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重, 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。该文系统综述了人工智能在离子逆境适生种质创新中的主要进展与应用。在表型组学方面, 多维度表型组采集系统整合红绿蓝成像(RGB)、光谱传感、荧光成像、热红外成像与X射线荧光光谱(XRF)等技术, 结合机器学习、深度学习与多源数据融合, 可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, 人工智能应用于基因挖掘、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面, 显著提升了育种效率。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(G×E)模型预测精度有待提升以及技术推广成本高等挑战, 制约了人工智能技术的规模化应用。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。

随着科学智能(AI for science, AI4Science) (即用人工智能技术来驱动科学研究)作为科学研究新范式的兴起, 人工智能(AI)正深刻推动植物生命系统的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、感知环境胁迫并参与地上-地下互作的关键器官, 对作物产量和生态系统的功能起着决定性作用。然而, 由于根系生长在土壤中, 其复杂表型难以直接观测, 导致对根系结构和功能的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, 整合多源的根系与环境数据、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, 成为当前根系研究的前沿方向。该文从数据获取、结构建模、机制推理和管理决策等方面系统综述了AI在根系研究中的主要应用与发展趋势, 基于AI的图像分析可实现根系结构的自动识别与量化; 建模与数据融合可揭示根系-土壤多尺度、多过程的互作。虽然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了前所未有的手段。然而, AI应用于根系研究仍面临田间高质量数据获取困难、不同实验尺度之间的数据融合不足, 以及根系-土壤-环境耦合过程的模拟与刻画不充分等挑战。该文对根系研究如何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进行探讨, 以推动相关关键核心技术突破, 促进根系科学向智能化、精准化方向发展, 为新一代根系育种和资源高效利用提供理论依据与技术支撑。

围绕人工智能(AI)赋能的作物表型采集, 从形态结构、生长发育、生理生化、产量品质、抗逆性与抗病性及分子表型等维度, 总结了各类表型的典型特征与对应的高通量采集手段, 并从这6个维度, 重点梳理了AI技术在植物表型特征自动识别、多尺度表型参数提取、多源表型数据建模与分析中的最新研究。最后, 简要总结了当前基于AI的表型研究在复杂田间环境适应性、多源数据融合以及基因型到表型(G2P)精准建模方面的挑战与不足, 展望了AI驱动的作物表型采集、解析与表型组学技术在智能化育种和农业智能决策中的应用前景及研究方向。

随着全球气候变暖与人口激增, 作物育种向更高精度、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以及多组学大数据分析等技术, 实现遗传信息的整合与编辑以及表型与基因组的结合, 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。综上, 智能育种的前沿技术能够显著提高育种效率与精准度, 将塑造植物育种未来的发展方向。

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。构建了“感知-决策-执行-管理”闭环架构体系, 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; 决策层整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技术, 实现农田运行的可视化与可持续管理。尽管当前智慧农业发展迅猛, 但在数据同化标准上仍有欠缺, 装备智能化与适应性还有待提高, 海量数据的数据安全与隐私保护问题日益突出。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技术支撑, 对于推动高效、智能和可持续农业发展具有重要意义。

水果成熟度的无损检测对于降低水果生产、运输以及存储过程中的损耗有重要意义。在传统检测方法中, 经验判断法主观性强、准确率低; 而有损检测法则会破坏样品完整性, 二者均存在检测效率低的局限。近年来, 随着近红外光谱、高光谱成像、机器视觉、声学振动、电学特性、触觉感知及电子鼻等无损检测技术的迅速发展, 通过检测水果的颜色、硬度、糖酸比以及挥发性气体等与水果成熟度具有高度相关性的关键参数, 利用机器学习方法实现了对水果成熟状态的精准评估。该文以水果成熟过程中生理特性变化为切入点, 系统梳理了无损检测技术的基本原理与应用。此外, 总结了该领域面临的挑战, 如环境干扰、数据标准缺失以及成本、复杂度与多模态集成之间的平衡。最后, 探讨了传感器技术的未来发展方向, 如开发低成本的多模态传感器技术、制定数据标准以及提高机器学习的可解释性。

园艺植物在文化传承、经济发展和生态系统的可持续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等挑战。园艺作物信息感知技术为其提供了创新解决方案。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, 已逐渐成为植物生理生化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。为此, 该文围绕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方面的研究及应用现状; 并提出未来发展方向, 以期为园艺植物信息检测提供参考。

在新农科建设与教育数字化转型双重背景下, 针对农林院校植物学课程学用脱节、知识内化不足及学生兴趣缺失等核心痛点, 华南农业大学以AI为关键赋能工具, 构建了“资源-工具-场景-成果”四位一体的支撑体系, 实施理实、科教和产教融合的“三融合”闭环教学改革。通过重构“细胞-组织-器官-类群-资源利用”分层教学内容、打造多模态AI智慧资源矩阵、采用“三维度-三阶段”过程性考核, 实现学生核心能力与素养多维提升、教师专业能力增强及资源辐射效应凸显。该改革实践为农林院校植物学课程数字化转型提供了可复制范式, 为培养厚植“四农(知农、爱农、强农、兴农)”情怀及服务现代农业与乡村振兴的创新型复合人才提供了助力。

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与课程教学融合路径。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的参与度和知识掌握率, 如碳平衡认知正确率提升至89%, 增强了学科认同感与社会责任感, 为课程智能化与思政融合提供实践参考。

在教育数智化变革背景下, 作为新型数字化技术的典型代表, 知识图谱与教育教学的深度融合正成为教育领域的热点。该研究基于学习通智慧教育平台和人工智能(AI)技术, 系统构建了植物生物学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。应用实践表明, 课程知识图谱有助于学生梳理知识点之间的关系、拓宽知识面、构建系统化的知识体系, 并辅助学生制定个性化学习路径, 提高学习能力; 对于教师而言, 课程知识图谱是高效管理教学资源的有力工具, 个性化学习数据帮助教师精准把握学生个体差异, 提供针对性指导, 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。