Volatile Fingerprinting Empowers Salinity Monitoring in Peppermint Using MOS Sensors and Feature-Optimized Machine Learning
用低成本MOS传感器阵列采集薄荷VOC指纹，结合特征优化机器学习实现盐胁迫检测。
← 主题
机器学习 精准农业
Advanced olive leaf area prediction using machine learning methods
用机器学习基于叶长宽非破坏性预测30个橄榄品种叶面积，PSO优化ANN精度最高。
INTERNATIONAL JOURNAL OF HUMANITIES AND LEARNING TECHNOLOGY INNOVATION (IJHLT)·9月15日 · 周二72 分 论文智慧农业 / 农业物联网阅读 0
ARTIFICIAL INTELLIGENCE IN HIGHER EDUCATION: TRANSFORMING TEACHING, LEARNING, AND STUDENT ENGAGEMENT
提出融合物联网传感与随机森林的智能灌溉系统，实现数据驱动的自动灌溉控制。
An optimized machine learning approach for reliable agronomic parameter prediction in precision farming systems
提出优化机器学习框架，用土壤环境数据预测农艺参数并分类菠菜生长阶段。
Comparative evaluation of classical machine learning and deep learning models for early weed detection in precision agriculture
对比经典机器学习与深度学习模型在精准农业早期杂草检测中的性能。
Spatial modeling of subsurface soil texture in semi-arid regions: Evaluating pure machine learning against hybrid regression kriging using Sentinel-1 and Sentinel-2 data
用Sentinel-1/2多时相数据结合纯机器学习与回归克里金，制图半干旱区30-40cm土壤质地。
Intelligent Prediction of Spray Distribution and Hydraulic Behavior in an Automatic Spraying Machine for Precision Agriculture
用机器学习预测自动喷雾机的流量、喷幅、角度和重叠，实现精准农业。
Precision Agriculture in Maize Production: A Systematic Review of Technologies, Applications, and Yield Optimisation
系统综述2020-2026年精准农业在玉米生产中的应用，纳入129项研究，评估技术、应用及产量优化效
A Taxonomy of Machine Learning for UAV-Enabled Precision Agriculture: A Structured Survey (面向无人机赋能精准农业的机器学习方法分类:结构化综述)
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。
AI-Enabled IoT-Based Hydroponic Farming with Embedded Automation and Nutrient Prediction
原文标题:AI-Enabled IoT-Based Hydroponic Farming with Embedded Automation and Nutrient Prediction。作者:Jehangir Arshad、Fawad Azeem、Ayesha Butt、Maha Chaudhary、Rana Saad Safdar、M. Kamran Joyo、Izanoordina Ahmad、Prajoona Valsalan、Husham M. Ahmed(COMSATS University Islamabad等)。DOI: 10.3390/fi18090446。论文构建一个由Raspberry Pi控制、完全监测并持续评估的水培农业模拟器,采用多种传感器、数据管理与处理以及自动化环境调节。该智能水培系统采用双模型机器学习流水线:一个通过图像分析识别植物病害,另一个基于传感器数据评估植物营养水平。两个模型的数据通过云端数字孪生(DT)合并,实现远程访问并提供闭环控制,用于水培环境中的灌溉、营养剂量和所有环境因子管理。该研究展示了将物联网传感、机器学习和数字孪生模拟组合成可运行超物理系统来开发可扩展、数据驱动的精准农业解决方案的能力。