#论文

研究AI决策支持系统对多行业决策效果的影响，发现使用越多效果越好。

检索提交摘要，确认其中没有关于Rashba自旋轨道耦合、绕数或莫比乌斯动量空间拓扑的研究。

用TOPSIS多准则决策系统评估20名学生的职业准备度并排序分类。

提出TEKNO多准则决策方法，统一归一化、加权与优化，实现稳定排序。

分析墨西哥托卢卡谷MODIS AOD与地面PM2.5的时空相关性及气象影响。

分析巴西圣保罗两都市区NDVI与PM10、PM2.5、NO2的时空关联。

评估卢旺达Kamonyi区人为活动对土地利用/覆盖变化的影响，发现建设用地增加、植被减少。

开发富含树莓果泥和黑胡萝卜浓缩物的果冻糖果，研究基质组成和包装材料对品质的影响。

Remote sensing and Community perception evidences on the Impacts of land use/cover change on natural resources in Rungwe Volcanic Province in Tanzania。Research Square

探讨儿科传染病领域通过数字转型实现One Health，连接人类、动物与环境健康。

探讨产权话语如何被右翼运动利用，将农业政策争议转化为生存冲突。

北京市智慧农业创新团队柴秀娟研究员团队提出基于VR的专家经验捕获与行为建模框架，融合高保真虚拟环境与人类作业动作知识，显著提升机器人在复杂农业场景中的自主决策能力，相关成果入选 IJCAI 2026 国际人工智能联合会议并将在德国会议期间进行现场展示，也是中国智慧农业团队在国际 AI 顶会上的重要亮相。技术上，机器人先用RGB-D相机高精度扫描真实温室，在Unity引擎中利用视觉感知与3D建模算法重建番茄空间分布及果实成熟度信息；专家知识虚拟化方面，多位专家穿戴27节点高精度动捕设备+VR头盔在高保真虚拟温室中执行多种难度采摘任务；机器人行为智能化方面，用高质量专家数据训练多任务强化学习模型，再通过逆运动学算法将人类动作映射到机械臂运动空间。综合评估显示该"专家数据驱动"方法在收获效率、避障能力、任务成功率、运行稳定性等核心指标显著优于现有主流方法，特别在遮挡严重、果穗密集场景下表现出接近人类专家的适应性与低损伤率（注：目前以番茄采摘为验证场景）。

《华南农业大学学报》"智慧农业关键技术"专题征稿优先发表栏目 2026-07-24 收录"基于数据、算法和应用多层协同的大豆智慧育种研究进展与展望"（DOI: 10.7671/j.issn.1001-411X.202606026）。大豆是兼具粮食、油料和饲用价值的战略作物，长期受单产提升缓慢与遗传基础狭窄制约。文章围绕数据层、算法层和应用层梳理大豆智慧育种研究进展，分析数据向算法传递、算法向应用转化、应用向数据回流中的主要障碍，归纳数据、算法、应用、平台与治理5个方面关键挑战，提出未来工作应补齐层间衔接断点，使预测、验证和数据回流进入常态化流程，并将评价标尺由模型预测精度转向实际实现的遗传增益。

Levinkopf E、Morin E 与 Goldman CV 在 arXiv 提交预印本"Context-Aware Concept Distillation for Trustworthy Flood Prediction"（arXiv:2607.23237 [cs.LG]，2026-07-25提交）。研究面向公共安全高风险场景下深度学习"黑箱"阻碍信任与问责的难题，提出 Context-Aware Concept Distillation（CACD）框架，将 LSTM 蒸馏为可解释的水文学感知代理模型：通过无监督流程发现"水文学语言"，并用残差超网络（Residual Hypernetwork）根据静态流域特征动态调节这些概念。在全球 5,203 个流域上，模型中位 NSE 0.70，显著优于多层感知机等黑箱基线在未见过未来数据上的表现。

Hagbe JTM、Gounou GK 与 Zimé SK 在 arXiv 提交预印本"Safety-Aware Cascaded Inference for Crop Damage Assessment with Controlled Error Trade-offs"（arXiv:2607.25468 [cs.CV]，2026-07-28提交）。针对基于图像的农业保险中漏检成本远高于误报的非对称代价结构，提出 CascadeCropNet 两阶段级联架构：通过阈值选择满足目标召回约束（Rec-Damaged ≥ 0.95），轻量 Sentinel 模型先做二分类健康分诊，超过损伤概率阈值 τ 的样本升级到专家 Expert 模型做精细诊断。在 Eyes on the Ground 数据集（肯尼亚小农户玉米田 23,804 张图像）上，τ=0.5 时 Rec-Damaged 达 0.974，相对单模型基线漏检减少最多54%。注：该方法可靠性取决于阈值与部署条件，并非任意分布漂移下的绝对保证。

Mustafa MS（卡拉比克大学计算机工程系）与Kutucu H（土耳其）在Frontiers in Sustainable Food Systems发表的原创研究"Enhancing Water Management with Intelligent Irrigation Systems Using Edge Computing, Machine Learning and IoT"于2026-07-28接受。针对农业占全球淡水取用量约70%、传统灌溉水耗大、效率低的现实，研究构建将物联网、机器学习与边缘计算融合的智能灌溉系统：物联网传感器和边缘设备实时采集环境数据并估算灌溉需求，机器学习模型与土壤监测单元（SMU）和水管理单元（WMU）协同，在边缘本地部署实现可扩展、实时、高效灌溉管理。研究比较决策树（DT）、随机森林（RF）、支持向量机（SVM）、K近邻（KNN）、随机梯度下降（SGD）和多层感知机（MLP）六种监督学习模型，其中决策树和随机森林分类准确率达93%、R²回归得分0.98，显著优于SVM（准确率58%、R²=0.18），为不同农业场景下水资源高效管理提供可复用方案。原文：Enhancing Water Management with Intelligent Irrigation Systems Using Edge Computing, Machine Learning and IoT

论文提出Persona-as-Configuration生成式报告框架，针对农业洪涝灾害场景中需要同时向农民、地方政府、保险公司、应急管理部门等多类利益相关方传递差异化信息的痛点。框架通过将利益相关方的需求特征参数化配置，结合大语言模型生成定制化、结构化的灾害报告文本，提高沟通效率与决策支持效果。

研究提出基于自监督3D卷积自编码器（3D-CAE）的时空胁迫网络STS-NET，利用Planetscope高分辨率影像的NDVI、GNDVI、RECI和NDRE四种植被指数进行作物胁迫检测。模型在Barnala时空（BSPT）数据集训练，并在印度北方邦Lakhimpur-Kheri地区2.5英亩甘蔗试验田的真实数据集（一年期）上评估。STS-NET在水胁迫检测上达到97.98%精度、氮胁迫85.08%精度、复合胁迫83.47%精度。结果表明该网络能以最少标注数据有效检测甘蔗作物胁迫，并可作为简单模型的稳健特征提取器。

Agri-SAGE是一个闭环框架，旨在通过将检索增强的多智能体LLM推理与基于APSIM的生物物理模拟相结合，生成并验证农艺建议，从而解决静态农艺指南"对季节内变化和动态不确定性视而不见"以及LLM驱动咨询系统"生成农艺上可信但生理上不可信的建议"两个核心矛盾。研究评估了三种推理方法——规划与求解、思维树和反思法，进行了为期10年的回顾性分析。结果显示三种推理方法均优于静态基线，其中思维树实现最高产量，反思法以较低计算成本达到相当效果。

基于Sentinel-2光学影像的早期甜菜产量预测研究。通过紧耦合领域知识与机器学习，使用极小Vision Transformer patch size与全部Sentinel-2谱段，提升了模型表现。研究通过调整训练设置与基于排名的低产田检测方法，能在生长周期早期识别出大量低产田，为精准农业田间管理提供早期决策依据。