智慧农业 机器学习

用无人机高光谱结合Stacking集成模型实现湿度干扰下的土壤盐度制图。

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。

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。

综述遥感与机器学习在可持续农业中的应用现状与前景。

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。

该论文评估了测量噪声对NARX机器学习模型估算根区土壤水分动态精度的影响。

系统综述AI、机器学习与深度学习的概念、方法、应用及伦理挑战。

用随机森林结合Sentinel-2与Sentinel-1纹理特征，绘制澳洲原生草地C3/C4草覆盖度

用多模态遥感与机器学习预测印度锡金高降雨区表层土壤水分。

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。

Modeling Water Quality Parameters in Laga Dadi Reservoir, Ethiopia: An Integrated Remote Sensing and Machine Learning Approach。Research Square

评估三种机器学习模型在厄瓜多尔农场级玉米产量预测中的空间可迁移性。

系统综述遥感估产方法，分类传感器、平台、建模与机器学习，指出深度学习性能最优。

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。

综述提出智能生物传感生态系统，融合纳米材料、化学计量学、机器学习与物联网，实现精准分析。

综述将精准农业采前数据与光谱、同位素分析结合，构建从农场到餐桌的食品溯源与真伪鉴别框架。

研究利用多传感器模拟光谱和三维指数，结合GA-BPNN，分物候期估算黄花菜土壤全氮，提高精度。

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。

研究AI在尼日利亚西南部土壤肥力评估和作物产量预测中的应用，发现随机森林模型表现最佳。

用机器学习基于生产和繁殖数据预测奶牛总泌乳量，Extra Trees表现最佳。

提出地表反射率校准方法，结合机器学习与双源像素分解，提高半干旱区玉米蒸散发估算精度。

通过数据同化整合卫星遥感与WOFOST模型，提高夏玉米产量估算精度。

综述小农户精准养分管理技术，分析其适用性、经济可行性与采纳障碍。

提出AI框架，结合机器学习与天气分析，推荐作物并预测产量。

用机器学习将SMAP土壤水分降尺度至1km，评估匈牙利农业干旱。

提出基于线性光谱混合分析和随机森林的作物残茬覆盖度遥感估算方法，应用于华北平原。

提出智能作物推荐系统，结合AI与实时天气，推荐作物并检测病害。

Estimation of Agricultural Vegetation Water Stress Using Feature-Optimized Remote Sensing and Ensemble Machine Learning。Smart Agricultural Technology

提出基于HYDRA字典方法的机器学习框架，结合物候特征预测玉米产量。

用机器学习集成方法预测作物产量，比较七种回归算法，发现Bagging效果最佳。

用机器学习代理模型预测多样化轮作对SOC和N2O的影响，识别气候智能管理区域。

提出基于树干半径和径向生长率的机器学习模型，实现多树种年龄估算。

提出可解释机器学习框架，同时预测土壤质地和含水量，提升模型透明度和可信度。

基于无人机多模态遥感数据，构建综合高光效表型指数并精准估算，用于小麦育种材料筛选。

综述遥感与机器学习在印度园艺作物精准管理中的应用，涵盖原理、方法、案例与挑战。

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。

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。