大田作物

开发了BioIMA桌面工具，实现生物图像表型标准化自动提取，无需训练模型。

研究沙特AI采用与粮食安全、水资源效率的动态关系，发现AI提升短期粮食安全与工业用水效率。

提出过程信息神经网络AgriPINN，嵌入作物生长方程，提升水分胁迫下生物量预测精度与可解释性。

提出物理-数据融合框架POSNH，用于花生冠层氮素含量遥感监测，降低样本依赖并提高泛化能力。

近日，中国农业科学院农业环境与可持续发展研究所智慧气象与农业气候资源利用创新团队提出塑性感知基因组选择框架，实现了跨环境小麦基因组预测与育种资源高效配置。科研团队以重组自交系群体为材料，在 8 个环境中调查产量、千粒重、穗粒数、穗数和株高。研究发现仅使用 50% 基因型在 3 个环境中的表型数据，株高、穗粒数和千粒重的预测准确度即可分别达到 0.70、0.54 和 0.59，显示出减少试验规模的潜力。该研究得到国家重点研发计划、国家自然科学基金等项目支持。

9 月 4 日，"神农育种 Studio"正式发布，把原本分散的研究环节自动串联起来。育种人员用自然语言提出目标，Studio 先识别任务所需的数据、模型和软件，再按需调用相应工具，完成资料检索、亲本筛选、品系评价、多环境试验分析等任务。支撑平台运行的是团队多年积累的农业知识、生产数据和育种模型。神农大模型的数据底座已汇集超过 1000 万条农业知识图谱数据、超过 5000 万条农业生产数据。过去设计一套小麦育种方案需投入 10 人月，借助 Studio 可降至 0.5 人月，效率提升约 20 倍。

用离散元法研究大豆脱粒的相互作用机制并优化操作参数。

提出从逐帧检测到实例级跟踪的作物行感知方法，用于水稻田自主导航。

部署并评估了全季大豆农场的智慧农业智能体系统FAIRY，实现全流程农艺操作。

中国农业大学土地科学与技术学院马韫韬教授团队围绕棉花关键生育时期的表型智能识别与量化分析，在 Computers and Electronics in Agriculture、Plant Phenomics 和 Precision Agriculture 等国际权威期刊上连续发表三篇研究论文，题目分别为 MS-R outperforms RGB: Lightweight CYOLO-BiCNet enables efficient detection and storage optimization of cotton flowers，Scalable phenotyping and yield estimation via stability index and single-plant variability using a vision-based large model framework 和 Assessing Cotton Boll-opening Concentration for Harvest Decision-making via Foundation Model-enhanced Cross-scale Phenotyping。

8 月 28 日中信集团首席科学家、隆平高科水稻首席科学家杨远柱研究员受邀莅临安徽省农业科学院水稻研究所开展学术交流。院党组书记、院长张正竹、副院长张磊出席学术报告会。杨远柱研究员以《分子育种技术助力突破性杂交水稻品种培育》为题作专题学术分享，指出随着基因编辑、全基因组选择、高通量自动化表型鉴定、人工智能等前沿技术不断迭代突破，我国作物育种体系正加速迈入 4.0 乃至 5.0 智能化育种新时代。

中国领先的农业全产业链数字化服务企业一亩田宣布沃来采 AI 智能体已实现全平台全量上线，日均 Token 消耗量突破 2 亿。买家端可全面收集采购需求并自动匹配货源、查询行情、比价议价、推进订金交易；卖家端可统一管理商品信息、对接采购需求；整体交易效率提升至少 50%。2026 产季其广东湛江数字化规模基地马铃薯整体产量提升超 20%；一亩田近期将推出"AI 店小二智能体"，以 AI 自动帮助商家接待客户、7×24 小时响应买家咨询。

中国农业大学副教授王耀君介绍：神农大模型数据底座已汇集超过 1000 万条农业知识图谱数据、超过 5000 万条农业生产数据；团队借助平台从数百个生菜品种中海选出"雁栖 1 号""雁栖 2 号"。9 月 4 日"神农育种 Studio"将正式发布——以设计一套小麦育种方案为例，过去需要投入 10 人月，借助 Studio 可降至 0.5 人月，资料检索、数据处理、模型计算和初步方案生成等原分散工作可由平台连续完成。北京将依托农业中关村核心区打造北京农业中关村智能育种创新基地。

提出改进的Transformer-KAN模型，基于多时相遥感数据实现高精度、可迁移的大豆种植区制图。

综述高光谱成像在小麦病害检测中的应用，涵盖方法、挑战与未来方向。

Explainable Deep Learning-Based Potato Leaf Disease Detection and Severity Assessment for Smart Agriculture in Bangladesh。Research Square

比较Swin Transformer与手工特征BPNN在玉米水分胁迫RGB图像分类中的表现，两者均达

提出双流状态空间框架，实现无人机玉米病害检测与产量预测的实时高效分析。

提出Diag-STFN网络，用于全球收获前玉米和小麦产量预测，在CY-Bench基准上取得最优性能。

系统综述2020-2026年玉米精准农业技术、应用与产量优化，纳入129项研究。