科学家利用AlphaFold研究光合作用中的甘油酸激酶（GLYK），以提高作物的耐热性。研究发现，GLYK在高温下失效，导致某些主食作物的产量下降。通过预测GLYK的三维结构，研究人员发现其三个灵活环在高温下变形。最终，他们创造了能在65°C下保持稳定的杂交酶。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本文提出WOFOSTGym，一种新型作物模拟环境，旨在训练强化学习代理优化年度和多年作物的农业管理决策。该模拟器填补了多耕作农场和多种作物背景下缺乏长期作物模拟器的空白，提供了23种年度作物和两种多年作物的支持，使强化学习代理能够在复杂的环境中学习多样化的管理策略。这一研究表明，WOFOSTGym在农业决策支持中具有重要的应用潜力。

本研究提出了一种新型深度集成模型RicEns-Net，通过融合SAR、光学遥感和气象数据，显著提高了作物产量预测的精度。实验结果表明，该模型性能优于现有方法。

本研究解决了在极端天气条件下评估作物生产力的挑战，通过结合作物模拟模型和机器学习模型的优势，提出了一种新方法，能够在像素级别上估计水分使用和作物对水短缺的敏感性。研究发现，该模型的准确性很高，R2值可达0.77，为行业、政策制定者和农民在应对极端天气条件时提供了解释性和符合物理原则的预测。

本研究比较了深度强化学习中的PPO和DQN在作物管理中的表现，结果显示PPO在施肥和灌溉任务中优于DQN，而DQN在混合管理任务中表现最佳，为优化作物管理策略提供了重要见解。

本文介绍了一种基于深度学习的杂草分类方法，利用编码器-解码器卷积神经网络和多光谱图像，实现精准农业中的杂草检测与识别。研究提出的新数据集CWD30展示了模型在不同环境下的有效性，并通过自监督学习解决了类别不平衡问题。结果表明，使用较少的训练数据也能达到高准确率，推动了精准农业技术的发展。

全球人口增长要求农业提高产量。传统监测方法耗时且易出错，难以满足需求。AI图像分析技术通过实时高精度数据，帮助农民识别问题，提高产量和资源效率。AI在农业中的应用包括病虫害检测、作物监测和土壤评估。未来，AI与物联网结合将提升农业生产力，推动可持续发展。

本研究解决了作物领域检测中资源分配及农业生产力优化的关键问题。提出的KonvLiNA框架结合了卷积Kolmogorov-Arnold网络与Nyström注意机制，显著提升了特征提取能力，能够捕捉复杂农业环境中的细微模式。实验结果显示，KonvLiNA优于现有先进方法，在稻作数据集上取得显著性能提升，这突显了混合KAN与注意机制在精准农业中的应用潜力。

本文综述了深度学习在农业和食品生产中的应用，分析了40项研究，表明深度学习在分类和回归性能上优于传统图像处理技术。研究内容包括农作物分类、作物推荐和病害预测，强调基础模型和可解释人工智能在提升农业效率和可持续性方面的潜力。

本文提出了一种新的去中心化个性化在线联邦学习方法，旨在优化客户端模型性能并减少通信成本。通过聚合邻近客户端的共享模型参数，利用数据相似性进行线性加权聚合，实验证明该方法在隐私保护和学习准确性方面优于传统方法。

本文提出了一种新型的像素级全景分割方法，适用于卫星图像时间序列，利用时序注意力机制提取多尺度特征。同时，开发了公开的卫星图像数据集PASTIS，并展示了该方法在语义分割任务中的优越表现。

通过实例分割技术，我们使用一个全面的数据集训练神经网络，以检测杂草和大豆植物的生长阶段，并提供了 6 个先进模型，实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。

本文介绍了一种基于高光谱图像和深度学习的无损检测技术，用于测量甜樱桃番茄的可溶性固形物（SSC）和果实硬度。实验结果表明，该技术的检测准确性分别提高了26.4%和33.7%。此外，研究还探讨了卷积神经网络在农业中的应用，如黑莓果实成熟度检测和红白葡萄分类，展示了深度学习在高光谱成像中的潜力。

本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法优于单一视角。通过多视角学习和多视图门控融合模型，成功预测不同作物的产量，实验结果显示模型的R2值达到0.68。此外，提出了一种改进作物分类准确性的方法，并开发了适用于跨领域学习的新注释数据集。研究还分析了深度学习模型在农作物分类中的应用，并提供了定制模型设计的指南。

本文探讨了多种基于深度学习和数据同化的方法，以提高气体流量和作物产量等动态系统的预测准确性。研究表明，结合卷积神经网络与长短期记忆网络的模型在处理不确定性和填补数据空缺方面表现优异，具有广泛的应用潜力。

本文介绍了一种利用卫星遥感数据进行作物分类的方法，通过归一化处理避免领域漂移问题，并结合卷积神经网络和循环神经网络进行像素分类。该方法在美国中西部极端天气造成的种植延迟实验中表现出卓越性能，分类精度达到85.4％至82.8％。

该研究提出了一种新的基床病害检测方法，利用三维地质雷达数据构建了多视角图像数据集，并开发了GPR-MVFD框架来提取基床病害的显著特征。实验证明该方法有效性高于现有基线和其他最新方法。研究者将发布数据集和源代码。