园艺作物

综述气候智慧型花卉生产策略，评估气候变化风险与综合适应措施。

集成Laravel与Android的IoT系统，实时监测温室水培小白菜的温湿度、光照和CO2。

综述无土精准农业技术，比较气雾培、水培和鱼菜共生，并分析智能农业趋势。

综述茶叶精准农业，整合驯化史与数字技术，提出三大未来重点。

提出MLP-ANN预测温室微气候并驱动自适应模糊控制器，实现预测性智能灌溉。

提出ResNet+GA+CNN混合模型，用苹果叶片图像检测病害并计算病斑面积占比。

提出MPFAN-AF模型，用多尺度并行卷积和注意力融合实现番茄叶片病害自动分类。

综述人工智能在蔬菜作物生产中的应用，涵盖监测、诊断、灌溉、产量预测与采收机器人。

基于景观指标与NDVI构建模型，对巴西塞拉多咖啡树生产潜力进行分级分类。

综述精准农业、智慧农业、生物技术、垂直农业与机器人自动化如何重塑未来粮食生产。

用双77GHz MIMO雷达在1m/s车速下重建葡萄藤行并估算产量，验证品种依赖性。

提出PSPE-UNet，用投影相似原型嵌入分割苹果叶片病害区域。

评估精准农业技术能否估算农林复合咖啡系统的环境变异，以支持可持续管理。

基于272名意大利葡萄种植者，用潜类别分析识别精准农业技术采纳意向的异质性群体。

提出YOLOv8+Inception-v4+XGBoost混合模型，实现番茄叶片病害精准检测与分类。

开发基于AI的无人机系统，用无监督算法从航拍图像估算果树高度和冠层体积。

原文标题:Application of Precision Agriculture and IoT-Based Smart Irrigation in Greenhouse Vegetable Production。作者:Zeeshan Ahmed、Muhammad Taimur Maqbool Muhammad、Abbas Khan Muhammad、Zain Ul Abideen、Abdul Haq。DOI: 10.63163/jpehss.v4i1.1226。该综述综合分析了精准农业(PA)和基于物联网(IoT)的智能灌溉在温室蔬菜生产中的集成,涉及土壤湿度、EC、pH、微气候监测器等物联网传感器与数据分析(AI/ML模型)及自动执行器在番茄、黄瓜、辣椒等作物实时资源管理中的整合。关键组件包括使用ZigBee/LoRa协议的无线传感器网络、低延迟边缘/雾计算和预测算法(如LSTM、SVM),可减少20-50%用水量,同时提高10-30%产量和养分效率。来自中国、欧洲和印度的案例展示了变量灌溉(VRI)和施肥系统的实际应用,实现高达40%的能源节约和最小化淋失。

原文标题:AI-Enabled IoT-Based Hydroponic Farming with Embedded Automation and Nutrient Prediction。作者:Jehangir Arshad、Fawad Azeem、Ayesha Butt、Maha Chaudhary、Rana Saad Safdar、M. Kamran Joyo、Izanoordina Ahmad、Prajoona Valsalan、Husham M. Ahmed(COMSATS University Islamabad等)。DOI: 10.3390/fi18090446。论文构建一个由Raspberry Pi控制、完全监测并持续评估的水培农业模拟器,采用多种传感器、数据管理与处理以及自动化环境调节。该智能水培系统采用双模型机器学习流水线:一个通过图像分析识别植物病害,另一个基于传感器数据评估植物营养水平。两个模型的数据通过云端数字孪生(DT)合并,实现远程访问并提供闭环控制,用于水培环境中的灌溉、营养剂量和所有环境因子管理。该研究展示了将物联网传感、机器学习和数字孪生模拟组合成可运行超物理系统来开发可扩展、数据驱动的精准农业解决方案的能力。

原文标题: AI-driven approaches in precision agriculture for strawberry production: A systematic literature review。作者: Effrosyni Bitakou、Svetlana Vujić et al.本文系统综述了人工智能在精准农业中应用于草莓生产的研究进展，覆盖机器学习、深度学习、计算机视觉与机器人等技术在草莓产量预测、果实品质分级、病虫害早期诊断、灌溉施肥精准调控、采收机器人等核心场景的应用。研究发现AI方法可显著提升草莓生产效率与资源利用率，但田间多站点外部验证仍不足，未来研究应进一步关注数据异质性、模型可解释性、田间部署成本与农户接受度。本文为草莓产业从传统经验种植向数据驱动智能生产转型提供路线图与未来研究方向。

精准农业视觉流水线下游任务(形态特征提取、生长监测、数字孪生同步)直接依赖检测框的几何质量,因此精确定位(而非单纯正确分类)成为关键性能因素。本研究提出方向对齐惩罚(DAP)作为辅助定位正则化项,在不修改检测器架构的情况下将独立加权的归一化中心位移项引入边界框回归目标。DAP-YOLOv8使[email protected]:0.95从51.69%提升至53.76%、[email protected]从80.03%提升至80.36%,在真实世界智能温室采集的牡蛎蘑菇数据集上重复种子实验进一步表明细粒度定位的提升在不同随机初始化下一致。