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。

本研究提出了一种元学习方法，解决了自主作物导航中的领域转移问题，能够快速适应新环境，提高低数据条件下的导航稳定性，具有重要应用潜力。

本研究探讨了农业监测中作物模式识别的效率，结果表明深度神经网络（DNN）在分类识别性能上优于其他机器学习方法，显示出显著的应用潜力。

本研究提出了一种新方法，通过逆程序建模优化植物形态，解决了3D重建中因遮挡和复杂形状导致的问题，实现农业作物的完整3D重建，具有广泛的应用潜力。

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。

本研究提出了一种集成框架，利用深度学习技术检测和量化农作物与杂草。该框架结合多模型输出，提高了甘蓝和科冷草在未知数据上的识别性能。消融研究验证了模型的有效性，并引入了两个新数据集进行比较。

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。

草原监测的可扩展性和生态系统服务特性使其具备高生物多样性。本文探讨了自动识别标志性植物的困难，介绍了迁移学习和可解释人工智能在草原监测中的应用。研究分析了迁移学习方法和可解释人工智能技术的优势，为增强模型性能和衡量领域适应性提供了有价值的贡献。

该研究使用基于长短期记忆网络的集中式和分散式联邦学习框架进行农作物产量预测，并评估了它们的性能。实验结果显示，两种框架的预测准确度分别超过97%和97.5%，集中式联邦学习可以缩短响应时间约75%。未来研究方向是探索联邦学习在农作物产量预测中的应用。

研究人员通过使用不同卫星传感器获取的图像，证实了在卫星图像时间序列（SITS）的作物分布图框架中，使用多模态多时序变换器架构可以提高分类性能。实验结果表明，该架构显著改善了性能。

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。

本文介绍了一种特征提取方法，用于草莓和番茄等特殊作物的成熟度分类。该方法在成熟度分类和时间效率方面表现优于现有方法。

本文介绍了一种利用分类卫星图像时间序列绘制农作物地图的方法，通过将专家知识编码至神经网络中，提高了细粒度分类的性能。实验证明，该方法在分类性能上至少提高了9.9个百分点。