智慧农业 机器学习

提出地表反射率校准方法，结合机器学习与双源像素分解，提高半干旱区玉米蒸散发估算精度。

通过数据同化整合卫星遥感与WOFOST模型，提高夏玉米产量估算精度。

综述小农户精准养分管理技术，分析其适用性、经济可行性与采纳障碍。

提出AI框架，结合机器学习与天气分析，推荐作物并预测产量。

用机器学习将SMAP土壤水分降尺度至1km，评估匈牙利农业干旱。

提出基于线性光谱混合分析和随机森林的作物残茬覆盖度遥感估算方法，应用于华北平原。

提出智能作物推荐系统，结合AI与实时天气，推荐作物并检测病害。

Estimation of Agricultural Vegetation Water Stress Using Feature-Optimized Remote Sensing and Ensemble Machine Learning。Smart Agricultural Technology

提出基于HYDRA字典方法的机器学习框架，结合物候特征预测玉米产量。

用机器学习集成方法预测作物产量，比较七种回归算法，发现Bagging效果最佳。

用机器学习代理模型预测多样化轮作对SOC和N2O的影响，识别气候智能管理区域。

提出基于树干半径和径向生长率的机器学习模型，实现多树种年龄估算。

提出可解释机器学习框架，同时预测土壤质地和含水量，提升模型透明度和可信度。

基于无人机多模态遥感数据，构建综合高光效表型指数并精准估算，用于小麦育种材料筛选。

综述遥感与机器学习在印度园艺作物精准管理中的应用，涵盖原理、方法、案例与挑战。

用机器学习预测种子质量和终速，基于形态特征，为气力式排种器设计提供支持。

系统综述2015-2025年土壤传感器与IoT在智能灌溉中的应用，评估技术、成本与性能，指出研究空白

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 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。

综述系统分析 ML 在农业中的应用，强调多源数据融合（遥感、IoT、生物数据）对精准农业的关键作用。围绕四个研究目标展开：（1）探索 ML 在收获前、收获中、收获后阶段的整合；（2）展示多源数据融合的益处；（3）研究当前研究趋势；（4）汇编关键公共数据集。重点提及 Transformer、GAN、联邦学习、持续学习和可解释 AI 等新兴方法在应对现代农业挑战中的作用。