通过使用生成神经网络，提出了一种基于图像的带花植物表型识别的解决方案，通过创建人工图像生成训练用的有标注的植物图像集合Ax。

Sep, 2017

本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在CVPPP Leaf Segmentation Challenge竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

Mar, 2020

本研究使用多模态数据，比如 RGB 和热成像数据，基于香蕉幼苗研究了非生物胁迫的预测方法，神经网络可以高达90％的准确率预测不同处理组中的植物状态。

Nov, 2020

本文介绍了利用传感器（如RGB，热像仪和高光谱相机等）实现自动化高通量植物表型分析的方法，详细介绍了Sorghum-100数据集，以及使用动态异常值汇聚方法对该数据集进行对不同品种的作物图像分类的方法。

Jun, 2021

该研究提出了一种使用多传感器机器人平台的高质量3D多光谱点云（3D-MPC）的方法，其中包括自适应数据采集和反射率校正，以便在自然光条件下为植物进行表型分析。

May, 2023

使用遥感数据预测植物现象和表型的主要研究领域，通过生成满足特定表型属性（如冠层绿度）的合成森林图像，进而发展一种基于生成对抗网络（GAN）的方法来合成与植被绿度相关的森林图像，同时预测红度属性，并评估其准确性和完整性。

Jul, 2023

自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如ResNet、EfficientNet和ConvNeXt在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的CNN架构PhytNet来填补这一空白，利用红外可可树图像的新数据集，展示PhytNet的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18显示出一些过拟合迹象，而EfficientNet变体则显示出明显的过拟合迹象，相比之下，PhytNet对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此PhytNet是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。

Nov, 2023

这项工作利用神经辐射场和遥感技术进行林业应用研究，通过实验展示了神经辐射场在提升森林监测遥感方法、表达森林三维结构的精细特征、融合不同遥感模态、改善森林三维结构衍生指标方面的潜力，将神经辐射场作为一种具有巨大潜力的计算工具，能进一步提高森林监测项目的可扩展性和准确性。

Jan, 2024

基于机器学习和地球观测数据的气候变化研究进展，提出了一种整合辐射传输模型和自编码器架构的端到端学习方法，不仅能纠正辐射传输模型的偏差，而且在变量检索方面优于传统神经网络回归技术，并且该框架在反演有偏物理模型上具有潜在普适性。

Mar, 2024

高通量表型测定与机器学习相结合，应用OCR、图像分割和机器学习算法，可以提高植物表型测定的效率，准确提取相关信息。

Jul, 2024