Artificial Intelligence-Based Crop Recommendation Using Soil and Climate Data: A Comprehensive Review of Machine Learning, Deep Learning, and Smart Agriculture Approaches
综述AI作物推荐研究，指出高准确率多源于数据与验证缺陷。
农业AI与大模型
人工智能算法、大模型与决策支持系统
技术筛选 · 已选 1 项
83 篇内容清除全部筛选
An optimized machine learning approach for reliable agronomic parameter prediction in precision farming systems
提出优化机器学习框架，用土壤环境数据预测农艺参数并分类菠菜生长阶段。
Zenodo (CERN European Organization for Nuclear Research)·9月30日 · 周三61 分 论文农业AI与大模型农业人工智能与决策模型2 个信源同时报道 阅读 2
High-Precision Crop Yield Prediction Model Combining GANs and Random Forest
结合GAN数据增强与随机森林，构建高精度作物产量预测模型。
Deep Learning-Based Weed Classification, Detection, and Segmentation in Precision Agriculture: a Bibliometric and Comprehensive Review
对精准农业中深度学习杂草分类、检测与分割研究进行文献计量与综述分析。
AgriSphere: A Smart Agriculture Framework Integrating IoT and Artificial Intelligence for Adaptive Crop Selection
提出IoT与AI融合框架，结合实时土壤数据与天气预报推荐适宜作物。
Comparative evaluation of classical machine learning and deep learning models for early weed detection in precision agriculture
对比经典机器学习与深度学习模型在精准农业早期杂草检测中的性能。
Hybrid explainable DeiT-based framework for plant disease classification and severity estimation
提出基于DeiT的混合可解释框架，实现植物病害分类与严重度估计。
An adaptive deep learning framework for multi-temporal crop and drought stress monitoring in precision agriculture
提出CNN+ViT混合深度学习框架，利用多时相Sentinel-2影像监测作物分类与干旱胁迫。
The use of artificial intelligence in agriculture: Global practice
综述2022-2026年AI在农业的应用趋势、成效与各国推广障碍。
An ensemble deep learning approach for soil pH classification leveraging GLCM-based texture features and neural networks
提出融合GLCM纹理特征与CNN的集成深度学习框架，实现土壤pH等级图像分类。
An Adaptive AI-DSS Framework for Real-Time Image Analysis and Decision-Making in Precision Agriculture
提出自适应AI决策支持系统，用轻量网络与特征优化实现精准农业实时图像分析与决策。
Intelligent Prediction of Spray Distribution and Hydraulic Behavior in an Automatic Spraying Machine for Precision Agriculture
用机器学习预测自动喷雾机的流量、喷幅、角度和重叠，实现精准农业。
Integrating Artificial Intelligence and IoT for Precision Farming: A Review of Agriculture 4.0 Technologies, Applications, and Challenges
综述AI与IoT在精准农业中的集成技术、应用与挑战，提出未来研究方向。
Zenodo (CERN European Organization for Nuclear Research)·9月3日 · 周四57 分 论文农业AI与大模型智慧农业 / 农业物联网2 个信源同时报道 阅读 1
Smart Agronomy: Emerging Technologies and Sustainable Practices
综述智能农学新兴技术与可持续实践，重点评述第13章未来农学趋势与挑战。
International Journal of Innovative Science and Research Technology (IJISRT)·8月29日 · 周六67 分 论文农业AI与大模型智慧农业 / 农业物联网阅读 2
Artificial Intelligence for Climate-Smart Agriculture: A Review of Applications in Yield Prediction, Weather Forecasting, Irrigation Management and Pest and Disease Detection
综述AI在气候智慧农业中的应用，涵盖产量预测、天气预报、灌溉管理和病虫害检测。
A Taxonomy of Machine Learning for UAV-Enabled Precision Agriculture: A Structured Survey (面向无人机赋能精准农业的机器学习方法分类:结构化综述)
MDPI AgriEngineering 2026, 8(6), 249。精准农业越来越依赖应用于无人机(UAV)采集的高分辨率数据的机器学习来支持作物监测、胁迫检测和产量预测。本综述提出了无人机赋能精准农业机器学习方法的结构化综述,在一个由感知模态、数据类型、模型家族和分析任务四个维度定义的统一分类法中组织100多项同行评议研究。该分类法能够在RGB、多光谱、高光谱、LiDAR和IoT数据源之间进行系统比较,并在经典机器学习、深度学习、混合顺序模型和新兴基于Transformer的架构之间进行系统比较。分析建模选择如何与数据特征相互作用以影响鲁棒性、跨环境泛化、计算效率和UAV及边缘平台上的部署可行性。识别新兴研究方向,包括数据高效学习、表示级多模态融合、域自适应、轻量级架构和不确定性感知决策支持。
AI in Agriculture: Breakthroughs, Challenges, and the Future of Farming (Artificial Intelligence in Agriculture, 2026-08-26) — 95项2021-2025研究系统综述
2026年8月26日发表于Elsevier期刊《Artificial Intelligence in Agriculture》的系统综述(PRISMA 2020框架),纳入2021—2025年95项同行评议研究:机器学习模型诊断植物病害准确率>99%,灌溉控制器提取88%水分利用效率,机器人能看、数、收作物。51.58%论文发表于Q1期刊,36.84%为Q2期刊,JCR影响因子2.2-14.0。主题分布:环境监测23.15%、温室控制与保护栽培21.05%、病虫害检测21.05%、水培16.84%、产量预测13.68%。方法学:经典机器学习25.26%、IoT/AIoT 22.11%、深度学习与计算机视觉13.68%。审稿人指出多数研究仅通过单地点单季节的train-test或k-fold交叉验证,缺乏独立外部验证,发布准确率可能高估实际适用性。[预印本边界说明:已发表于同行评审期刊]
精准农业中AI驱动方法应用于草莓生产的系统文献综述
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。
量子机器学习与经典方法在作物/杂草检测中的比较
比较CNN（经典基线）、量子支持向量分类器与变分量子分类器（VQC）在航拍田间作物-杂草区分任务中的表现。CNN测试峰值准确率约94%，QML为85%-89%；CNN推理速度约10ms/图像，量子模型为数百毫秒；QML模型可训练参数仅数十到上百个，远低于CNN的百万级。结论：经典深度学习仍是当前最可靠方案，QML随硬件/算法进步有望加速追赶。
UAV-Based Classification of Crop Phenological Stages Using Deep Learning(MDPI Drones 2026-08-17)
基于低空UAV RGB影像的作物物候期深度学习自动分类研究。利用11,489张向日葵、油菜、大豆、小麦和大麦图像,基于BBCH量表标注,采用预训练ResNet18通过迁移学习适应任务。两阶段训练:先冻结骨干优化分类头,再微调整个网络。油菜和大麦测试准确率100%,其他作物均超过99%,平均准确率达99.73%。结果支持低空UAV影像与深度学习在精准农业中选择性区域物候评估的潜力,但广泛部署需要跨独立田块、季节、地区和调查条件的验证。