【目的/意义】 随着农业信息化和智能化的快速发展，多模态人机交互技术在农业领域的重要性日益凸显。本研究提出了一种基于多模态融合的大模型架构Agri-QA Net，旨在针对甘蓝作物的农业知识，设计多模态专业问答系统。 【方法】 该模型通过整合文本、音频和图片数据，利用预训练的BERT（Bidirectional Encoder Representations from Transformers）模型提取文本特征，声学模型提取音频特征，以及卷积神经网络提取图像特征，并采用基于Transformer的融合层来整合这些特征。此外，引入跨模态注意力机制和领域自适应技术，增强了模型对农业领域专业知识的理解和应用能力。本研究通过收集和预处理甘蓝种植相关的多模态数据，训练并优化了Agri-QA Net模型。 【结果和讨论】 实验评估表明，该模型在甘蓝农业知识问答任务上表现出色，相较于传统的单模态或简单多模态模型，具有更高的准确率和更好的泛化能力。在多模态输入的支持下，其准确率达到了89.5%，精确率为87.9%，召回率为91.3%，F₁值为89.6%，均显著高于单一模态模型。 【结论】 案例研究展示了Agri-QA Net在实际农业场景中的应用效果，证明了其在帮助农民解决实际问题中的有效性。未来的工作将探索模型在更多农业场景中的应用，并进一步优化模型性能。

【目的/意义】 为解决当前作物管理中个性化需求难以捕捉、决策过程缺乏灵活性难题，本研究提出了一种基于大语言模型的个性化作物生产智能决策方法 【方法】 通过自然语言对话收集用户在蔬菜作物管理过程中的个性化需求，涵盖产量、人力资源消耗和水肥消耗等方面。随后，将作物管理过程建模为多目标优化问题，同时考虑用户个性化偏好和作物产量，并采用强化学习算法来学习作物管理策略。水肥管理策略的训练通过与环境的交互持续更新，学习在不同条件下采取何种行动以实现最优决策，从而实现个性化的作物管理。 【结果和讨论】 在gym-DSSAT（Gym-Decision Support System for Agrotechnology Transfer）仿真平台上进行的实验，结果表明，所提出的个性化作物生产智能决策方法能够有效地根据用户的个性化偏好调整作物管理策略。 【结论】 通过精准捕捉用户的个性化需求，该方法在保证作物产量的同时，优化了人力资源与水肥资源的消耗。

【目的/意义】 大语言模型（Large Language Models, LLMs）依托其强大的认知理解和内容生成能力，发展迅速，有望成为智慧农业领域一种全新的研究范式。然而，由于通用LLMs缺乏农业领域知识，对于专业性问题通常会产生事实性错误或信息不完备的回复。为提升大模型在农业领域的适应性，本研究提出了一种知识图谱引导的农业LLMs——KGLLM。 【方法】 该模型基于信息熵实现知识过滤，并在解码阶段显式利用知识图谱的语义信息约束其内容生成。具体而言，将输入问题中的关键实体链接到农业知识图谱，形成知识推理路径和问答依据。为保证此外源知识的有效性，进一步评估引入每条知识前后模型输出内容的熵差，对无法提升答案确定性的知识进行过滤。经筛选的知识路径将被用于调整词表概率，以增加与知识高度相关词的输出，实现知识图谱对LLMs的显式引导。 【结果和讨论】 本研究在5种主流的通用LLMs上实现了农业知识图谱引导技术，包括Baichuan、ChatGLM、Qwen等开源大模型，同时与最优的知识图谱检索增强生成技术进行了对比。实验结果表明，本研究提出的方法在内容流畅性、准确性、真实性和领域忠诚度方面都有显著提升，相较于GPT-4o，在Mean BLEU、ROUGE、BertScore上分别平均提升了2.592 3、2.815 1和9.84%。通过消融实验亦证明了知识引导的农业LLMs不仅实现了冗余知识过滤，而且在解码过程中可有效调整词表输出分布，有助于提升通用LLMs在农业领域的适应性及问答的可解释性。 【结论】 本研究为后续农业LLMs的构建提供了可借鉴思路，表明知识图谱引导的方法在提升模型的领域适应性和回答质量具有潜在的应用价值。

【目的/意义】 农业领域高质量的语义相似度计算是推动农业技术推广信息化、智能化发展的重要基础。针对现有文本语义相似度计算模型特征提取不全面、高质量标注数据集少等问题，提出一种基于迁移学习和BERT（Bidirectional Encoder Representations from Transformers）预训练模型的农业短文本语义相似度计算模型CWPT-TSBERT（Chinese-based Wordpiece Tokenization and Transfer-learning by Sentence BERT）。 【方法】 CWPT-TSBERT依托孪生网络架构，利用迁移学习策略在大规模通用领域标注数据集进行模型预训练，解决农业文本标注数据集少、语义稀疏性高等问题。提出面向中文的子词单元分词方法CWPT拆分汉字，增强字向量的语义特征表示，进一步丰富了短文本语义特征表达。根据迁移学习的微调机制，利用SBERT（Sentence BERT）模型提取字向量，挖掘汉字间及字形结构间关联关系，提高模型语义相似度计算的正确率。 【结果和讨论】 CWPT-TSBERT模型的语义相似度计算正确率达到97.18%，高于基于卷积神经网络的TextCNN_Attention、基于循环神经网络的MaLSTM（Manhattan Long Short-Term Memory），以及基于BERT预训练模型的SBERT等12种模型。 【结论】 CWPT-TSBERT模型在小规模农业短文本数据集上语义相似性计算正确率较高，性能优势明显，为语义智能匹配提供了有效的技术参考。

【目的/意义】 中文猕猴桃文本在段落上下文主题与字符间的左右关系中，展现出垂直与水平双维度特性。若能充分利用中文猕猴桃文本的双维特性，将有助于进一步提升命名实体识别的识别效果。基于此，提出了一种基于双维信息与剪枝的命名实体识别方法，命名为KIWI-Coord-Prune（kiwifruit-CoordKIWINER-PruneBi-LSTM）。 【方法】 通过设计CoordKIWINER与PruneBi-LSTM两个模块，对中文猕猴桃文本中的双维信息进行精准处理。其中CoordKIWINER模块能够显著提升模型捕捉复杂和嵌套实体的能力，从而生成涵盖更多文本信息的加强字符矢量；PruneBi-LSTM模块在上一模块的基础上，加强了模型对重要特征的学习与识别能力，从而进一步提升了实体识别效果。 【结果和讨论】 在自建数据集KIWIPRO和四个公开数据集人民日报（People's Daily）、ClueNER、Boson，以及ResumeNER上进行试验，并与LSTM、Bi-LSTM、LR-CNN、Softlexicon-LSTM，以及KIWINER五个先进模型进行对比，本研究提出的方法在5个数据集上分别取得了较好的F₁值，分别为89.55%、91.02%、83.50%、83.49%和95.81%。 【结论】 与现有方法相比，本研究提出的方法不仅能够有效提升中文猕猴桃领域文本的命名实体识别效果，且具有一定的泛化性，同时也能够为相关知识图谱和问答系统的构建等下游任务提供技术支持。

【目的/意义】 农产品供给、消费和价格的变化直接影响市场监测和预警。随着中国农业生产方式和市场体系的转型，数据获取技术的进步使得农业数据呈现爆炸式增长。然而，农产品多品种的联动监测和预测仍面临数据复杂、模型狭窄、应变能力弱等挑战。因此，亟需构建适应中国农业数据特点的深度学习模型，以提升农产品市场的监测与预警能力，推动精准决策和应急响应。 【方法】 本研究应用深度学习方法，从中国多维农业数据资源实际出发，创新提出了一套不同监测预警对象条件下深度学习综合预测方法，构建了生成对抗与残差网络协同生产量模型（Generative Adversarial Network and Residual Network, GAN-ResNet）、变分自编码器岭回归消费预测模型（Variational Autoencoder and Ridge Regression, VAE-Ridge）、自适应变换器价格预测模型（Adaptive-Transformer）。为适应实际需求，研究在CAMES中采用“离线计算与可视化分离”策略，模型推理离线完成，平衡了计算复杂度与实时预警需求。 【结果和讨论】 深度学习综合预测方法在玉米单产、生猪消费量和番茄市场价格的预测上，均表现出显著的精度提升。GAN-ResNet生产量预测模型进行县级尺度玉米单产预测的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为6.58%，运用VAE-Ridge模型分析生猪消费量的MAPE为6.28%，运用Adaptive-Transformer模型预测番茄价格的MAPE为2.25%。 【结论】 该研究提出的深度学习综合预测方法，具有较先进的单品种、多场景、宽条件下的农产品市场监测预警分析能力，并在处理不同区域多维数据、多品种替代、市场季节性波动等分析方面显示出优良的指标性能，可为中国农产品市场监测预警提供一套新的有效分析方法。

【目的/意义】 无人智慧农场是智慧农业的重要实践模式。本研究以山东德州“吨半粮”无人智慧农场为实验场所，攻克大田智慧农场建设中的核心技术难题，探索其建设模式与服务机制。 【方法】 运用物联网技术，研发了智慧农场的立体感知网络，能够高效采集并汇聚传输环境、作物长势和设备状态等关键数据。借助数据分析挖掘技术，精准提取了小麦的物候期、麦穗特征等关键表型信息。进一步结合智能农机与智能决策技术，研发了集云管控平台、智能化设备及智能农机于一体的智能控制系统。此外，依托多源数据融合、分布式计算和地理信息系统（Geographic Information System, GIS）等技术，构建了农业生产全过程智能管控平台。 【结果和讨论】 “吨半粮”无人智慧农场感知系统不仅提高了数据传输质量，同时可以完成麦穗、物候期等表型特征的本地分析；智能控制系统可帮助农机提升自主作业精度和灌溉、施药效率、质量，通过农业设备的改造升级实现了农场耕作、种植、管理、收获的全链条智能化管控；大数据智慧服务平台为农户提供了气象预测、灾害预警、最佳播期等农事管理服务，极大地提高了农场管理的数字化、智能化水平。实验结果表明，自组网络数据准确率保持在85%以上，无人机施药可节药55%，灌溉模型可节水20%，“济南17”和“济麦44”分别增产10.18%和7%。 【结论】 研究结果可为智慧农场建设提供参考和借鉴。

【目的/意义】 植物叶形是植物结构形状的重要组成部分。叶片三维结构模型的建立有助于模拟和分析植物生长。针对三维结构表示与数学模型参数的互操作性，本研究提出了一套参数驱动的具有互操作性的小麦叶片点云反演模型。 【方法】 利用参数化建模技术，建立具有7个特征参数的小麦叶片参数化曲面模型。基于小麦叶片三维点云对模型参数进行反演估计，实现叶片曲面的逆向参数化构建。为验证该方法可靠性，使用Chamfer距离评估重建点云与原点云间差异度。 【结果和讨论】 该模型能有效地重建小麦叶片，对于实测数据基于点云的参数化重建结果的平均偏差约为1.2 mm，具有较高的精度。重构模型与点云具有互操作性，可以灵活调整模型参数，生成形状相近的叶簇。反演参数具有较高的可解释性，可用于点云时间序列的一致、连续地估计。 【结论】 该模型对叶片的一些细节特征进行了适度的简化，只需要少量的参数就可以还原叶片的几何形状。该方法不仅简单、直接、高效，而且得到的参数几何意义更明确，具有可编辑性和可解释性，对小麦叶片的模拟分析和数字孪生具有重要的应用价值。

【目的/意义】 准确预测番茄的生长高度对优化智能农业中的生产环境至关重要。然而，目前的预测方法大多依赖于经验模型、机制模型或基于学习的模型，这些模型主要利用图像数据或环境数据，未能充分利用多模态数据，无法全面捕捉植物生长的各个方面。 【方法】 为了解决这一限制，本研究提出了一种基于深度学习算法的两阶段表型特征提取（Phenotypic Feature Extraction, PFE）模型，该模型结合了番茄植物的环境信息和植物本身的信息，提供了对生长过程的全面理解。PFE模型采用表型特征和时间特征提取器，综合捕捉两类特征，从而深入理解番茄植物与环境之间的相互作用，最终实现对生长高度的高精度预测。 【结果和讨论】 实验结果表明，该模型具有显著效果：在基于过去五天数据预测接下来的两天时，PFE-RNN（Phenotypic Feature Extraction with Recurrent Neural Network）模型和PFE-LSTM（Phenotypic Feature Extraction with Long Short-Term Memory）模型的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）分别为0.81%和0.40%，显著低于大语言模型（Large language model, LLM）模型的8.00%和基于Transformer的模型的6.72%。在较长期预测中，PFE-RNN模型在10天预测4天后和30天预测12天后的表现持续优于其他两个基准模型，MAPE分别为2.66%和14.05%。 【结论】 所提出的基于表型-时间协同的预测方法展示了其在智能化、数据驱动的番茄种植管理中的巨大潜力，是提升智能番茄种植管理效率和精准度的一种有前景的方法。

【目的/意义】 为了解决多源场景下粘虫板图像中粉虱和蓟马两种害虫由于个体小难以精确检测以及设备计算资源受限的问题，本研究基于YOLOv5s提出了一种名为MobileNetV4+VN-YOLOv5s的小目标图像轻量化检测识别模型。 【方法】 模型框架结合MobileNetV4主干网络构建EM模块，实现特征提取网络结构的优化和精度的提升；在模型颈部引入轻量化模块GSConv和VoV-GSCSP，替代普通卷积，降低模型复杂度；最后添加NWD（Normalized Wasserstein Distance）损失函数，用于增强小目标的判别敏感度与定位能力。 【结果和讨论】 所提出模型在室内场景下对小目标害虫的检测性能最佳，平均检测精度为82.5%，较原始模型YOLOv5s提升了8.4%；模型参数量降低了3.0 M，帧率提升了6.0帧/s；在室外场景下，所提出模型的平均精度为70.8%，较YOLOv5s提升了7.3个百分点，参数量降低了3.0 M，帧率提升了5.5帧/s；在混合场景下，模型的平均精度为74.7%，较YOLOv5s提升了8.0个百分点，参数量降低了3.0 M，帧率提升了4.3帧/s。同时研究发现，对原始图像进行裁剪分割能够影响模型性能，在采用5×5的比率对原图进行分割下模型的检测识别性能最佳；利用室内场景数据训练的模型能够在所有场景下都获得最佳的检测性能。 【结论】 本研究提出的MobileNetV4+VN-YOLOv5s模型兼顾轻量化和精度，模型可部署到嵌入式设备，便于落地应用，可为各种多源场景下粘虫板图像中小目标害虫检测提供参考。

【目的/意义】 基于深度神经网络的草莓病害识别模型通常假设训练集（源域）和测试集（目标域）满足独立同分布。然而，在实际应用中由于光照、背景环境和草莓品种等多种因素的影响，测试集与训练集存在领域差异，造成模型在应用过程中的识别精度出现明显下降。针对这一问题，本研究提出一种基于实例白化与特征恢复的领域泛化方法，用于提升草莓病害识别模型的泛化性能。 【方法】 该方法首先利用实例白化技术消除源域和目标域间的风格差异，再从滤除的风格特征中提取任务相关特征，最后将任务相关特征恢复到白化后的特征中，以减轻实例白化对特征类别区分度的影响。为增强从风格特征中分离任务相关特征的效果，设计了两个特征提取器分别提取任务相关和任务无关特征，并采用双段恢复损失约束两特征提取器所提取特征与任务的相关性，引入互信息损失确保特征的相互独立，进一步增强特征分类效果。 【结果和讨论】 该方法可以在不降低源域识别精度的前提下，有效提升各病害识别模型在目标域上的泛化性能，如AlexNet加入该算法后，其不同风格目标域上的识别精度可分别提升3.97个百分点和2.79个百分点。相较于IBN-Net（Instance Batch Normalization Net）、可切换白化（Switchable Whitening, SW）、样式归一化和恢复模块（Style Normalization and Restitution, SNR）等其他领域泛化方法，该算法在测试数据集上的泛化性能可分别提高2.63%、2.35%和1.14%。 【结论】 本方法可有效提升基于深度学习的草莓病害识别模型在目标域中的泛化性能，可为草莓病害精准识别提供可靠的技术支撑。

【目的/意义】 农作物病害图像的随机性和复杂性仍给病害识别带来诸多挑战。针对自然条件下甘蔗叶片病害识别难题，本研究提出XEffDa模型。 【方法】 该模型利用色调、饱和度、亮度（Hue-Saturation-Value, HSV）颜色空间的图像分割与边缘处理技术去除背景干扰，根据特征融合策略，集成高效网络 B0 版本（Efficient Network B0, EfficientNetB0）、深度可分离卷积网络（Extreme Inception, Xception）和密集连接卷积网络201 （Dense Convolutional Network 201, DenseNet201）作为特征提取器，采用预训练权重，通过贝叶斯优化确定顶层超参数，改进弹性网络（ElasticNet）正则化方法并加入随机失活（Dropout）层，以双重机制遏制过拟合现象。在甘蔗叶片病害数据集上训练并完成分类任务。 【结果和讨论】 模型集成后的识别准确率为97.62%，对比EfficientNetB0、Xception单模型及EfficientNetB0与其他深度网络结合模型识别准确率分别提高了9.96、6.04、8.09、4.19、1.78个百分点。融合实验进一步表明，加入改进ElasticNet正则化后的网络较主干网络其准确率、精确度、召回率及F₁值分别提高了3.76、3.76、3.67及3.72个百分点。最大概率散点图结果显示预测最大概率值不低于0.5的比例高达99.4%。 【结论】 XEffDa模型具有更好的鲁棒性和泛化能力，能为农作物叶片病害精准防治提供参考。

【目的/意义】 为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题，提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS（You Only Look Once Version 10-YS）。 【方法】 首先，采用C2f_RepViTBlock模块替换主干网络的C2f，减少了模型的计算量和参数量。其次，加入带切片操作的注意力机制SimAM，结合原有卷积形成Conv_SWS模块，提升了小目标的特征提取能力。另外，在颈部网络中使用DySample轻量动态上采样模块，使采样点集中在目标区域而不会关注背景部分，实现病虫害的有效识别。最后，将跨通道交互的高效率通道注意力（Efficient Channel Attention with Cross-Channel Interaction, EMCA）替换主干网络的金字塔空间注意力机制（Pyramid Spatial Attention, PSA），进一步提高了主干网络的特征提取能力。 【结果与讨论】 实验结果显示，YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%，相较于原模型，这些指标分别提升了3.8、3.3和4.2个百分点。同时，模型在参数量和计算量上也实现了显著的优化，分别减少了13.8%和8.5%。 【结论】 这些改进不仅提升了模型的性能，还保持了其轻量化特性，对番茄叶片病虫害的检测具有重要参考价值。

【目的/意义】 农业干旱对中国农业生产发展具有消极影响，甚至威胁到粮食安全。为了降低灾害损失，保障中国的作物产量，根据标准化土壤湿度指数（Standardized Soil Moisture Index, SSMI）对农业干旱进行准确预测和等级分类具有重要意义。 【方法】 基于遥感数据，采用深度学习相关模型实现了农业干旱预测。首先，考虑了农业干旱的空间特点，提出了一种结合图神经网络、双向门控循环单元（Bi-Directional Gated Recurrent Unit, BiGRU）和多头自注意力机制的农业干旱预测模型GCN-BiGRU-STMHSA（Graph Convolutional Networks-Bidirectional Gated Recurrent Unit-Spatio-Temporal Multi-Head Self-Attention）。其次，使用日尺度的SSMI作为农业干旱指标。最后，根据搭建的GCN-BiGRU-STMHSA模型实现对SSMI的精准预测和分类。采用全球陆地数据同化系统2.1（Global Land Data Assimilation System-2.1, GLDAS-2.1）为数据集，在该数据集上训练GCN-BiGRU-STMHSA模型，以预测SSMI值并进行农业干旱等级分类。并与经典深度学习模型进行了比较。 【结果和讨论】 实验结果表明，GCN-BiGRU-STMHSA模型结果优于其他模型。在5个研究地点中，固始县数据集上误差最小，预测10天后的SSMI时，其平均绝对误差（Mean Absolute Error, MAE）为0.053、均方根误差（Root Mean Square Error, RMSE）为0.071、决定系数（Coefficient of Determination, R²）为0.880，准确率（Accuracy, ACC）为0.925，调和平均值（ F₁）为0.924。预测步长越短，预测的效果越好，当预测步长为28天时，模型预测干旱分类表现依然良好。 【结论】 该模型在农业干旱预测和分类任务中具有更高的精度和更好的泛化能力。

目的/意义 发展新质生产力对推动畜牧业高质量发展具有重要意义。本文旨在对人工智能驱动畜牧新质生产力高质量发展开展系统研究。厘清人工智能推动畜牧新质生产力高质量发展的机理和方向，深入分析畜牧新质生产力的内涵、特征、制约因素，以及推进路径。［进展］畜牧新质生产力是以生物技术、信息技术和绿色技术等前沿技术创新为主导，以数智化、绿色化、生态化为产业升级方向，基本内涵表现为更高素质的劳动者、更先进的劳动资料和更广范围的劳动对象。与传统生产力相比，畜牧新质生产力是以科技创新为导向、以新发展理念为引领、以全要素生产率提升为核心的先进生产力，具有生产效率高、产业效益好、可持续发展能力强的显著特征。中国畜牧新质生产力已具备较好发展基础，但也面临畜禽育种技术创新不足、核心竞争力不强，畜牧养殖机械化率不高、智能装备自主研发能力较弱，“机器换人”需求迫切、畜牧人才量质存在短板，养殖规模化程度不高、智能化管理水平有限等制约因素。人工智能在畜牧业中可以广泛应用在环境控制、精准饲喂、健康监测与疫病防控、供应链优化等领域。人工智能经由以数字技术为代表的畜牧业技术革命性突破，以数据要素为纽带的畜牧业生产力要素创新性配置，与数字经济相适应的畜牧业产业深度转型，催生畜牧新质生产力，赋能畜牧业高质量发展。［结论/ 【目的/意义】 发展新质生产力对推动畜牧业高质量发展具有重要意义。本文旨在对人工智能驱动畜牧新质生产力高质量发展开展系统研究。厘清人工智能推动畜牧新质生产力高质量发展的机理和方向，深入分析畜牧新质生产力的内涵、特征、制约因素，以及推进路径。 【进展】 畜牧新质生产力是以生物技术、信息技术和绿色技术等前沿技术创新为主导，以数智化、绿色化、生态化为产业升级方向，基本内涵表现为更高素质的劳动者、更先进的劳动资料和更广范围的劳动对象。与传统生产力相比，畜牧新质生产力是以科技创新为导向、以新发展理念为引领、以全要素生产率提升为核心的先进生产力，具有生产效率高、产业效益好、可持续发展能力强的显著特征。中国畜牧新质生产力已具备较好发展基础，但也面临畜禽育种技术创新不足、核心竞争力不强，畜牧养殖机械化率不高、智能装备自主研发能力较弱，“机器换人”需求迫切、畜牧人才量质存在短板，养殖规模化程度不高、智能化管理水平有限等制约因素。人工智能在畜牧业中可以广泛应用在环境控制、精准饲喂、健康监测与疫病防控、供应链优化等领域。人工智能经由以数字技术为代表的畜牧业技术革命性突破，以数据要素为纽带的畜牧业生产力要素创新性配置，与数字经济相适应的畜牧业产业深度转型，催生畜牧新质生产力，赋能畜牧业高质量发展。 【结论/展望】 提出了提升畜牧科技创新能力、建立畜牧业全链条信息化监管模式、加快畜牧绿色科技推广应用、提高畜牧业全产业链管理水平，以及完善重要畜禽品种商业化育种机制的畜牧新质生产力发展推进路径。