水稻

本文针对精准农业中纯图像模型难以表征季节性上下文的问题,提出时序感知晚期融合(TALF)模型,通过CNN分支编码图像特征、MLP编码上下文特征,仅在回归头合并两条流。相对湿度、风速、累积时间作为上下文输入,在多季节公开水稻苗数据集上,MAE降至0.031(图像单一基线0.1455,早期融合0.0890),容差精准度达94.9%。结果表明,天气与时间上下文能显著提升无人机图像的水稻生长速率预测,图像与表格编码器分离至最后层的晚期融合设计具有竞争力。原文标题:Time-Aware Late Fusion for Multimodal Rice Growth-Rate Prediction from UAV Imagery and Weather Context,作者:Elhadi A O、Darwish S M、Mahdi M A(埃及Zagazig大学/Alexandria大学),发表于MDPI Computers 2026年第15卷第8期523。

针对水稻田间病虫害监测效率低、施药粗放等问题,文章提出一种改进YOLO模型与无人机组群协同的一体化解决方案。研究通过引入CBAM注意力机制、优化特征融合结构及改进损失函数,提升复杂背景下小目标病虫害检测精度;构建基于栅格划分的无人机组群监测系统,结合5G通信实现田间实时数据传输与智能决策。研究将传统粗放施药模式升级为基于监测数据的精准靶向施药,有效减少农药使用量与人工成本,显著提升防治效率和作业精度,为水稻病虫害智能监测与精准施药提供一体化技术方案,推动植保作业向智能化、精准化方向转型升级。

原文题名：Bridging Agronomic Science and Context Specific Farm-Level Advisory through Generative AI for Rice Systems in India。论文综述生成式AI、知识图谱、作物模拟器、卫星与无人机影像结合的农技咨询路径，强调专业语料、数据主权、基础设施和“人在回路”是可靠落地的前提。研究对象主要为印度水稻系统，属于综述和框架讨论，未提供统一田间效果验证。