农业AI与大模型

原文：Radiomics-driven and explainable machine learning for rapid characterization of Fusarium wilt and Black Sigatoka in banana crops。研究于2026年7月28日发表，聚焦利用影像组学和可解释机器学习快速表征香蕉枯萎病与黑斑病，属于作物病害智能识别方向。当前公开检索摘要未呈现完整实验细节，故不对模型精度作额外推断。

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。

印度 Nagarjuna College of Engineering and Technology 的 Abeed K Attar 等提出 Smart Agriculture Assistant 综合 AI 驱动决策支持系统，集作物推荐、产量预测、肥料优化和市场价格预测于一体。系统利用 Random Forest、XGBoost、CatBoost、LSTM 和 SHAP 等多种机器学习算法分析 Kaggle 和 Agmarknet 收集的农业和市场数据集。框架处理土壤养分（N、P、K）、pH、温度、湿度、降雨量、作物特征和历史市场价格数据，为农民生成智能推荐和预测洞察。实验评估表明，所提出的混合框架达到 99% 的准确率，优于传统机器学习模型。

Smart Agricultural Technology 第14卷（2026年8月）论文已陆续上线：（1）AI-driven approaches in precision agriculture for strawberry production 系统综述（DOI:10.1016/j.atech.2026.101944）；（2）Development of a computer vision-aided lameness detection system for dairy cattle（DOI:10.1016/j.atech.2026.101952）；（3）YOLO-EHS: lightweight deep learning framework for Xinmei detection and Multi-scale integration in orchard（DOI:10.1016/j.atech.2026.101946）；（4）Coupled DEM-MBD analysis and experimental investigation of a dragon fruit end-effector（DOI:10.1016/j.atech.2026.101943）等。涵盖精准农业、奶牛跛行检测、新梅检测、火龙果末端执行器、轻量化生菜预测框架、烟叶烘烤自适应决策支持系统等多个主题。

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。

华中农业大学张纾、武汉邮电科学研究院王立强、长江工程职业技术学院王猛系统综述端到端自动驾驶技术在农业非结构化环境下的理论适应性与应用场景。深入分析农业环境的动态变异性、导航参考缺失及作业任务精度要求高特征与挑战；解析精准导航、三维空间作业路径规划、复杂环境适应与群体智能协调等方面的实现路径与技术优势；并前瞻性地展望该技术与多模态大模型、农艺知识图谱的深度融合趋势。

裘佳颖、刘应昌、高星杰、黄远、张红雨、田芳、李万理、冯在文提出端到端工具增强型大模型智能体系统架构AgriAgent:通过知识检索与工具调用闭环,在农业场景下实现"环境感知-动态决策-执行反馈"的全周期闭环控制。实验表明,番茄产量分别提升926.20%、979.55%、1537.46%(三种配置);卷心菜产量分别提升501.67%、504.65%、1185.14%;当参数量达7B时智能体展现卓越的灵活性与适应性,能解决大部分复杂农业生产决策问题,基于DSSAT作物生长模型构建农业评测平台。

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。

刘浩然、王宇、赵学观、吴华瑞、付豪、庞树杰、翟长远(北京市农林科学院智能装备技术研究中心/国家农业智能装备工程技术研究中心)针对枝叶遮挡下田间胡萝卜苗精准识别难题,提出基于改进YOLOv11s的轻量化检测方法CD-YOLO:将主干网络部分标准卷积替换为深度可分离卷积降低模型复杂度,在C3k2模块引入高效多尺度注意力机制EMA构建C3k2_EMA模块增强关键特征动态感知,采用动态检测头强化多尺度特征融合与感知,显著提升检测鲁棒性。

中国农业科学院与华为云联合打造的'农科发现大模型'作为智慧农业板块唯一入选WAIC《人工智能高价值场景应用案例集》的案例,标志着我国农业生物育种踏上从'经验试错'迈向'智能创制'的新征程。

Anusree Manoj, Aiswarya S. Kumar, S. Remya, Somula Ramasubbareddy, Yong Yun Cho提出一种面向农业数字孪生系统的深度学习感知框架,涵盖杂草物种分类、语义分割和基于梯度的视觉可解释性分析。

基于Sentinel-2光学影像的早期甜菜产量预测研究。通过紧耦合领域知识与机器学习，使用极小Vision Transformer patch size与全部Sentinel-2谱段，提升了模型表现。研究通过调整训练设置与基于排名的低产田检测方法，能在生长周期早期识别出大量低产田，为精准农业田间管理提供早期决策依据。