【目的/意义】 蔬菜品质安全与营养价值的实时无损检测是贯通“从田头到餐桌”全产业链的核心需求。光谱技术被视为是提高检测效率、降低成本、实现规模化的关键手段。本文通过概述光谱技术在蔬菜产业链各环节的应用以及分析发展方向，为该领域的研究者和从业者提供帮助。 【进展】 系统回顾了近年来近红外、拉曼、荧光、激光诱导击穿光谱（Laser-Induced Breakdown Spectroscopy, LIBS）及紫外-可见等光谱分析技术在蔬菜育种、种植管理、采收、储运、销售全链条的应用进展。硬件层面，小型化传感器配合智能手机、无人机及物联网实现田间原位监测；算法层面，偏最小二乘回归（Partial Least Squares Regression, PLSR）、卷积神经网络、迁移学习等模型使可溶性固形物（Soluble Solid Content, SSC）、农药残留、重金属等指标的预测R²普遍大于0.90，检测限低至mg/kg级；数据层面，多模态融合（LIBS-NIR、荧光-图像）显著提升了复杂基质下的鲁棒性；典型应用场景包括：表面增强拉曼光谱实现痕量农药现场筛查，叶绿素荧光实现采后品质动态追踪，LIBS完成土壤-蔬菜重金属迁移原位监测。 【结论/展望】 光谱技术在蔬菜产业已具备“单点验证”到“链式示范”跨越的技术基础，但仍受模型跨品种跨环境泛化能力、田间噪声干扰、设备成本及标准缺失等问题的制约。未来需构建覆盖多品种、多地域的开放光谱数据库，发展自校准、自适应的智能传感器，制定硬件接口与数据格式统一标准，并通过模块化、租赁式商业模式降低中小农户使用门槛，以推动光谱技术在蔬菜产业的大规模、可持续应用。

【目的/意义】 农林产品品质评估是保障食品安全和提高产品竞争力的核心环节，传统检测方法存在破坏样本、设备昂贵、适应性差等缺陷。近年来，光声光谱技术凭借非接触、高灵敏、多形态适应等特性，逐步应用于农林产品品质评估中，为突破农林产品内外品质同步检测提供新的解决方案。 【进展】 本文综述了光声光谱技术最新进展并探讨未来方向，旨在为相关领域研究者构建系统化的技术发展框架。目前，在硬件创新上，量子级联激光器与共振式光声池可显著提升光声光谱检测灵敏度。在方法应用方面，多频深度扫描技术实现了种子胚乳层与果蔬皮下组织的层析分析，提高了光声光谱对农林产品深度辨析的能力。在实际应用中，光声光谱技术已成功用于种子品质评估、果蔬品质检测、粮油成分分析和食品真实性与安全检测。 【结论/展望】 光声光谱技术在实际产业应用中仍面临样品异质性干扰、环境噪声抑制、多组分谱峰重叠、设备微型化等挑战。未来研究需着力开发融合多种感知技术的多模态传感系统以获取多维度信息；研制芯片化光声探测器，实现系统微型化与硬件成本降低；并构建基于迁移学习的小样本自适应模型，利用注意力机制解析多组分谱峰重叠问题，从而提升在果蔬谷物等复杂基质上的泛化检测能力。随着硬件成本下降和深度学习技术发展，光声光谱技术有望构建覆盖“田间采收-加工仓储-市场流通”的全链条检测方案，推动农林产品质量管控向智能化、标准化迈进，为产业升级提供关键技术支撑。

【目的/意义】 本文旨在系统综述多源数据融合技术在苹果无损检测领域的应用进展，通过整合光谱、电子鼻、图像等多模态数据及融合策略，为苹果品质控制、病害检测及产业智能化升级提供理论与技术支撑。 【进展】 首先，详细介绍了近红外光谱技术、高光谱成像技术、电子鼻技术、机器视觉技术和核磁共振技术五种主流无损检测技术，深入分析了各项技术的优势与适用场景。其次，重点剖析了数据级融合、特征级融合和决策级融合三种融合策略的技术原理与特点。在此基础上，全面阐述了多种数据融合技术的具体应用，包括光谱数据间的融合、光谱与电子鼻数据的融合，以及机器视觉与光谱数据的融合。最后，结合苹果产业实际需求，详细论述了这些融合技术在苹果品质参数（如脆度、可溶性固形物含量）检测、缺陷与病害（如瘀伤、霉心病）识别、品种鉴别，以及农药残留检测等关键场景中的创新应用进展。 【结论/展望】 多源数据融合技术能够显著提升苹果无损检测的准确性与可靠性，为苹果品质评价与质量控制提供了有效手段。然而，该技术仍面临数据异构性、模型复杂度高及检测设备便携性差等挑战。未来研究应聚焦开发自动融合平台以简化操作，优化轻量化算法提升实时性，设计集成多种检测技术的一体化设备，提高便携性与稳定性，拓展至生长监测和保鲜等新应用场景。随着算法和硬件的协同创新，该技术将为苹果产业智能化提供重要支撑，以促进苹果产业的智能化发展。

【目的/意义】 可见/近红外光谱（Visible/Near-Infrared Spectroscopy, Vis/NIRS）技术是一种有效评估沃柑品质的方法，然而沃柑作为一种多层厚皮水果，不同组织层的光学特性（Optical Properties, OPs）会对品质评价产生影响，因此本研究旨在利用蒙特卡罗方法模拟光在沃柑组织中的传播规律，来优化检测装置的配置。 【方法】 采用单积分球系统结合逆向加倍法测量了30个沃柑不同组织层（油胞层、海绵层和果肉组织）的光学参数，并结合基于体素的蒙特卡罗（Monte Carlo eXtreme, MCX）对光在沃柑组织内的传播进行模拟。 【结果和讨论】 光在沃柑组织内以吸收为主，透射的光子占比小于4.2%。随着光源检测器距离的增加，光在沃柑组织中的平均光程和光衰减增加，油胞层、海绵层和果肉组织对检测到信号的贡献率则分别为降低、降低和增加。此外，光学漫反射率随着光源检测器距离的增加而下降。基于模拟结果，建议沃柑品质检测装置的光源-探测器距离应设置在13~15 mm范围内，这一配置能够在确保果肉组织信号贡献率保持较高水平的同时，获得足够强的漫反射信号强度，从而提高检测精度和可靠性。 【结论】 本研究测量了沃柑组织的OPs，并研究了光在沃柑组织中的传播情况，为开发更精确的沃柑无损检测方法和设备提供了参考依据。

【目的/意义】 茶多酚是衡量茶叶品质的关键指标，实现茶鲜叶茶多酚含量快速无损检测对于保障茶叶品质至关重要。同时，实现不同茶叶品种和叶位的快速识别，能够有效指导茶叶生产。 【方法】 本研究联用可见/短波近红外光谱（400~1 050 nm）与长波近红外光谱（1 051~1 650 nm）技术研制一台茶鲜叶品质成分快速无损检测装置，采用多源数据融合（数据级和特征级融合）和机器学习算法，构建了不同茶叶品种、叶位和茶多酚含量快速检测模型。 【结果与讨论】 实验结果表明，不同茶树品种或不同叶位的茶多酚含量存在显著差异。相较于单一数据源，基于数据融合所建立的模型能有效提高预测性能，其中经过Savitzky-Golay卷积平滑预处理后结合特征级融合方法建立的偏最小二乘法判别分析模型（Partial Least Squares Discriminant Analysis, PLS-DA）对3个茶树品种和4个叶位识别的预测集准确率分别达到100%和87.93%。此外，基于数据级融合的一维卷积神经网络模型（One-Dimensional Convolutional Neural Network, 1D-CNN）对茶鲜叶茶多酚含量的预测决定系数（Predicted Coefficient of Determination, R²_P）、预测均方根误差（Root Mean Square Error of Prediction, RMSEP）和残差预测偏差（Residual Predictive Deviation, RPD）分别为0.802 0、0.636 8%和2.268 4，优于仅采用可见/短波近红外光谱和长波近红外光谱。 【结论】 该检测装置能够实现茶鲜叶茶多酚含量的快速检测，也能有效识别茶叶品种和叶位，为多源数据融合技术应用于指导茶叶生产加工提供新思路。

【目的/意义】 茯砖茶“金花”发花过程决定了茶叶品质、风味和功能。因而，建立一种快速、无损的茯砖茶发花品质检测方法，对提高质量控制与加工效率具有重要意义。 【方法】 通过采集茯砖茶发花过程中的可见-近红外与近红外范围的高光谱图像，测定发花过程的含水率、游离氨基酸、茶多酚、茶三素等关键品质指标，分析发花过程中的变化趋势。构建支持向量机、卷积神经网络（Convolutional Neural Network, CNN）和引入Squeeze-And-Excitation（SE）注意力机制的Spectra-SE-CNN模型实现对茯砖茶发花过程中品质指标的定量检测与品质识别。 【结果和讨论】 在茯砖茶品质指标的定量检测中，最佳模型均是Spectra-SE-CNN，含水率、茶三素和茶多酚的测试集决定系数（R²p）分别为0.859 5、0.852 5和0.838 3，表现出较高的相关性与建模稳定性；而游离氨基酸的R²p较低（0.670 2），可能因其变化不显著或光谱响应较弱所致。在茯砖茶发花品质识别中，Spectra-SE-CNN模型实现了100%的分类准确率，显著优于传统CNN，展现出更强的光谱特征提取与判别能力。t-分布领域嵌入算法（t-Distributed Stochastic Neighbor Embedding, t-SNE）可视化显示不同发花品质在低维空间中聚类清晰、边界明确；Grad-CAM进一步揭示模型关注于发花位置与边缘等关键区域，提升了模型的可解释性与实用性。 【结论】 高光谱成像技术可实现茯砖茶发花过程的品质评估与识别，具备快速、无损的优势。引入SE注意力机制的Spectra-SE-CNN模型进一步提升了模型效率，验证了深度学习算法在提取光谱特征方面的有效性。研究为茯砖茶发花过程的智能检测提供了可行方案，并拓展了其在农业智能检测中的应用路径。

【目的/意义】 针对采后芦笋在销售前人工分级成本高、效率低的问题，提出了一种基于改进YOLOv11模型的采后芦笋分级方法，旨在研究一种轻量化的采后芦笋的精准分级模型。 【方法】 首先，在主干网络的第12层引入高效通道注意力（Efficient Channel Attention, ECA）机制，ECA机制通过动态调整卷积神经网络中通道的权重，以增强对芦笋茎粗特征的提取能力；其次，在颈部网络同时引入slim-neck模块和双向特征金字塔（Bi-directional Feature Pyramid Network, BiFPN）模块，slim-neck将传统卷积替换为GSConv（Global Sparse Convolution）并将C3k2模块替换为轻量级跨阶段部分网络（Voice of Voter-group Shuffle Cross Stage Partial Network, VoVGSCSP）模块，减少运算量与模型大小并提高模型的识别精度，BiFPN模块改变原有的特征融合方式，能够自动强化芦笋的关键特征并减少冗余的计算；最后，将YOLOv11中原始的检测头替换为EfficientDet Head，与BiFPN联合训练，能够充分利用多尺度特征，有效提高模型性能。 【结果与讨论】 改进后的YOLOv11的精确率为96.8%、召回率为96.9%、平均精度均值（Mean Average Precision, mAP）为92.5%、浮点运算量为4.6 G、参数量为1.67×10⁶、模型大小为3.6 MB，与原始YOLOv11模型相比，改进后的YOLOv11模型的精确率、召回率、mAP分别提升了2.6、1.4、2.2个百分点，同时，浮点运算量、参数量、模型大小也显著降低；与其他深度学习模型SSD、YOLOv5s、YOLOv8n、YOLOv11、YOLOv12相比，改进后的YOLOv11模型综合性能最佳。 【结论】 改进的YOLOv11模型在芦笋分级任务中展现出了更好的识别效果、更少的参数量和浮点运算量和更小的模型大小，能够为采后芦笋智能化分级提供理论基础。

【目的/意义】 为实现山楂水分含量的快速无损检测，本研究探索了一种基于高光谱成像技术结合机器学习算法的检测方法。 【方法】 首先，收集458个来自不同产区不同品种的新鲜山楂样品，分别采集每个样品在可见-近红外波段（Visible to Near Infrared, VNIR）和短波红外（Short-Wave Infrared, SWIR）波段的高光谱数据，利用阈值分割算法确定每个山楂的感兴趣区域（Region of Interest, ROI），提取果实ROI的平均反射光谱作为原始数据。随后，采用卷积平滑、乘法散射校正、标准正态变换、一阶导数和二阶导数五种预处理方法，对原始光谱数据进行优化。在此基础上，结合偏最小二乘回归、支持向量回归（Support Vector Regression, SVR）、随机森林与多层感知机等机器学习方法，系统评估不同摆放方式（果柄朝侧面、朝上、朝下及三者融合）和光谱范围（VNIR、SWIR、VNIR+SWIR）对模型预测性能的影响。最后，采用连续投影算法、竞争自适应重加权采样算法、变量迭代空间收缩方法，以及离散小波变换-逐步回归（Discrete Wavelet Transform-Stepwise Regression, DWT-SR）四种方法对全波段数据进行降维处理，进一步减少数据冗余，提高模型效率。 【结果和讨论】 果柄朝下的摆放方式、SWIR波段范围（940~2 500 nm）及一阶导数预处理组合下，SVR模型表现最优，测试集的绝对系数（Coefficient of Determination, R²_p）为0.860 5、平均绝对误差（Mean Absolute Error, MAE _p）为0.711 1、均方根误差（Root Mean Square Error, RMSE _p）为0.914 2、相对分析误差（Ratio of Performance to Deviation, RPD）为2.677 6。在性能最优分析条件下，DWT-SR方法基于小波基函数“db6”在分解层级为1时，提取出17个关键特征波段，所建模型在降低数据维度的同时可以保持高水平预测性能（R²_p=0.857 1、MAE_p = 0.669 2、RMSE _p =0.925 2、RPD=2.645 7）。 【结论】 本研究证明了高光谱成像结合机器学习方法在山楂水分无损检测中的可行性，为果品水分在线监测及智能分选提供了理论依据与技术支撑。

【目的/意义】 苹果“冰糖心”又称水心病，是一种常见的果实病害，严重的水心病果会随着储藏时间的增加发生霉变，造成食品安全隐患。为实现不同等级水心病苹果快速无损检测，本研究旨在构建有效的分级与可溶性固形物（Soluble Solids Content, SSC）预测模型。 【方法】 本研究选取了230个富士苹果，其中正常、轻度、中度、重度水心苹果数量分别为113、61、47和9个，分别采集了400~1 000 nm范围的反射光谱和X射线计算机断层成像（X-ray Computed Tomography, X-ray CT）数据，并测定了SSC含量。 【结果和讨论】 SSC随水心程度加剧呈上升趋势，重度水心苹果呈现更高的光谱反射率，X-ray CT扫描成像观察到水心区域的组织体积平均密度高于健康组织，基于三维重建算法实现不同等级水心苹果内部水心组织可视化分布。基于偏最小二乘判别分析（Partial Least Squares Discriminant Analysis, PLSDA）构建的不同水心程度苹果果实分级模型建模集和测试集准确率分别为98.7%和95.9%；构建不同水心程度苹果果实SSC回归模型，校正集决定系数（Correlation Coefficient of Calibration, R_{\mathrm{C}}^{\mathrm{2}}）为0.962，均方根误差（Root Mean Squares Error of Calibration, RMSEC）为0.264，测试集决定系数（Correlation Coefficient of Prediction, R_{\mathrm{P}}^{\mathrm{2}}）为0.879，均方根误差（Root Mean Squares Error of Prediction, RMSEP）为0.435。 【结论】 该研究构建的不同水心程度苹果果实分级模型能够实现苹果不同等级水心病的预测，构建的不同水心程度苹果果实SSC回归模型能够较好地预测苹果果实的SSC，为苹果水心病无损检测和品质评估提供了有效方法。

【目的/意义】 霉心病是苹果常见的内部病害，具有较强的传染性。在贮藏早期，霉变症状被限制在果核内部，苹果组织处于亚健康状态，但仍具有商品价值，因此对霉核苹果进行早期检测至关重要。 【方法】 本研究利用声振动无损检测系统采集声振动响应信号，采用对称极坐标变换（Symmetrized Dot Pattern, SDP）、格拉姆角场变换（Gramian Angular Field, GAF）和Stockwell变换（Stockwell Transform, ST），其中GAF分为格拉姆求和场（Gramian Angular Summation Field, GASF）和格拉姆差场（Gramian Angular Difference Field, GADF），以此获得声振多域谱的SDP图、GASF图、GADF图和ST图。利用统一局部二值模式法（Uniform Local Binary Pattern, ULBP）和灰度-梯度共生矩阵法（Gray-Level-Gradient Co-occurrence Matrix, GLGCM）分别从多域可视化图像中提取人工特征，同时设计了基于卷积注意力机制模块和Adam优化器改进的ResNet50特征提取器（Adam-IResNet50）从各域可视化图像中自动提取深度特征，构建最优浅层特征训练分类器多元支持向量机（Multiple Support Vector Machine, MSVM）和最优深层特征训练分类器极限学习机（Extreme Learning Machine, ELM）。将两种分类器初步判别结果转化为独立证据体的基本概率分配，然后基于D-S（Dempster-Shafer, D-S）证据理论中的Dempster合成规则和决策判决规则，获得最终的早期霉心苹果决策判决结果，进而构建声振多域谱浅层特征和深层特征决策层融合模型。 【结果和讨论】 构建的Adam-IResNet50-IPSO-ELM-DS模型对熟知产地3类别苹果多分类的Kappa系数和马修斯相关系数（Matthews Correlation Coefficient, MCC）值略低于90%，F₁和总体准确率（Overall Accuracy, OA）值分别达到了93.01%和93.22%，对亚健康果的判别准确率达到了87.37%，对病害果误判率为8.33%。表明该模型对3类别苹果的分类不仅能较好兼顾查准能力和查全能力，还保持较高检测精度。 【结论】 提出的基于D-S证据理论的苹果霉心病声振检测方法可有效完成检测任务，为今后早期霉心苹果的在线批量化检测提供技术支撑。

【目的/意义】 鲜食玉米已成为广大消费者喜爱的食品，其中直链淀粉含量影响口感风味，是评价品质属性的关键指标之一，目前迫切需要一种快速无损检测直链淀粉的方法应对市场品质管控要求。 【方法】 本研究创新建立鲜食玉米果穗直链淀粉含量检测模型，以鲜食玉米果穗为研究对象，利用实验室自主搭建的近红外检测系统采集玉米果穗中部的漫反射光谱数据，使用化学测定法获取直链淀粉含量的理化值数据，通过马氏距离法剔除异常值后，最终选取90个鲜食玉米样品进行建模。将数据集按4∶1的比例划分成训练集和测试集，采用标准正态变量变换校正（Standard Normal Variate, SNV）、多元散射校正（Multiplicative Scatter Correction, MSC）、SavitZky-Golay平滑（SavitZky-Golay Smoothing, SGS）、一阶导数（First Derivative, FD）、去趋势（Detrending, DT）五种算法进行光谱预处理，基于偏最小二乘回归算法（Partial Least Squares Regression, PLSR）构建鲜食玉米直链淀粉全波段预测模型。运用竞争性自适应重加权采样算法（Competitive Adaptive Reweighted Sampling, CARS）和连续投影算法（Successive Projections Algorithm, SPA）进行特征波长提取，建立直链淀粉特征波段预测模型。 【结果与讨论】 研究结果表明，SNV预处理结合CARS特征提取所建立的“SNV-CARS-PLSR”模型效果最优，训练集决定系数（R²_C）、训练集均方根误差（Root Mean Square Error of Calibration, RMSEC）、测试集决定系数（R²_P）、测试集均方根误差（Root Mean Square Error of Prediction, RMSEP）、剩余预测偏差（Residual Predictive Deviation, RPD）分别为0.826、1.399、0.820、1.081、2.426。相较于SNV预处理后的全波段模型，“SNV-CARS-PLSR”模型在测试集的R²_P提高了14.0%。 【结论】 本研究建立的基于近红外光谱技术的鲜食玉米果穗直链淀粉含量预测模型，可为鲜食玉米果穗直链淀粉的快速无损检测提供技术支撑。

【目的/意义】 随着农业智能化转型加速推进，具身智能作为融合环境感知、信息认知、自主决策与采取行动于一体的智能系统，正为农业机器人赋予更强的自主感知与复杂环境适应能力，成为推动农业智能机器人发展的重要方向。本文系统地梳理了具身智能在农业机器人领域的技术体系与应用实践，揭示其在提高环境适应性、决策自主性和作业灵活性方面的重要价值，为推动农业机器人向更高水平发展提供理论与实践参考。 【进展】 本文首先归纳了具身智能农业机器人的关键支撑技术，包括多模态融合感知、智能自主决策、自主行动控制与反馈自主学习。随后分析了具身智能在农业中的典型应用场景，构建了以“具身感知-具身认知-具身执行-具身进化”组成的核心框架，并结合农业场景对其在各个方面的实现路径进行了分类探讨。最后深入剖析了当前面临的技术瓶颈与落地挑战，包括系统集成约束多、数据虚实差距大、场景泛化能力弱等问题。 【结论/展望】 从高质量数据集与仿真平台构建、领域大模型融合应用、分层协同架构设计等方面对具身智能农业机器人的未来发展趋势进行了展望，为具身智能农业机器人的研究者与工程实践者提供参考。

【目的/意义】 玉米地上生物量（Above Ground Biomass, AGB）反映了玉米的生长状况，但其形成受多种动态因素的影响，导致AGB在空间和时间上的变化较为复杂。因此，本研究引入卷积神经网络（Convolutional Neural Network, CNN）、长短期记忆网络（Long Short-Term Memory, LSTM）和自注意力机制（Self-Attention, SA）结合的模型架构，用于估算田间尺度的玉米AGB。 【方法】 首先，利用该架构构建CNN-LSTM-SA优化模型。分析影响因子与玉米AGB之间的皮尔逊相关系数，并通过递归特征消除法确定模型的最佳输入特征。其次，使用局部可解释模型无关解释方法对单个样本进行解释。最后，通过消融实验，探讨引入CNN和SA对CNN-LSTM-SA模型的影响，并与随机森林（Random Forest, RF）和支持向量机（Support Vector Machine, SVM）模型进行对比。 【结果和讨论】 CNN-LSTM-SA模型的决定系数（R²）为0.92，均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）为107.53和55.19 g/m²，优于单一类型的LSTM模型、CNN-LSTM模型和LSTM-SA模型。同时，在各项指标上比RF模型和SVM模型效果更好。 【结论】 该模型从时空角度出发，提升了玉米AGB估算的准确性，具有可解释性。该研究为作物AGB的动态建模提供了思路与方法，具有一定参考价值。

【目的/意义】 葡萄作为全球综合产值最大的经济作物之一，其产量估计在农业经济发展中具有重要的意义。然而，目前葡萄产量预测困难且成本高。为解决上述问题，本研究提出了一种基于迁移学习的多模态检测框架，旨在实现不同品种葡萄的检测和计数，从而为葡萄产量预测及果园智能化管理提供有效支持。 【方法】 该框架利用公开数据集的预训练模型进行特征提取，并通过特征增强模块提高葡萄图像和文本之间的跨模态融合效果。在跨模态查询选择阶段，该框架通过语言引导的查询选择策略，从葡萄图像中筛选查询，进而采用跨模态解码器输出相应的预测结果。 【结果和讨论】 与9个基线模型相比，该方法在检测和计数方面均展现出最优效果。具体而言，在交并比（Intersection Over Union, IoU）阈值为0.5的条件下，该模型在检测任务上达到了80.3%的平均精度均值（Mean Average Precision, mAP）；在计数任务上实现了1.65的平均绝对误差（Mean Absolute Error, MAE），2.48的均方根误差（Root Mean Square Error, RMSE）。值得关注的是，该方法在识别不同目标大小的效果均表现较好，并且在不同环境条件下表现出良好的泛化能力和更快的收敛速度。 【结论】 本研究提出的葡萄检测与计数方法能够为精准农业提供强有力的技术支持。

【目的/意义】 精准预测大豆需求对保障国家粮食安全、优化产业决策与应对国际贸易变局有着重要的现实意义，而利用时间融合Transformers（Temporal Fusion Transformers, TFT）模型开展中国大豆需求预测时，在特征交互层与注意力权重分配等方面仍存在一定局限。为此，亟需探索一种基于改进TFT模型的预测方法，以提升需求预测的准确性与可解释性。 【方法】 本研究将深度学习的TFT模型应用到中国大豆需求预测中，提出了一种基于多层动态特征交互（Multi-layer Dynamic Feature Interaction, MDFI）与自适应注意力权重优化（Adaptive Attention Weight Optimization, AAWO）改进的MA-TFT（Improved TFT Model Based on MDFI and AAWO）模型。对包含1980—2024年4 652个相关指标的中国大豆需求分析数据集进行数据预处理和特征工程，设计实验将MA-TFT模型分别与自回归差分移动平均模型（Autoregressive Integrated Moving Average Model, ARIMA）、长短期记忆网络（Long Short-Term Memory, LSTM）模型及TFT模型进行预测性能对比，进行了消融实验，同时利用SHAP（SHapley Additive exPlanations）工具可解释性分析影响中国大豆需求的关键特征变量，开展了未来10年的中国大豆需求量预测。 【结果和讨论】 MA-TFT模型的均方误差（Mean Squared Error, MSE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）分别为0.036和5.89%，决定系数R²为0.91，均高于对比模型，均方根误差（Root Mean Square Error, RMSE）和MAPE分别较基准模型TFT累计降低21.84%和3.44%，表明改进TFT的MA-TFT模型能够捕捉特征间复杂关系，提升预测性能；研究利用SHAP工具可解释性分析发现，MA-TFT模型对影响中国大豆需求关键特征变量的解释稳定性较高；预计2025、2030和2034年中国大豆需求量分别达到11 799万吨、11 033万吨和11 378万吨。 【结论】 基于改进TFT的MA-TFT模型方法为解决现有大豆需求预测方法精度不足、可解释性不强的实际问题提供了解决思路，也为其他农产品时间序列预测的方法优化与应用提供了参考和借鉴。