本文研发了一种基于人工智能技术的牛身体状况数字孪生模型，体系采用农场物联网系统远程监测和跟踪牛的健康状态，通过这个模型可以实时监测牛的健康和生理周期，并预测下一个生理周期的状态。

May, 2022

本研究使用机器学习的方法，通过分析土壤生物、化学和物理性质以及微生物群落密度等环境特征，提高了对植物表型的预测准确度，并对数据预处理策略进行探讨，强调合理的标签定义比正态化、分类水平或模型特征更为关键。

Jun, 2023

本研究旨在利用基于传感器行为数据的机器学习算法，早期检测数字皮炎 (DD) 并预测奶牛 DD。通过建立早期警报工具，实现对商业环境下 DD 的监测和管理，降低 DD 的发病率和严重程度，改善动物福利。通过基于行为传感器数据的机器学习模型，在自由栏条件下预测和检测奶牛数字皮炎，本探索性研究中，DD 临床症状出现的第 0 天的检测模型准确率达到 79%，DD 临床症状出现前 2 天的预测模型准确率达到 64%。该机器学习模型有助于基于行为传感器数据在常规奶牛环境下开发实时自动化的 DD 监测和诊断工具。研究结果表明，个体层面的行为模式变化可用作牛群管理早期警报系统的输入，以检测个体牛健康的差异。

Sep, 2023

人工智能可以在产业中发挥潜在的转变作用，提升生产过程，减少手动重复任务。高性能计算和强大的数学模型之间的协同作用使得机器学习等复杂数据分析过程得以应用。然而，在有效、高效和灵活处理以生成有价值的知识方面存在挑战。因此，本研究全面描述了人工智能可应用于的产业挑战，重点关注乳业。所提出的结论可以帮助研究人员应用新方法监测牛群，为农民的需求提供先进的技术解决方案。

Jun, 2024

本研究探讨了人工智能（AI），尤其是强化学习（RL）在农业中的应用，以提高作物产量、精确调整氮肥使用和浇水量、减少硝酸盐径流和温室气体排放为重点，特别关注来自土壤的氧化亚氮（N2O）排放。通过使用部分可观察马尔可夫决策过程（POMDP）和作物模拟器来模拟 AI 智能体与农业环境的互动，应用基于循环神经网络（RNN）的深度 Q 学习和 Q 网络进行智能体的训练，在模拟器中整合了机器学习（ML）模型来预测 N2O 排放。我们通过概率机器学习方法处理了 N2O 排放估算中的不确定性，并通过随机天气模型应对气候变异，提供一系列排放结果以提高预测可靠性和决策能力。通过纳入气候变化因素，提升了智能体的气候适应能力，旨在实现可持续农业实践。研究结果表明，通过惩罚 N2O 排放，在气候变暖和降水减少等气候变化条件下，这些智能体能够平衡作物生产和环境问题。这种策略改善了气候变化下的农业管理，突出了人工智能在可持续农业中的作用。

Feb, 2024

本研究利用数据工程算法解决肠道菌群数据的类别不平衡和高维问题，应用多个机器学习分类器以进行宿主表型的分类，表现出具有高预测准确率的优越性，并采用主成分分析（PCA）大大减少了测试时间。研究表明，微生物特征在物种级别上的分类精度最高，该原型对于实现个性化医疗具有很高的潜在价值。

Jun, 2023

从事机器学习方法在食品安全行业中，尤其是检测霉菌毒素和其他食品成分的存在方面的研究，探讨了近年来机器学习应用的优势、挑战和未来发展潜力，以及对数据和代码的公开获取有关的疑虑。研究结果显示，尽管多数研究主要利用神经网络进行霉菌毒素的检测，但在所采用的神经网络架构中存在着显著的多样性，其中卷积神经网络最为普遍。

Apr, 2024

研究探讨将作物建模和机器学习（ML）相结合是否能提高美国玉米带的玉米产量预测，并确定 APSIM 特征对于玉米产量预测的影响，研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差（RMSE）降低 7 到 20％，其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。

Jul, 2020

畜牧饲料行为监测的自动化方法和技术的综述，讨论了不同的传感方法、信号处理和计算智能方法，并强调了自动监测系统提供有价值信息以改善我们对畜牧饲料行为的理解的潜力。

Dec, 2023

为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

Mar, 2024