农业人工智能 精准农业

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。

综述机器视觉在精准农业中的应用现状与未来趋势。

系统综述AI在环境韧性与可持续创新中的应用、趋势与挑战。

综述AI赋能多组学、基因编辑与精准农业，培育气候韧性与营养强化作物。

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AI作物推荐研究，指出高准确率多源于数据与验证缺陷。

用蒙特卡洛实验模拟智慧农业平台中AI模块对农药化肥减量与节水减排的边际绿色贡献。

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。

结合GAN数据增强与随机森林，构建高精度作物产量预测模型。

对精准农业中深度学习杂草分类、检测与分割研究进行文献计量与综述分析。

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。

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。

提出基于DeiT的混合可解释框架，实现植物病害分类与严重度估计。

提出农田遥感图文跨模态检索任务，构建数据集并提出FarmMGR框架实现语言驱动检索。

提出CNN+ViT混合深度学习框架，利用多时相Sentinel-2影像监测作物分类与干旱胁迫。

提出AIoT框架，用LSTM预测土壤湿度实现智能灌溉，节水并延长节点续航。

综述2022-2026年AI在农业的应用趋势、成效与各国推广障碍。

提出YOLOv8+Inception-v4+XGBoost混合模型，实现番茄叶片病害精准检测与分类。

提出融合GLCM纹理特征与CNN的集成深度学习框架，实现土壤pH等级图像分类。

提出自适应AI决策支持系统，用轻量网络与特征优化实现精准农业实时图像分析与决策。

提出IoT-AM-EFGNN框架，结合IoT传感与图神经网络实现高精度作物推荐。

综述AI与IoT在精准农业中的集成技术、应用与挑战，提出未来研究方向。

CGTN 报道黑龙江农业数字化转型。在北大荒信息公司，一面墙大小的数字地图追踪约 320 万公顷农田的状况。土壤条件、作物生长和拖拉机运动数据在屏幕上更新。黑龙江省耕种收综合机械化率达 99.28%，已连续 16 年粮食总产量位居全国第一。激光除草机器人在田间作业可清除 95% 以上的杂草，作物损伤低于 0.1%；电动驱动精量播种机比传统机械式播种机减少种子损伤、作业速度快约 50%。"十五五"期间黑龙江将发展农业机器人和智能农业装备产业。

开发基于AI的无人机系统，用无监督算法从航拍图像估算果树高度和冠层体积。

提出一种集成AI、IoT和嵌入式系统的自主多作物除草与养分管理机器，实现精准农业。

综述智能农学新兴技术与可持续实践，重点评述第13章未来农学趋势与挑战。

系统综述2020-2026年玉米精准农业技术、应用与产量优化，纳入129项研究。

综述AI与多组学、基因编辑、精准农业结合，提升作物抗逆与营养性状改良效率。

通过文献计量分析，梳理精准农业与林业的研究趋势、主题结构和热点方向。

综述AI在气候智慧农业中的应用，涵盖产量预测、天气预报、灌溉管理和病虫害检测。

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。

针对温室图像光照变化与遮挡难题,内蒙古农业大学团队构建黄瓜生长数据集 CGD 并提出轻量化骨干 FSA-GhostNet(参数2.07M,RTX 3060 上 13.96 ms/张);在 CGD 上生长阶段分类准确率 98.22%、播后天数回归 MAE 0.93 天、R² 0.9962,ImageNet-100 上准确率 78.98%,为温室智慧农业边缘部署提供算力-精度均衡方案。

面向精准农业受限于多模遥测难以实时自治的认知瓶颈,提出 AgriAgent 分层多智能体(MAS)框架,将大语言模型从被动分析工具重塑为目标导向的协调器,采用包含感知、认知、执行三层的三层编排(TLO)拓扑。构建基于 APSIM 生物物理模型并经 GAN 扩展的高保真 10,000 状态合成库,引入黑天鹅环境胁迫。基准测试显示推理成功率 98.2%,决策时延降低 97%,将传统人在回路模式转为智能体驱动,为生物-数字自治农场提供蓝图。

【预印本,未经同行评审】针对多作物病害识别任务,提出基于确定性硬路由的两阶段 AdapterMoE 架构:RouterHead 依据最大 softmax 概率阈值分类作物并拒判非目标作物,Energy+KNN 双重门控模块捕获分布外输入;在冻结 EfficientNet-B0 主干上添加五个逐作物 Adapter,通过温度缩放校准。在 PlantVillage(5 作物 26 类)上,AdapterMoE 与最优基线 Macro-F1 差距在 0.24 分以内,但训练成本约为全网络基线的 9%,并可通过 add_crop 接口实现逐作物增量更新,避免专家坍缩,适合田间部署成本敏感的精准植保场景。