关键词 · 相关资讯与研究
沿着“可解释模型”继续探索，共 1 条内容。
Explainable machine learning identifies the structural drivers of pistachio yield under commercial production。Smart Agricultural Technology
研究用可解释机器学习识别商业生产条件下开心果产量的结构性驱动因子，可为果园变量管理与产量预测提供方法参考，但结论基于特定产区数据，外推需谨慎。
综述大语言模型可解释性技术SHAP、LIME与注意力框架及其在敏感领域的应用。
用可解释机器学习预测中国北方落叶松林单木未来生长。
提出可解释多学科AI框架，融合预测、XAI与多准则决策支持可持续决策。
新疆农业大学热孜燕瓦卡斯教授团队在《智慧农业(中英文)》2026年第3期发表论文,基于2015—2023年中国省级面板数据,采用层次分析法与熵权法相结合的组合赋权方式构建智慧农业发展综合评价指数并进行地形与主导产业校正。研究发现:(1)智慧农业呈现梯度发展格局,区域间增长动力与智慧化水平存在系统性错配;(2)核心驱动机制在于数据要素与农业物质资本的结构性互补,二者协同效应显著;技术资本发挥关键中介作用且促进作用具有非线性门槛特征;(3)空间上以竞争效应为主导:产业结构相似省份间呈现明显的虹吸效应;数据-资本协同模式具有正向空间溢出性。
原文标题: Artificial Intelligence Empowering Modern Agricultural Biological Breeding。作者: 徐启玉、郑波、钟上威（北京大学现代农业研究院、潍坊市科技创新促进中心、北京大学生命科学学院）。DOI: 10.12133/j.smartag.SA202602016。本文系统探究AI驱动植物育种范式变革的底层逻辑，梳理智慧育种的代际演变及其在表型解析、基因组预测和分子设计等关键环节的技术进展，并深入探讨育种大模型对育种全流程的重构作用，以期为中国种业科技实现自立自强提供理论参考。重点阐述AI在种质资源高效挖掘、高通量表型精准解析、全基因组选择模型预测及分子设计育种等关键环节的技术逻辑与实证案例，并针对跨学科数据壁垒、深度学习算法的可解释性不足、复杂变动环境下的模型泛化能力弱等核心挑战进行了深入分析。
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
锚定十五五规划和2026年中央一号文件关于实施数字乡村高质量发展行动的部署,中国数字乡村建设从基础网络全面铺开转入数字应用深度整合的关键窗口期。文章构建条件变量-DOPP框架,通过产业基础、政府数字能力、社会资本活力三个条件变量分析模式分化机理,提炼驱动力量、目标、推进路径、现实局限四个维度。研究总结出中国三类典型模式——浙江治理先行型整体智治模式、寿光技术密集型产业赋能模式、淘宝村市场内生型平台驱动模式,并比较欧盟社区内生型、韩国政府引导型、日本产学研协同型模式,提出差异化推进机制、农业数据要素市场化、农民数字素养提升、中介组织培育、数字包容性评价五维政策建议。
研究整合可持续转型理论和数字治理理论,将数字治理概念化为数据驱动的社会技术机制,构建地方政府、银行和小农户之间的三方演化博弈模型。研究纳入数字监管强度、数字服务水平和基于数据的信用增强系数,捕捉监管-服务-金融(RSF)协同。基于安徽全椒县 RCS 产业数据(约 16000 户农户,户均经营面积 30 亩,智能监测预警准确率超 80%)的数值模拟显示:RSF 协同是驱动机制,孤立的干预措施效果有限;治理策略呈现区域异质性。
