人工智能算法、大模型与决策支持系统
综述深度学习在植物病害检测中的应用，涵盖CNN、混合Transformer、注意力机制与生成式数据增
综述人工智能在生物技术各领域的应用现状、工具、挑战与未来方向。
综述85篇精准农业本体论文，发现数据、本体和代码可复现率极低。
提出PEAS-DeiT模型，将多尺度空间注意力融入DeiT，实现豌豆叶片病害分类。
整合地球观测与随机森林模型评估尼泊尔Rasuwa地区森林火灾风险。
融合野猪碰撞数据与卫星视觉模型，预测法国野猪栖息地适宜性及其时空驱动因素。
综述了基于YOLO的叶片病害检测的演进、任务适配与部署挑战。
比较手工特征、深度迁移学习和量子兼容分类器对三个地区榛子图像的分类性能。
融合三种CNN深度特征与集成学习，实现田间马铃薯叶片七类病害分类。
提出可解释深度学习框架CPSA-RIPD-CSTGCN，实现智慧农业中害虫实时检测。
提出GODL算法，融合地理空间信息与深度学习，结合AI和IoT提升作物产量预测精度。
提出一种基于无人机多光谱时序影像的深度学习混合模型，实现苹果黑星病和葡萄霉病的早期检测与分割。
该研究利用叶绿素荧光成像与深度学习识别小麦白粉病并分级。
比较三种深度学习模型检测橙子病害，并用RISE提升可解释性。
提出联邦学习结合改进EfficientNet-Lite4的水稻叶片病害检测框架，兼顾隐私与精度。
基于CropIntel数据集，用15+种机器学习算法实现作物分类、灌溉需求预测与产量潜力预测。
综述轻量化AI方法，并以农业监测机器人为例，提出相机+轻量YOLO+Jetson+单片机的嵌入式部署
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。
提出GLC-Net，用全局-局部动量对比学习与关键特征校准提升田间植物病害识别。
用UNet++分割苹果病叶并融合多种CNN与ViT分类，实现98.85%识别准确率。