#LightGBM

针对胡麻倒伏区域识别难题，研究构建改进YOLOv11n-seg模型。改进后的模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。该方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。

提出轻量级WheatNet网络，实现复杂麦田麦苗检测与计数。

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

用四种机器学习模型基于39个玉米基因型盐胁迫发芽数据预测幼苗活力指数SVI。

谢俊华、王森、杨其长(中国农业科学院都市农业研究所)针对植物工厂长期受高资本投入、高电力依赖和市场价值实现不足约束的问题,以公开数据较充分的植物工厂生菜原型为研究对象,构建作物、控制、能源及市场耦合的经济脆弱性诊断框架,并在国内情景下设置27个确定性情景。研究表明,27个情景中仅有5个实现正利润(占比18.5%);常规电网型与高值直供市场基准比较情景下,控制成熟度由基础控制提升至闭环智能后利润由-258.36增至518.04元/(m2·年),跨越盈亏平衡点,改善幅度是原亏损额的3倍左右。

用丹麦十年田块数据识别轮作模式并预测年度作物选择。

提出轻量级单阶段遥感目标检测器GFLNet，兼顾精度与实时性。

提出BAT-MG Net，用不确定性量化预测微生物浓度并提前识别隐形腐败风险。