园艺植物在文化传承、经济发展及生态系统的可持续性发展中具有重要意义, 但其发展正面临气候变化、劳动力短缺和资源利用率低下等挑战。园艺作物信息感知技术为其提供了创新的解决方案。其中, 植物可穿戴传感器作为一种新兴的监测工具, 凭借其高延展性、高柔韧性、高时空分辨率和良好的生物相容性等特点, 正逐渐成为植物信息获取的重要技术手段。然而, 目前尚缺乏针对可穿戴传感器在园艺植物领域应用的系统性总结。因此, 本文围绕着园艺植物的信息检测, 综述了植物可穿戴传感器在植物生长监测、含水量检测、茎流量分析、电信号采集和化学物质检测的研究及应用现状。最后, 对植物可穿戴传感器的现状进行了总结和展望, 以期为园艺植物信息检测做出参考。

智慧农业作为农业现代化发展的核心方向, 正推动农业生产由经验驱动向数据驱动,由人工操作向智能化、自动化转型。该文系统梳理了人工智能在智慧农业中的应用及智慧种植发展现状、趋势与挑战。明晰“感知-决策-执行-管理”闭环架构, 以伏羲农场为案例阐述其在智慧种植全流程中的作用与价值。感知层依托多源传感器、成像技术与物联网实现作物与环境的精准监测; 决策层结合数据驱动算法与作物生长模型, 实现施肥、灌溉与病虫害防控的智能预测与优化; 执行层通过无人农机、无人机与机器人完成高精度无人化作业; 管理层则借助云边协同与数字孪生, 实现农田运行的可视化与可持续管理。当前智慧农业发展迅猛, 但在数据同化标准上仍有所欠缺, 装备智能化与适应性还有待提高, 随着海量数据获取其数据安全与隐私保护也是一大难点。智慧种植的核心目标是实现增产、提质、降本与绿色发展, 并进一步推动农业多源感知融合、智能决策闭环、自主化作业和低碳耕作。研究结果不仅为智慧农业理论体系完善提供参考, 也为农业物联网、人工智能和数字农业的工程实践提供了技术支撑, 对于推动高效、智能和可持续农业具有重要意义。

在教育数智化变革背景下, 知识图谱作为新型数字化技术的典型代表, 与教育教学的深度融合正成为教育领域的前沿热点。本研究以植物生物学课程为例, 借助智慧教育平台和AI技术, 系统构建课程知识图谱并开展应用实践, 以探究其在教育教学中的实质作用。研究结果表明, 课程知识图谱有助于学生梳理知识点关系、拓宽知识面、构建知识体系, 并辅助学生制定个性化学习路径, 提高学习成绩、提升学习能力; 对教师而言, 课程知识图谱是高效管理教学资源的有力工具, 个性化学习数据驱动教师及时把握学生个体差异, 展开精准辅导, 持续提升教学质量。这种“教师-知识图谱-学生”三方协同的学习生态, 为教育数智化变革提供了极具价值的实践范式。

随着全球气候变暖与人口激增, 作物的育种需要朝着更高精度、高效率和可持续性迈进。在人工智能飞速发展的浪潮下, 基于人工智能的智能育种应运而生, 代表了植物育种前沿, 其借助结合机器学习和深度学习的高通量表型获取、以全基因组关联分析为基础的基因组选择和多组学大数据分析等技术, 实现遗传信息的整合与编辑及表型与基因组的结合, 将为农业育种带来革命性变化, 提升作物生产力、改善质量并改良性状。展望未来, 精准农业和个性化育种是重要发展方向, 聚焦环境适应性和气候变化的策略有助于应对环境挑战。智能育种的前沿技术, 能够显著提高育种效率与精准度, 将塑造植物育种的未来发展方向。

在人工智能(AI)赋能三度(力度、深度和广度)理念指导下, 针对植物生理学传统教学中存在的知识点零散、实践关联弱、学生主动性不足及课程思政融入生硬等问题, 以“呼吸作用在农林业生产中的应用”为核心案例, 探索AI 与课程思政融合路径。通过构建知识图谱、设计 AI 驱动的课前-课中-课后闭环教学流程以及开发案例生成工具, 实现知识系统化、教学个性化和实践精准化; 借助 AI 将农耕智慧、“双碳”目标等思政要素转化为可视互动的形式, 构建了知识传授-能力培养-价值引领三位一体的模式。实践表明, AI 赋能有效提高了学生参与度和知识掌握率, 如碳平衡认知提升至 89%, 增强了学科认同与社会责任感, 为课程智能化与思政化融合提供实践参考。

随着全球气候变化与人类活动加剧, 盐碱化与重金属污染等离子逆境导致的耕地退化日益严峻, 威胁粮食安全。人工智能技术的快速发展为离子逆境适生种质创新提供了新范式。本文系统综述了人工智能在离子逆境适生种质创新中的关键进展与应用, 在表型组方面, 多维度表型组采集系统整合RGB成像(Red Green Blue Imaging)、光谱传感、荧光成像、热红外成像与X射线荧光光谱(X-rayFluorescenceSpectrometer, XRF)等技术, 结合机器学习、深度学习与多源数据融合, 实现对离子逆境胁迫表型的早期、精准与无损识别。在智慧育种方面, 人工智能在加速基因挖掘、解析遗传多样性解析、多基因调控网络预测与全基因组选择等方向显著提升育种效率。然而, 当前仍面临数据标准化与共享机制不完善、基因型-环境互作(Genotype-by-Environment Interaction, G×E)模型预测精度有待提升、以及技术推广成本较高等挑战, 制约了技术的规模化应用。展望未来, 随着数据整合能力不断增强, 算法持续优化以及技术普及程度的不断提高, 人工智能有望在退化耕地治理与农业可持续发展中发挥更大作用, 为保障全球粮食安全提供强有力的技术支撑。

随着 AI4Science (利用人工智能驱动科学发现)作为科学研究的新范式兴起, 人工智能正深刻推动植物生命系统研究向数据驱动与智能化转型。根系作为植物获取水分和养分、感知环境胁迫并调节地上-地下相互作用的关键器官, 对作物产量和生态系统功能起着决定性作用。然而, 由于根系生长在土壤的不可见性, 表型复杂且难以直接观测, 对其结构与功能认识长期滞后于地上部分。人工智能的发展为破解这一“地下黑箱”提供了新工具和新路径。如何以人工智能为核心驱动力, 整合多源根系与环境数据、前沿算法及根系科学知识体系, 进而揭示根系结构与功能的关键关系, 已逐渐成为当前根系研究的前沿方向。该文系统综述了 AI4Root 即 AI 在根系研究中的主要应用与发展趋势, 涵盖数据获取、结构建模、机制推理及管理决策等环节。基于 AI 的图像分析可实现根系结构的自动识别与量化; 建模与数据融合揭示根系-土壤多尺度、多过程的相互作用。AI 在根系表型测定、构型模拟、分泌物及微生物互作解析等方面显示出巨大潜力, 为深入理解根系功能提供前所未有的手段。然而, AI 应用于根系研究仍面临田间高质量数据获取困难、不同实验尺度数据融合不足及根系-土壤-环境交互复杂性建模不足等挑战。未来, 依托多源数据深度整合、跨学科算法优化及数字农业平台协同应用, AI 有望推动根系科学进入智能化研究新阶段, 为作物改良与智慧农业发展提供创新路径。