org\u002F0000-0002-1492-7988","https:\u002F\u002Fwww.biorxiv.org\u002Fcontent\u002Fbiorxiv\u002Fearly\u002F2026\u002F09\u002F23\u002F2026.09.22.753594.full.pdf",{"tldr":246,"method":247,"finding":248,"direction":51,"opportunity":249},"利用高分辨率卫星影像和机器学习在大豆田中检测红冠腐病。","PlanetScope多光谱影像、植被指数与7种机器学习分类器，留一田块交叉验证","各分类器ROC-AUC达0.963-0.982，正则化逻辑回归最优，EVI、NDVI和红波段最重要。","可探索多时相卫星影像与无人机融合，提升病害斑块边界混合像元识别精度。","2026-09-25T23:30:22.839600Z",{"id":252,"title":253,"url":254,"summary":255,"summary_zh":256,"content":9,"source_name":10,"source_url":254,"published_at":11,"category":12,"cover_url":9,"hotness":13,"is_selected":14,"score":209,"score_detail":257,"sources":259,"tags":261,"search_phrases":265,"slug":268,"view_count":35,"doi":269,"paper":270,"created_at":286},3481,"ЦИФРОВІ ПІДХОДИ ДО УПРАВЛІННЯ ВОДНИМ РЕЖИМОМ ҐРУНТУ ЗА КРАПЛИННОГО ЗРОШЕННЯ ЯГІДНИХ КУЛЬТУР В УМОВАХ ЛІСОСТЕПУ УКРАЇНИ","https:\u002F\u002Fdoi.org\u002F10.32848\u002Fagrar.innov.2026.37.13","Мета статті – дослідження сучасних наукових підходів до підвищення ефективності управління водним режимом ґрунту за вирощування ягідних культур в умовах Лісостепу України із застосуванням цифрових технологій моніторингу та автоматизації поливів, а також оцінка їх впливу на оптимізацію водоспоживання, стабільність продуктивності насаджень і раціональне використання поливної води в системах краплинного зрошення. Особливу увагу приділено аналізу сучасних інструментів дистанційного контролю стану рослин і ґрунту, сенсорних систем визначення вологості, моделей планування режимів зрошення та інформаційно-аналітичних платформ підтримки прийняття рішень. Методи дослідження. У процесі досліджень використано методи системного аналізу, узагальнення, порівняння та інтерпретації результатів вітчизняних і зарубіжних наукових публікацій щодо управління водним режимом ґрунту ягідних культур. Проведено оцінку ефективності застосування сенсорів вологості ґрунту різних типів, супутникових індексів рослинності (NDVI), моделей розрахунку евапотранспірації культур за методикою FAO-56, а також автоматизованих систем керування поливами на основі IoT – технологій. Здійснено порівняльний аналіз показників водоспоживання, водопродуктивності та урожайності ягідних культур за різних режимів зрошення та рівнів цифровізації технологічних процесів. Результати дослідження. Встановлено, що застосування цифрових підходів до управління водним режимом ґрунту забезпечує підвищення ефективності використання поливної води на 20–35%, зменшення непродуктивних втрат вологи та стабілізацію вологості кореневмісного шару ґрунту протягом критичних фаз розвитку рослин. Обґрунтовано доцільність використання сенсорних систем контролю вологості ґрунту, супутникового моніторингу стану посівів і програмних моделей планування режимів зрошення для підвищення точності визначення строків і норм поливу. Показано, що інтеграція цифрових інструментів у технології краплинного зрошення сприяє підвищенню водопродуктивності насаджень ягідних культур, оптимізації режимів водоспоживання та зниженню енергетичних витрат на проведення поливів. Висновки. Узагальнення результатів досліджень свідчить про високу ефективність використання цифрових технологій моніторингу та управління водним режимом ґрунту у системах краплинного зрошення ягідних культур в умовах Лісостепу України. Використання сенсорних систем, супутникових індексів рослинності та автоматизованих алгоритмів керування поливами забезпечує підвищення рівня ресурсозбереження, стабільність урожайності та покращення екологічної ефективності технологій вирощування ягідних культур. Запровадження зазначених підходів доцільно розглядати як один із ключових напрямів удосконалення сучасних систем управління водними ресурсами в ягідництві. Отримані результати можуть бути використані при розробці рекомендацій щодо цифровізації управління зрошенням ягідних культур у господарствах Лісостепу України.","本文旨在研究在乌克兰森林草原条件下，利用数字监测技术和灌溉自动化提高浆果作物土壤水分管理效率的现代科学方法，并评估其对优化耗水量、种植园生产力稳定性以及滴灌系统中灌溉水合理利用的影响。特别关注对现代植物和土壤状态远程监控工具、湿度传感系统、灌溉制度规划模型及决策支持信息分析平台的分析。研究方法。在研究过程中，采用了系统分析、概括、比较以及解释国内外关于浆果作物土壤水分管理科学出版物的方法。评估了不同类型土壤湿度传感器、卫星植被指数（NDVI）、根据FAO-56方法计算作物蒸散量的模型以及基于物联网技术的灌溉自动化控制系统的应用效果。对不同灌溉制度和工艺过程数字化水平下浆果作物的耗水量、水分生产率和产量指标进行了比较分析。研究结果。已确定，采用数字方法管理土壤水分可确保灌溉水利用效率提高20–35%，减少无效水分损失，并在植物发育关键阶段稳定根层土壤湿度。论证了利用土壤湿度传感控制系统、作物状态卫星监测和灌溉制度规划软件模型以提高确定灌溉时间和灌溉定额精度的合理性。研究表明，将数字工具集成到滴灌技术中有助于提高浆果作物种植园的水分生产率、优化耗水制度并降低灌溉的能源消耗。结论。研究结果的综合表明，在乌克兰森林草原条件下的浆果作物滴灌系统中，利用数字监测和土壤水分管理技术具有高效率。使用传感系统、卫星植被指数和自动化灌溉控制算法可确保提高资源节",{"impact":99,"substance":18,"depth":67,"authority":100,"freshness":20,"relevant":21,"comment":258},"乌克兰核心期刊论文，系统评估传感器、NDVI与IoT自动化灌溉对浆果滴灌水分管理的节水增产效果，方法清晰、数据具体，对智慧灌溉领域有参考价值。",[260],{"name":10,"url":254},[26,262,27,263,264],"物联网","土壤水分","滴灌",[266,267],"乌克兰 森林草原 浆果 滴灌","FAO-56 蒸散 滴灌 水分管理","乌克兰森林草原浆果滴灌-3481","10.32848\u002Fagrar.innov.2026.37.13",{"doi":269,"openalex_id":271,"authors":272,"venue":10,"cited_by_count":35,"oa_url":279,"card":280,"direction":284,"ingested_from":53},"W7214105593",[273,276],{"name":274,"orcid":275},"V. V. Karuna","https:\u002F\u002Forcid.org\u002F0009-0005-6162-5391",{"name":277,"orcid":278},"A. P. Shatkovskyi","https:\u002F\u002Forcid.org\u002F0000-0002-4366-0397","https:\u002F\u002Fagrarian-innovations.izpr.ks.ua\u002Findex.php\u002Fagrarian\u002Farticle\u002Fdownload\u002F1171\u002F1168",{"tldr":281,"method":282,"finding":283,"direction":284,"opportunity":285},"综述数字技术用于乌克兰森林草原浆果滴灌土壤水分管理，提升灌溉水利用效率20–35%。","系统分析文献，评估土壤湿度传感器、NDVI、FAO-56蒸散模型与IoT自动灌溉","数字监测与自动灌溉可节水20–35%，稳定根层湿度，提高水分生产力并降低能耗。","智慧农业 \u002F 农业物联网","可在小浆果园区验证多源传感与FAO-56模型耦合的实时决策，填补东欧森林草原区数据空白。","2026-09-25T23:30:15.654633Z"]