#机器学习

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。

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。

为破解当前我国数农融合不充分与区域发展不平衡难题,文章基于企业工商登记数据,从数农融合规模与渗透率两个维度构建数农融合发展水平评价指标体系,采用CRITIC法测度我国2000-2023年31个省份的数农融合发展水平,运用核密度估计、Dagum基尼系数、随机森林模型、SHAP方法等分析数农融合发展水平的区域差异及关键影响因素。研究发现我国数农融合水平持续上升且增速逐步加快,东部地区领先、西部地区相对偏低。邮政业务总量、农村人力资本、农林牧渔业总产值及财政涉农支出占比对数农融合发展水平具有显著正向影响。

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。

王毅、崔茜彤、王晨、熊宝伟、邵国敏、王琬莹、曹培、韩文霆(西安财经大学/西北农林科技大学/西安理工大学)针对传统玉米产量预测方法难以揭示变量间因果关系的问题,提出融合因果推断与机器学习的预测方法:基于遥感指数、气象数据、土壤剖面湿度和阶段性作物观测数据等多源异构信息,采用偏相关与瞬时条件独立算法系统分析玉米产量与各影响因子之间的因果关系,构建可解释的玉米产量预测模型。

中国农业科学院农业资源与农业区划研究所农业绿色发展科学与工程团队构建了一种面向跨区域应用的作物制图模型,可在目标区域缺少地面样本标签的情况下开展作物分类。研究成果发表在《农业中的计算机与电子学(Computers and Electronics in Agriculture)》上。传统作物制图依赖大量地面样本,采集成本高、周期长;不同地区气候条件、种植方式和作物生长特征差异明显,模型跨区域应用难度较大。该模型通过多个分类算法的协同约束,学习不同区域间相对稳定的作物识别特征,减少区域差异对模型迁移应用的影响,研究团队在多个国家开展实验验证其稳定性。

惠利伟、蔡海龙、易红梅基于中国玉米种植户微观调查数据,采用Probit模型结合XGBoost+SHAP机器学习方法,系统分析玉米种植户对北斗导航拖拉机应用的影响因素。研究发现不同机器学习模型对北斗导航拖拉机应用的预测效果存在差异,农地经营规模、年龄、地形条件等因素存在显著异质性。

Mustafa MS（卡拉比克大学计算机工程系）与Kutucu H（土耳其）在Frontiers in Sustainable Food Systems发表的原创研究"Enhancing Water Management with Intelligent Irrigation Systems Using Edge Computing, Machine Learning and IoT"于2026-07-28接受。针对农业占全球淡水取用量约70%、传统灌溉水耗大、效率低的现实，研究构建将物联网、机器学习与边缘计算融合的智能灌溉系统：物联网传感器和边缘设备实时采集环境数据并估算灌溉需求，机器学习模型与土壤监测单元（SMU）和水管理单元（WMU）协同，在边缘本地部署实现可扩展、实时、高效灌溉管理。研究比较决策树（DT）、随机森林（RF）、支持向量机（SVM）、K近邻（KNN）、随机梯度下降（SGD）和多层感知机（MLP）六种监督学习模型，其中决策树和随机森林分类准确率达93%、R²回归得分0.98，显著优于SVM（准确率58%、R²=0.18），为不同农业场景下水资源高效管理提供可复用方案。原文：Enhancing Water Management with Intelligent Irrigation Systems Using Edge Computing, Machine Learning and IoT