美国AIIRA研究计划探索植物数字孪生
AIIRA的官网将预测性植物数字孪生列为研究愿景：用AI建立植物模型，再探索如何提高农业系统的韧性。项目由多所大学与机构协作，关注农业研究中的模型与数据问题。读者可以把数字孪生理解为面向植物的预测模型；这页介绍的是研究目标和合作团队，不能据此判断模型已经通过哪些田间测试，也不能直接推断它适用于某个温室或家庭菜盆。
官网愿景页不足以证明商业可用性、预测准确性或适合本地作物；具体应用需要查看对应研究与验证资料。
看见AI农业的真实进展
AI农业资讯雷达
从已读源核对的日报中浏览AI农业案例、研究和工具。可按主题、资料类型和原始日期筛选，也可把值得再看的条目“收获”到本机。清除站点数据会清除收获清单。
雷达随合格日报更新；今天没有足够的新材料时保留最近一期及真实日期。
来源健康与采集时间
这里展示最近一次成功采集的结果，随合格日报更新。访问此页面不会重新请求原站，也不代表实时可用。
本期三条速读
- 美国AIIRA研究计划探索植物数字孪生
驱动植物生长的预测性数字孪生模型构建
- DeepForest开源树冠检测工具
检测航空影像中的树冠边界和鸟类等生态对象
- PlantDoc植物病害分类数据集
为植物病害视觉分类和检测模型提供训练与测试数据
全部资讯
DeepForest开源树冠检测工具
DeepForest是基于深度学习的开源Python工具包，用于训练和预测航空影像中的生态对象。该工具目前提供树冠检测模型和鸟类检测模型，均为单类别模块，用户可基于自有标注数据扩展为物种分类模型。DeepForest使用深度学习目标检测网络预测RGB影像中对应单棵树木的边界框，构建在PyTorch的torchvision模块之上，旨在简化生态对象检测模型的训练流程。该工具主要服务于树冠划分和生态监测场景。
预训练模型主要面向树冠等生态目标，不是现成的作物病害识别工具。不同树种、分辨率和采集环境需要用自有样本复核，必要时重新标注训练。
PlantDoc植物病害分类数据集
PlantDoc是用于植物病害视觉检测的公开数据集，由研究团队从互联网抓取图像后人工标注构建，涵盖多个植物种类和病害类别。数据集分为裁剪后的分类数据集和目标检测数据集两部分，前者用于病害分类模型基准测试，后者可通过独立链接访问。该数据集发表于数据科学会议，旨在降低计算机视觉技术在植物病害检测领域的应用门槛，为研究者提供可用于训练分类或检测模型的标注样本。
这是标注后的训练数据集而非可直接使用的诊断工具，需要自行训练模型，互联网抓取的图像与实际田间环境可能存在差异。
CropHarvest遥感农情数据集与基准
CropHarvest是面向农业的开源遥感数据集与基准测试平台，整合了多个农业土地利用数据集和遥感产品。数据点包含二元作物或非作物标签，部分具有多类别标签，配对的遥感数据来自哨兵系列卫星数字高程模型和气候再分析数据。代码仓库提供了将分散数据集合并为单一地理数据文件、从地球引擎导出卫星数据、生成训练样本对并通过数据集对象提供访问的完整流程。研究者可基于此训练和评估作物识别模型。
数据主要来自已有数据集的整合，空间分布和作物类型覆盖受限于原始数据源，模型性能依赖训练数据与实际应用场景的匹配程度。
温室AI管控系统落地连云港
中国农科院中棉所与连云港市农产品质量监督检验测试中心合作的温室智慧管控项目，采用传感器监测、AI辅助决策和自动化控制的闭环。传感器采集温湿度、光照和土壤墒情；AI分析后提出建议，灌溉施肥、通风、卷帘及补光设备执行控制。机构报道提到减少资源浪费与人工成本，但未在这篇报道中给出可复用的效果数据或采购价格，读者不能直接推算自家大棚的投入回报。
报道展示了应用案例，未提供通用报价与各地区效果保证。建议把硬件、软件、调试和维护分开核实，先确认本地作物与设施的适配条件。