XAI-Guided Development of Hybrid CNN–Transformer Architectures for Grapevine Semantic Segmentation。Smart Agricultural Technology
该研究用可解释AI指导混合CNN-Transformer架构设计，用于葡萄藤语义分割，可为葡萄园表型与智能管理中的图像识别模型选型提供方法参考，但结论适用性受数据集与场景限制。
提出可解释多准则决策支持系统，为小农户地块排序推荐作物并给出理由与置信度。
该框架用AHP+TOPSIS结合蒙特卡洛气候价格冲击给出可解释作物排序，并量化推荐稳定性；但结论仅来自合成景观模拟，不能作为田间效果证据。
融合物联网传感器与作物图像，构建可解释的病害早期预警框架。
该框架将传感器读数与叶片图像独立分析后融合为病害风险，并联合评估预测质量、预警时点、资源消耗与解释可用性，适用于田间部署前的多目标权衡验证。
系统综述31项研究，梳理AI在农业供应链各环节的应用与效果。
提出可解释性引导的Transformer模型，用于龙舌兰作物异常筛查。
提出可解释软件框架，融合叶片图像与气象数据实现葡萄病害症状前风险评估。
综述可解释AI在气候智慧农业中的应用，提升作物管理决策透明度与信任。
提出一个整合农户信息、气象、作物土壤知识、病害图像与市场数据的AI智慧农业框架。
提出TomaNet-6H轻量CNN，用Grad-CAM实现番茄叶片病害可解释检测。
构建可解释水稻病害诊断系统，融合归因、不确定性与自然语言解释。
提出可解释深度学习框架，用AlexNet结合贝叶斯调参、微调和Grad-CAM实现芒果叶病十分类。
提出XGB-StageVision，用传感器数据与可解释AI预测水培生菜生长阶段。
评估生长季内天气变量时间聚合粒度对水稻产量机器学习模型预测与可解释性的影响。
提出PEAS-DeiT模型，将多尺度空间注意力融入DeiT，实现豌豆叶片病害分类。
提出可解释深度学习框架CPSA-RIPD-CSTGCN，实现智慧农业中害虫实时检测。
比较三种深度学习模型检测橙子病害，并用RISE提升可解释性。
提出全局-局部混合视觉语言框架，实现可解释的葡萄病害诊断，准确率达98.7%。
比较XGBoost、LightGBM和CatBoost在作物产量可解释建模中的表现，强调评估协议与数
GreenAI: An Explainable AI and IoT-Enabled Offline Framework for Precision Agriculture。Research Square
提出MSTANet多尺度纹理注意力网络，实现槟榔九类病害自动分类。
