#Frontiers in Insect Science

2026年8月5日《Frontiers in Plant Science》上线的研究提出PestRefineDet——一种基于深度学习的精准害虫检测与分类框架,将DenseNet-41与RefineDet集成。DenseNet-41作为骨干网络通过密集连接增强特征提取,有效学习细粒度害虫特征,提取的特征由单阶段RefineDet框架处理实现害虫同时定位与分类。该框架在具有挑战性的IP102基准数据集上评估,实现平均精度(mAP@0.5)83.61%,在保持计算效率的同时提供对多种害虫物种的准确定位与可靠分类,为自动化农业害虫监测提供前景广阔的解决方案,有望支持智能和可持续害虫管理应用。

Entomopathogenic nematode recent applications in precision agriculture: Methods, challenges, and future perspectives。Journal of Invertebrate Pathology

Frontiers in Sustainable Food Systems 2026年8月28日接收(7月14日投稿)。以中国农村电商(RE)发展为案例,分析数字经济对农村收入不平等(RII)的影响及其机制。研究发现:RE发展提高农民收入但扩大收入不平等差距,高收入农民从RE的收入创造效应中受益更多,在农业和非农业部门都扩大了高低收入农户之间的收入差距。改善农村公路和宽带基础设施、选拔具有外出工作经验的更高教育水平的村管理者、升级家庭网络条件、为低收入农民提供数字技能培训可缓解RE对RII的扩大效应。

综述功能生物多样性、昆虫微生物组与天敌的互作，提出整合式生物防治框架。

原文：Automated Detection and Counting of Redbanded Stink Bugs in Soybean Using an Improved Computer Vision Model。研究使用2281张田间图像训练YOLOv8变体，加入注意力模块和自适应空间特征融合后，最佳模型精确率96.30%、召回率76.40%、F1值85.20%，mAP50为82.00%。成果可辅助大豆害虫监测，但数据集与部署环境仍限制外推。

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

该研究实证分析数字经济对中国农业经济韧性的赋能作用,基于中国省级面板数据,发现数字经济通过提升农业生产效率、促进农业产业链延伸、增强风险应对能力等机制,显著提升农业经济韧性。

综述草地贪夜蛾抗药性机制与全球趋势，提出多学科综合抗性治理框架。