大田作物大多采取露地种植方式。东北地区全年温度较低，在作物苗期如果出现日照和降雨量大范围的波动，则十分容易导致农作物出现苗弱苗小、根系长势弱以及发育不全和生长缓慢等现象。若能对农作物苗期实时监测和管理，及时掌握其生长状态及其环境情况，便可及早做出决策。本研究于2022年5月9日—2022年6月16日期间，对试验田内11个气象站的小麦、玉米和水稻、小麦苗期图像进行采集，通过整理和筛查后形成的数据量约为2.59 GB，其中可见光RGB 1.48 GB，近红外光谱 1.11 GB。本数据集可以通过RGB可见光数据和近红外光谱数据完成对作物的叶龄识别，将提取出的特征（颜色特征、图像特征、纹理特征、植被指数）带入机器学习回归模型中进行分析预测，同时本数据集还适用于构建作物识别或幼苗识别的卷积神经网络模型，以进一步精准实现作物检测及插秧后漏苗、补苗等研究。
数据摘要：
水稻是我国三大粮食作物之一，准确、高效、及时地预测水稻产量对品种选育和优化田间管理至关重要。无人机遥感系统凭借其快速、无损、成本低、通量高等优势，被广泛应用在作物病虫害识别、作物生长监测和作物表型分析等领域。为探究光谱数据在水稻产量估测方面发挥的作用,本数据集利用无人机遥感采集了水稻生长过程中的多光谱图像。选取106个1 m×1 m的样本点人工采样测产，同时在采样后采集了可见光图像，实现光谱图像和产量数据间的关联。经过人工检查和整理构建了本数据集。数据采集地点为黑龙江省，无人机在无云、光照充足的条件下进行数据采集，采集时间为2023年7月至2023年8月，共采集试验田内不同品种3天的多光谱数据和1天的可见光数据。本数据集各项数据完整，可为产量估测研究提供数据支撑。
及时发现小麦田间赤霉病发生情况并根据发病严重程度采取相应的防治措施，有利于提高小麦的产量和质量。当前识别小麦赤霉病严重度的方法大多基于一株或几株麦穗进行识别，这种方式由于效率较低不适用于田间调查。为解决该问题，该研究提出一种高效准确的田间小麦赤霉病严重度识别方法。通过引入CBAM注意力机制以改进YOLOv8m-seg模型的性能。利用改进的YOLOv8m-seg模型对采集的远景图像进行小麦麦穗实例分割，然后基于非目标抑制方法进行单株小麦麦穗切图，再利用改进的YOLOv8m-seg模型对每一株小麦麦穗中的病小穗和健康小穗进行实例分割，最后通过病小穗和健康小穗的数量计算每一株小麦麦穗的赤霉病严重度。为验证本文方法的有效性，构建了小麦麦穗（D-WE）和小麦小穗（D-WS）两个数据集进行测试。试验结果表明YOLOv8m-seg在两个数据集上的综合性能优于YOLOv8n-seg、YOLOv8s-seg、YOLOv8l-seg和YOLOv8x-seg。引入CBAM的模型优于引入SE、ECA和CA注意力机制的模型，与原模型相比，改进YOLOv8m-seg模型的平均精度均值在两个数据集上分别提高了0.9个百分点和1.2个百分点。该研究提出的小麦赤霉病严重度识别方法与其他三种识别方法相比严重度准确率分别提高了38.4个百分点、6.2个百分点和2.4个百分点，通过TensorRT将改进的YOLOv8m-seg模型部署后总算法耗时仅仅为原来的1/7。最后，该研究基于AR眼镜进行三地的小麦田间赤霉病严重度调查，调查结果表明，基于AR眼镜的小麦赤霉病智能识别平均病穗计数准确率高达0.953，且调查耗时仅为人工调查的1/3，充分说明了该研究提出方法的有效性，为智能化小麦赤霉病田间调查奠定良好的基础。
小麦是全球主要粮食作物之一，随着物联网技术的发展，多光谱动态采集技术通过捕捉丰富的光谱信息，识别可见光范围内难以区分的物质和特征，从而为水肥亏缺诊断、病虫害预警等提供更详细的数据支撑。目前大部分研究采用无人机遥感平台搭载多光谱相机获取小麦冠层多光谱图像，然而无人机运行维护成本较高，且无法实时采集小麦整个生长周期内的连续生长信息，相比而言，多光谱原位监测设备能够逐日实时采集特定区域内作物整个生长周期的生长数据，从而实现连续性的作物生长动态监测。本研究在2024年4月9日至6月6日期间，对北京市小汤山国家精准农业研究示范基地内设置的试验田小麦的拔节期、孕穗期、开花期和灌浆期图像进行了采集。经筛选和整理后形成的有效数据为每日6点-18点采集的多光谱图像，采集频率为一小时，数据量为1.42 GB。图像数据由布设在自然大田环境中的多光谱原位监测设备定时拍摄而得，并以文件夹形式存储。图像经过专业人员筛选和整理，确保数据高质量和可靠性。本数据集可通过多光谱图像数据实现对小麦的水肥亏缺诊断、病虫害监测等任务，将提取出的反射率值、植被指数、颜色特征、纹理特征、植被覆盖度等信息带入预测模型中进行分析预测，同时本数据集还适用于构建小麦叶绿素含量、生物量估算的网络模型等研究。
香气是葡萄重要的品质性状之一，也是葡萄品质研究的热点和分子设计育种的重要内容。葡萄种质资源丰富，在香气性状上也表现出了丰富的遗传多样性。本研究使用固相微萃取—气相色谱—质谱联用技术（SPME-GC-MS）对242个葡萄品种果实香气组分和含量进行了测定，并开展了组分与感官评价的相关性、组分之间的相关性和品种之间的主成分分析。共检测出526种挥发性组分，并从中筛选出108种可能的香气组分，包括酯类、醇类、醛类、酮类、萜类、烃类、酸类和呋喃类共8种类型，从种类数上看，酯类最多，其次是萜类，从频次上看，醛类最高，其次是烃类和醇类。与香味感官评价相关性系数最高的前十种组分包括6种酯类、3种萜类和1种烃类，其中己酸乙酯相关系数最高，其次为2—己烯酸乙酯和芳樟醇。同种类型的组分之间表现出了较高的相关性，特别是酯类、萜类和呋喃类，不同类型的相关性比较低。主成分分析大部分的品种聚在一起，并在三个主成分方向上存在发散，并且与感官评价的结果高度一致。本研究为研究葡萄香气性状遗传多样性和种质特异性提供了重要的数据支持。
蒙古国草地系统的健康状况关系着其畜牧业效益和国内外生态安全。衡量牲畜放牧密度并合理控制放牧密度对于维护蒙古国草地生态系统健康以及实现畜牧业的可持续发展具有重要意义。空间放牧密度梯度信息的缺失阻碍了对草地承载力相关研究的推进。本研究基于2015年世界网格化牲畜数据集（gridded livestock of the world，GLW）、牧区人口密度、土壤水分、年降水、地表温度和净初级生产力（net primary productivity，NPP）等空间数据，利用谷歌地球引擎（Google Earth Engine，GEE）云平台运行随机森林回归算法，建立了蒙古国放牧密度估算模型；基于省域牲畜存栏量统计数据检验了模型的准确性，并结合不同年份预测因子数据，模拟了蒙古国2006—2020年放牧密度空间分布。为确保数据集的准确性，采用判定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）三个误差测量指标对数据集进行校验。模拟结果显示，2006—2020年蒙古国放牧密度在空间上整体呈现北高南低的特点；2006—2010年蒙古国放牧密度扩张明显，放牧密度高于5 TLU/km2区域面积占比由0.223%增加到51.390%；2010—2020年，蒙古国大部分地区放牧密度无显著变化。检验结果表明，该数据集较好地实现了蒙古国放牧密度空间化的模拟，2006、2010、2015和2020年模拟数据与蒙古国省域牲畜存栏量拟合R2分别为0.844、0.734、0.914、和0.926，均通过显著性检验，MAE分别为5.195、3.513、2.336、3.461，RMSE分别为8.135、5.257、4.200、5.909。本研究提供的蒙古国放牧密度数据集对该地区草地生态系统的可持续发展以及牧民的生计安全提供了重要信息支撑。
随着多模态基础模型（大模型）的发展，如何高效地将其迁移到特定领域或任务中成为目前的热点、难点问题。该研究以多模态大模型CLIP为基础模型，使用参数高效微调方法Prompt、Adapter将CLIP迁移到枸杞虫害识别任务中，提出了用于枸杞虫害识别的跨模态参数高效微调模型D-PAG。D-PAG模型首先在CLIP编码器的输入层或隐层中嵌入了可学习的Prompt与Adapter，用于训练，学习虫害特征；然后利用门控单元将Prompt、Adapter集成到CLIP编码器网络中，平衡两者对特征提取的影响大小，在Adapter中设计了GCS-Adapter注意力用以加强跨模态语义信息融合。为了验证方法的有效性，在枸杞虫害数据集和细粒度数据集IP102上进行了实验。验证实验结果表明，在枸杞数据集上仅用20%样本数量训练便可达到98.8%的准确率，使用40%样本数量训练准确率达到了99.5%；在IP102上验证，准确率达到75.6%，与ViT持平。该方案可在少样本条件下，通过引入极少额外参数，将多模态大模型基础知识高效迁移到特定虫害识别领域，为高效使用大模型解决农业图像处理问题提供了新的技术方案。
冬小麦和夏玉米是黄淮平原农田生态系统中的主粮作物，为保障国家粮食安全作出了突出贡献。准确掌握主粮作物关键物候期对估算作物产量、改进农业生产管理水平、预防农业气象灾害具有重要意义。本数据集整合了黄河故道冲积平原区近15年（2008—2022年）一年两熟冬小麦-夏玉米连作制度下作物不同物候期的生态观测数据，主要包含观测样地信息、冬小麦物候期数据、夏玉米物候期数据。本数据集将为区域农业定量遥感研究、作物生长模型模拟研究、农业气候变化研究及农业生产和管理决策提供科学依据和数据支撑。
农业是最基础、最有代表性的传统产业，加快建设农业强国，亟需培育和发展农业新质生产力。数字技术是新一轮科技革命和产业变革的先导力量，全面推动数农融合的智慧农业将成为加快形成农业新质生产力的重要着力点。该文从马克思主义生产力理论出发，对新质生产力的科学内涵、农业新质生产力的基本特征及智慧农业建设的现实需求、发展趋势、重点方向等进行研究，将国内外文献、统计数据、调研结果相结合，提出强力推进智慧农业建设、加快形成农业新质生产力良好生态的路径措施。我国智慧农业建设正从“盆景”转变为“风景”，已进入大数据、物联网、区块链、人工智能、卫星遥感、北斗等多种现代信息技术协同高效、系统集成的新阶段，需从重点行业着手，加快形成智慧农业建设发展的大气候。要把智慧农业作为推进农业强国建设的重要抓手，解决好数据这个最大的制约因素，推动现代信息技术与农业产业深度融合，打造高素质创新型劳动者队伍，充分发挥企业的创新主体作用，加强关键核心技术攻关，顺应数字化、绿色化两大转型的发展大势，加快培育和发展农业新质生产力。
针对枸杞种植中面临的虫害细粒度分类难题，提出了一种农业虫害细粒度分类模型——基于空间特征融合的数据增强视觉Transformer（ESF-ViT）。首先，该模型利用自注意力机制裁剪出前景目标的图片以增强图像输入，补充更多细节表示；其次，结合自注意力机制与图卷积网络提取害虫区域的空间信息，学习害虫的空间姿态特征。为了验证本文所提模型的有效性，在CUB-200-2011、IP102以及宁夏枸杞虫害数据集WPIT9K上开展实验研究，实验结果表明本文所提方法相比基础ViT模型分别提升了1.83%、2.09%和2.01%，并且超越了现有最新的虫害分类模型。所提模型能够有效地解决农业虫害识别领域中的细粒度虫害图像分类问题，为虫害的高效监测预警提供视觉模型。
小麦纹枯病是我国麦区常发的土传真菌病害，在小麦整个生育期均可发生，对我国小麦产量和品质影响极大。通过构建小麦纹枯病防治领域本体，对领域知识进行建模，以期整合和共享小麦纹枯病防治领域的知识，为农业决策、病害防治等方面提供重要的支持和指导。本研究以小麦纹枯病防治领域文献为数据源，采用KeyBERT关键词提取算法挖掘本体核心概念，通过层次聚类提取本体概念间层次关系。最后利用Protégé对本体概念、概念间关系进行可视化表达。本研究提出了小麦纹枯病防治领域本体构建方法，阐述了通过构建小麦纹枯病语料库来构建本体的基本方法，给出了领域本体构建的流程框架，详细阐述了构建中所使用的算法和构建工具。本研究数据源主要为科技文献，未来可进一步扩充数据源，对本体进行扩展。本体评估部分目前主要依靠领域专家评估，未来可增加量化评估。本研究所构建的小麦纹枯病防治领域本体包含了较完整的小麦纹枯病概念体系，符合本体评价标准和本体构建需求，可为领域本体的构建提供借鉴与参考，为小麦纹枯病防治领域的知识发现与智能问答、智能推荐等下游应用提供有力支持。
数字化平台是各大主体抢占新一轮科技产业革命制高点的重要机遇，其以低成本、高包容、高效率以及高价值的方式有效链接起了生产者与消费者，在助力乡村振兴、实现共同富裕的战略任务中发挥着重要作用。本文以浙江“网上农博”平台为例，分析了数字化平台的框架与功能，展示了数字化平台赋能共同富裕的初步成效，提炼了数字化平台赋能共同富裕的理论框架，讨论了数字化平台赋能共同富裕的制约因素和实质问题。针对数字化平台中存在的企业责任不明确、利益分配不均衡、数字平台应用不平衡以及公益性数字化平台的发展阻碍等问题，本文提出了明确责任边界、公平配置资源、优化平台功能、探索可持续性的盈利模式以及多方协同支持等对策建议，为解答数字化平台如何更有效地促进共同富裕提供了参考。
阅读排行
