#可解释AI

Farmer-Friendly Decision Support System Using Explainable Orangutan Artificial Intelligence for Soil Fertility。SN Computer Science

提出多智能体多模态LLM结合蒙特卡洛树搜索，实现可解释的植物病害分类。

提出融合深度学习、可解释AI与生成式AI的指状粟病害检测框架，实现高精度识别与决策支持。

用丹麦十年田块数据识别轮作模式并预测年度作物选择。

提出DAC-Grad-CAM可解释框架，实现芒果缺陷感知分类与定量验证。

提出集成数字孪生与进化优化的可解释框架，将微量营养素密度纳入再生农业决策。

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。

综述AI施肥推荐研究，并用马哈拉施特拉数据集比较七种分类器，提出可审计智能施肥推荐框架。

提出双注意力序列优化网络DASO-RiceNet，实现10类水稻病害与损伤的高精度分类。

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。

综述可解释、高效、隐私保护、绿色与多模态五大深度学习方向，提出能力导向分类框架。

中国农科院农业资源与农业区划研究所智慧农业创新团队基于可解释人工智能构建农产品产地溯源模型,以中国六个地区的猕猴桃为对象,融合光谱成像与多模型组合策略,并运用可解释性方法对最优组合模型进行分层和整体解读,在提升溯源准确率的同时揭示光谱数据判断产地的内在逻辑,为光谱技术在农业生产与品质监管中应用提供系统解决思路,成果发表于《农业人工智能》(Artificial Intelligence in Agriculture)。

提出融合养分与气候数据、KHO优化和可解释AI的作物推荐框架，Tab Transformer精度达0

提出可解释AI框架KRISHI.AI，基于土壤和气候数据推荐作物，并解释推荐原因。

提出结合ConvNeXt-Tiny与残差空间注意力模块的框架，实现多作物病害细粒度分类与可解释定位。

系统综述2016-2026年智慧农业中代理式、自主与可解释AI研究，揭示可解释性主导、自主性不足及验

植物病害每年造成全球农业产量损失20%-40%、经济损失超2200亿美元。文章提出统一深度学习流水线,集成语义分割、基于回归的严重程度估计和病害分类,根据感染叶片面积比例将胁迫严重程度分为四档。在包含1641样本、六个类别的苹果树叶病害分割数据集上,采用MobileNetV2的U-Net表现最佳,像素准确率98.20%、mIoU 0.70、检测准确率99.41%、单张图像处理时间仅14.7毫秒,适合实时田间应用。计算出的严重程度指数与专家标注高度相关(r=0.968, R²=0.937),为自动化作物监测和决策支持提供可靠方案。[预印本]

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。

中国农业科学院农业资源与农业区划研究所智慧农业团队在光谱数据建模的可解释方法研究上取得重要进展。该研究以中国六个区域的猕猴桃为对象，结合高光谱技术和集成学习方法构建猕猴桃产地溯源模型，并利用可解释性人工智能方法对最优的溯源集成模型进行分层和整体解释，在提高产地溯源准确率的同时，深入理解光谱数据背后预测农产品产地的逻辑。博士生李佳利为第一作者，钱建平研究员和吴文斌研究员担任共同通讯作者。论文链接：https://doi.org/10.1016/j.aiia.2026.05.010

Levinkopf E、Morin E 与 Goldman CV 在 arXiv 提交预印本"Context-Aware Concept Distillation for Trustworthy Flood Prediction"（arXiv:2607.23237 [cs.LG]，2026-07-25提交）。研究面向公共安全高风险场景下深度学习"黑箱"阻碍信任与问责的难题，提出 Context-Aware Concept Distillation（CACD）框架，将 LSTM 蒸馏为可解释的水文学感知代理模型：通过无监督流程发现"水文学语言"，并用残差超网络（Residual Hypernetwork）根据静态流域特征动态调节这些概念。在全球 5,203 个流域上，模型中位 NSE 0.70，显著优于多层感知机等黑箱基线在未见过未来数据上的表现。