机器学习 作物 识别

用CNN对植物叶片病害进行自动识别，在基准数据集上取得92%准确率。

综述无人机遥感在作物倒伏监测中的技术流程、传感器与分析模型。

系统综述AI在可持续农业中的应用，分析生产力与可持续性影响及推广障碍。

用无人机可见光影像和深度学习模型区分直播稻、湿直播稻与移栽稻三种水稻种植方式。

综述2016-2026年AI预测植物干旱、盐碱和温度胁迫响应的进展。

提出IoT与AI融合框架，结合实时土壤数据与天气预报推荐适宜作物。

综述人工智能在地理学中的应用，涵盖GIS、遥感、城市规划、农业与环境监测等。

综述AI与数字农业在害虫监测、预测及决策支持中的应用与挑战。

提出BO-TCBDA深度学习框架，融合多源遥感数据估算冬小麦产量，兼具高精度与可解释性。

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。

综述AI与IoT在精准农业中的应用，涵盖传感、灌溉、病害检测等，并给出原型架构。

系统综述数字孪生技术在撒哈拉以南非洲农业的应用，提出SSA-DT框架。

通过文献计量分析，梳理了2016-2026年AI在作物病害检测与管理中的研究趋势。

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。

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]

原文：Radiomics-driven and explainable machine learning for rapid characterization of Fusarium wilt and Black Sigatoka in banana crops。研究于2026年7月28日发表，聚焦利用影像组学和可解释机器学习快速表征香蕉枯萎病与黑斑病，属于作物病害智能识别方向。当前公开检索摘要未呈现完整实验细节，故不对模型精度作额外推断。