数字农业与前沿技术

提出一套无人机高光谱结合AI的干旱区土壤有机碳制图标准化试点方案。

结合遥感、GIS与人工神经网络评估印度喜马拉雅地区农林复合系统的空间适宜性与气候韧性。

构建规则驱动农业景观功能分区指数，并用多模态融合深度学习实现自动预测。

综述深度学习多源遥感图像融合方法、挑战与未来方向。

提出CNN-Transformer-LSTM混合框架，实现棉花叶片病害自动识别。

用CNN对植物叶片病害进行自动识别，在基准数据集上取得92%准确率。

揭示AI并非云端无形，而是依赖电力、水和关键矿产的实体基础设施，并以印度为例探讨可持续创新。

开发实时AI农业机器人，集成植物病害检测与地理参考土壤湿度分析。

提出基于堆叠集成学习的灌溉泵ON/OFF预测框架，用物联网传感器数据实现智能灌溉控制。

提出量子启发多目标优化网络Q-AQUAOptNet，实现水产养殖水质实时预测。

提出基于YOLOv8-MHSA与SAM的网页系统，实现苹果叶片病害多感染阶段实时检测与分级。

Field-scale prediction and spatial mapping of tractor tractive efficiency in tillage operations using machine learning。Precision Agriculture

提出多教师在线自适应与多模态增强框架，提升作物病害实时检测模型在动态环境下的鲁棒性。

综述无人机遥感在作物倒伏监测中的技术流程、传感器与分析模型。

安徽农业大学团队发布跨物种基因-表型预测深度学习工具Crop-GPA 2.0，并在水稻、玉米、小麦中

在暗箱中评估多光谱葡萄品质分级预测，并比较三种光照补偿方法。

综述精准农业、AI、基因编辑、无人机、物联网等新兴技术如何重塑未来农业。

提出AI驱动的无线供电三层架构，优化大规模IoT设备能量传输与分配。

用深度学习结合大规模环境数据预测县域大豆产量，并对比多种网络架构与传统模型。

用无人机多传感器遥感结合AutoML预测冬小麦水分含量。