数字农业与前沿技术

开发深度学习模型在真实田间条件下检测并分类肯特芒果为三个出口等级，实现产量估计。

评估生长季内天气变量时间聚合粒度对水稻产量机器学习模型预测与可解释性的影响。

构建基于AI/ML的Web农业决策支持平台，为农民提供作物推荐、病害检测、天气与市场价格等服务。

提出分层跨模态时空注意力网络HCM-STAN，融合多源农业数据预测喜马拉雅山区苹果产量。

提出混合深度集成框架，融合CNN与LSTM并引入注意力机制，实现作物病害预测与气候韧性灾害管理。

提出Nightshade-SWIN框架，用Swin Transformer提升茄科多作物叶片病害分类

提出HSM-YOLO算法，在群养环境下检测羊爬跨行为及被爬跨母羊，用于发情监测。

Barley head detection using UAV imagery and YOLOv10。Precision Agriculture

提出无人机实时检测定位未出苗甘蓝幼苗的深度学习方法，准确率96.9%。

提出场景自适应动态路由视觉状态空间模块SADR-VSS，用于复杂田间轻量级农业目标检测。

提出改进YOLO 11n模型，实现棉花田间复杂遮挡环境下障碍物高精度检测。

第五届全球数字贸易博览会'数据要素治理与市场化交流'专场活动上,发布农业(种植)行业可信数据空间首批5个高价值场景和首批50个生态伙伴。中国水稻研究所、中国农业科学院茶叶研究所、杭州市数据局、浙江省数据集团等共同发布。空间已统筹接入公共、科研、产业、企业四类资源,汇聚涵盖水稻、茶、番茄、脐橙等近40个典型场景,贯通病虫害防治、金融服务等近20个领域。

中国农业科学院农业信息研究所科学数据研究室提出一种层次知识引导的枸杞害虫识别框架,有效解决真实农业场景下样本稀缺与类间混淆的双重挑战。相关研究成果发表在《人工智能的工程应用》(Engineering Applications of Artificial Intelligence)上。该研究依托长文本-图像检索模型,把专家撰写的长文本描述解析为粗、中、细三个语义层次,并与多尺度视觉特征实现精准跨模态对齐,为枸杞等特色作物的虫害智能监测与精准防控提供新的技术路径。

国家互联网信息办公室、农业农村部联合发布《中国数字乡村发展报告(2019—2025年)》。报告指出,七年来,智慧农业实现了'四个跨越',从'基础覆盖'到'深化赋能',从'试点探索'到'快速起步',从'点状突破'到'系统推进',从'盆景'走向'风景'。截至2025年底,农村地区互联网普及率达69.5%,较2018年底提升31.1个百分点。报告全面展示我国借助数字技术推动农业与乡村治理数智化转型的经验。

综述深度学习在植物病害检测中的应用，涵盖CNN、混合Transformer、注意力机制与生成式数据增

综述人工智能在生物技术各领域的应用现状、工具、挑战与未来方向。

综述85篇精准农业本体论文，发现数据、本体和代码可复现率极低。

提出PEAS-DeiT模型，将多尺度空间注意力融入DeiT，实现豌豆叶片病害分类。

整合地球观测与随机森林模型评估尼泊尔Rasuwa地区森林火灾风险。

融合野猪碰撞数据与卫星视觉模型，预测法国野猪栖息地适宜性及其时空驱动因素。