数字农业与前沿技术

提出边缘计算与深度学习结合的遥感图像分类方法，用改进3D CNN实现低延迟高精度土地覆盖识别。

评估地理空间基础模型嵌入在塞内加尔花生盆地小农作物分类中的性能、时序迁移性和可及性。

评估ET0与土壤湿度对机器学习估算实际蒸散的影响及可解释性。

提出利用日光诱导叶绿素荧光（SIF）遥感构建下一代农田作物管理观测策略。

系统盘点魁北克数字农业技术应用及其对可持续发展的贡献与知识空白。

A hybrid PCA and 1D-CNN approach with regional priors for accurate agricultural monitoring: a case study with EuroCropsML。Precision Agriculture

分析无人机与遥感农业术语从英语借入乌兹别克语的五种机制。

研究基于地面高光谱与机器学习反演水稻叶片铅含量，并探索跨尺度遥感监测的最优建模路径。

利用高分辨率卫星影像分析印度阿萨姆邦纳冈地区2015-2024年土地利用/覆盖变化。

综述植物生物指示与遥感结合用于土壤污染初步筛查的七个案例，提出污染-植被-遥感逻辑。

Non-destructive nitrogen estimation in pastures from UAV multispectral imagery using a heterogeneity-driven machine-learning framework。Precision Agriculture

提出CAPLA无人机点云融合方法，监测水盐胁迫下棉花叶倾角昼夜动态。

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。

基于GEE融合Sentinel-1/2监测2025年巴基斯坦旁遮普季风洪水双峰动态及农田暴露。

综述无人机图像小目标检测的深度学习研究，提出对称性视角与三层框架。

生成CHIME高光谱、LSTM热红外和ROSE-L L波段模拟数据集，为未来Sentinel扩展任务

提出融合AI、区块链、物联网与遥感的数字生命周期思维框架，用于食品系统可持续性评估。

黑龙江省农业科学院农业遥感与信息研究所所长郑妍妍介绍,黑龙江省农科院在人工智能+农业领域开展实践探索:依托大数据中心开展农业数据汇通管用全链条研究,构建长时间序列、多时空分辨率、覆盖寒地主要粮食作物全生育期的作物表型、土壤、气象、病虫害等于一体的寒地农业高质量数据体系。

用多时相Sentinel-2影像和机器学习预测印度Bandipur国家公园的森林侵占。