农业AI与大模型

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。

综述AI在生物炭改良酸性土壤中的应用，指出数据缺口并提出改进方向。

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。

提出结合IoT、机器学习和边缘计算的智能灌溉系统，优化用水并提高作物产量。

综述AI与数字传感在土壤结构多尺度观测到决策中的应用。

提出深度学习框架，非侵入性量化活体肉鸡翅膀和脚部表型。

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。

MDPI Agriculture 2026, 16(17), 1826, 2026年8月26日发表。江苏大学低空技术学院与电气信息工程学院联合综述,提出从低级数据增强和静态空间认知再到高级动态时空推理的渐进分析框架。气候变化、土地退化和资源稀缺驱动精准农业成为确保全球粮食安全的战略必然。传统人工检查主观且不可扩展;计算机视觉为精准作物和牲畜管理提供非侵入式解决方案,但在农业实际场景中的应用面临严重遮挡、光照剧变和生物目标非刚性形变等特定挑战。深度学习已成为克服这些限制的主流范式,CNN、Vision Transformers (ViTs)和Graph Neural Networks (GNNs)等架构学习海量数据中的自适应层次表示。识别四个优先研究方向:架构效率、数据级标注效率、部署级隐私和仿真、信任级安全。

中国作者团队发布1 亿参数红外光谱基础模型 UltraIR,基于约 6,000 万模拟光谱预训练并融合谱图重建、分子指纹对齐与官能团预测;在官能团预测、混合物定量、细菌分类、药材产地鉴别、微塑料分类及土壤属性预测等任务上均超越传统机器学习与任务专用深度学习,少样本与跨实验室零样本迁移能力显著,为农业土壤属性检测、药材溯源与农产品品质化学感知提供数据高效新路径。[预印本,未经同行评审]