［目的/意义］ 利用数字孪生技术实现对无人农场的实时监管和虚实映射控制是新一代农业信息化技术的核心需求之一，但由于蔬菜生长模型过于复杂，难以在数字孪生平台中建立作物预期模拟，因此结合人工智能技术实现作物生长自动建模成了领域迫切需要的关键技术。 ［方法］ 在蔬菜作物数字孪生平台中引入大语言模型技术，通过预训练大语言模型的推理能力实现蔬菜生长数字孪生平台中准确的蔬菜作物生长模拟。为了使大语言模型具有关于蔬菜作物生长的更多知识和推理能力，首先收集了大量连续的蔬菜生长数据，用于预训练和指令微调；随后设计了阶段式大语言模型智能体集合，由一个预测蔬菜生长阶段的管理型智能体和负责各个阶段的智能体组成，根据数字孪生平台提供的实时数据对蔬菜作物生长进行建模。 ［结果和讨论］ 根据气候、土壤、灌溉、施肥、病虫害、生长日期等蔬菜生长状态信息，所建模型能够预测次日的作物长势，且能根据数字孪生平台的作物管理模拟实现几天甚至几个月的长势预测。通过十折交叉验证证明，该方法使得大语言模型在进行蔬菜作物生长建模时的准确率达到98%，蔬菜生长阶段识别准确率高达99.7%。 ［结论］ 研究表明大语言模型能够在特定数据微调后，实现对于数字孪生平台中作物生长的一般性推理，且能平滑过渡到作物生长的不同阶段。

目的/意义 荔枝虫害的精准识别有助于实施有效的防治策略，推动农业的可持续发展。为提高荔枝虫害的识别效率，本研究提出一种基于改进YOLOv10n的轻量化目标检测模型YOLO-LP（YOLO-Litchi Pests）。 方法 首先，优化主干网络（Backbone）的C2f模块，使用全局到局部空间聚合模块（Global-to-Local Spatial Aggregation, GLSA）构建C2f_GLSA模块，实现对小目标的高效聚焦，增强目标与背景的区分能力，同时减少参数量和计算量。其次，在颈部网络（Neck）引入频率感知特征融合模块（Frequency-Aware Feature Fusion, FreqFusion），设计频域感知路径聚合网络（Frequency-Aware Path Aggregation Network, FreqPANet），有效解决目标边界模糊和偏移的问题，并进一步轻量化模型。最后，使用SCYLLA-IoU（SIoU）损失函数替代Complete-IoU（CIoU）损失函数，优化目标定位精度并加速模型训练收敛过程。为了评估模型性能，本研究在自然环境和实验室环境的四种场景中，构建自建的荔枝虫害小目标数据集并进行测试。 结果和讨论 YOLO-LP在AP₅₀、AP_50：95、AP-Small_50：95分别达到了90.9%、62.2%和59.5%，较基线模型分别提高了1.9个百分点、1.0个百分点和1.2个百分点。同时，模型的参数量和计算量分别减少13%和17%。 结论 YOLO-LP在精度和轻量化方面表现优越，为荔枝虫害检测的实际应用提供了有效的参考。

［目的/意义］ 为提炼区域智慧农业高质量发展的典范案例，并为国家智慧农业事业持续进步贡献策略，深入探究长江经济带智慧农场时空特征及关键驱动因子。 ［方法］ 基于2014—2023年11省（市）数据，用核密度分析、空间自相关及标准差椭圆方法全面剖析长江经济带智慧农场时空分异特征，并用地理探测器从7个维度考察关键因子及其交互作用。 ［结果和讨论］ 长江经济带智慧农场数量10年间稳步增长，2016年为重要转折点；空间布局呈分散集聚特征，以H-L型和L-H型集聚为主，分布省份略显繁杂；技术创新是时空分布格局形成的首要关键因素，因子解释度为0.311 1，与其他指标交互之后仍保持核心驱动地位。 ［结论］ 长江经济带智慧农场发展势头向好，子区域智慧农场的发展增速与水平呈“下游＞中游＞上游”的差异化特征；整体空间分布均衡，子区域分布均衡程度为“中游（湖北、湖南、江西3省均衡）＞下游（安徽主导）＞上游（四川，独占鳌头）”，智慧农场选址覆盖面持续扩张并形成“东北—西南”的横向扩散格局；时空分异格局形成是多因子综合作用的结果，因子解释力为：技术创新＞城镇化＞农业机械化＞人力资本＞互联网基础＞产业依赖＞专项财政支持，且因子交互作用时影响力会进一步得到强化。

【目的/意义】 为了解决图像尺寸变化和目标尺度变换共存对小目标检测精度的影响问题，本研究提出了一种新的检测模型：Multi-Strategy Handling YOLOv8（MSH-YOLOv8）。 【方法】 该模型在YOLOv8的基础上增加一个检测头，以提高小尺度目标敏感度；引入Swin Transformer的检测结构到头部网络，以减少计算冗余；引入包含可变形卷积的C2f_Deformable Convolutionv4（C2f_DCNv4）结构和Swin Transformer编码器结构重构YOLOv8主干网络，优化并增强其特征传递和提取能力，提高小目标敏感度；采用基于规范化的注意力模块（Normalization-based Attention Module, NAM）优化网络检测速度和准确性；用Wise-Intersection over Union Loss（WIoU）代替原损失函数，以提高训练效果和收敛速度；在后处理阶段应用分辨率动态训练、多尺度测试、软非极大值抑制算法（Soft-Non-Maximum Suppression, Soft-NMS）、加权边界框融合算法（Weighted Boxes Fusion, WBF）等方法，提高尺度变化下小目标检测效果。以蘑菇为研究对象，在开放数据集Fungi上开展实验。 【结果和讨论】 MSH-YOLOv8的平均正确率（Average Precision50, AP50）和AP@50-95分别达到了98.49%和75.29%，其中小目标检测指标值APs达39.73%。相较于主流模型YOLOv8，三项指标分别提高了2.34%，4.06%和8.55%；相较于优秀模型Transformer Prediction Heads-YOLOv5（TPH-YOLOv5），三项指标分别提高了2.14%，2.76%和6.89%。 【结论】 本研究提出的MSH-YOLOv8改进方法可在图像尺寸变化与目标尺度变化条件下有效提高小目标的检测效果。

【目的】 现有的作物估产模型通常在灾害气候条件下的估产精度不高，本研究提出一种基于干旱天气指数减产率模型的改进分层线性模型（Improved Hierarchical Linear Model, IHLM），旨在提高在干旱条件下作物产量估算的精度。 【方法】 采用最大值的增强植被指数-2（Maximum Enhanced Vegetation Index 2, EVI2max）和每年3月~5月降水量，辐射量和气温等气象数据和2018—2021年山东省160个农情调查基点的冬小麦实测产量数据构建冬小麦产量预测基础分层线性模型（Hierarchical Linear Model, HLM）。考虑到气象因素的变异程度是影响作物生长的关键障碍因子，首先将气象因子相对性计算进行模型改进，并对改进的HLM模型与随机森林（Random Forest, RF）模型、支持向量回归（Support Vector Regression, SVR）模型和极端梯度提升（Extreme Gradient Boosting, XGBOOST）模型进行精度对比。然后引入农业保险行业的干旱天气指数减产率模型，对改进的HLM模型进一步优化，从而更加适应干旱条件下的作物估产。为了验证IHLM模型的迁移性，本研究将其应用于河南省进行对比分析，以评估该模型在不同地理和气候条件下的表现。 【结果和讨论】 基于相对气象因子（Relative Meteorological Factors, rMF）改进的HLM模型精度相比于RF、SVR和XGBOOST更高，验证精度皮尔逊相关系数r为0.76，均方根误差（Root Mean Square Error, RMSE）为0.60 t/hm²，归一化均方根误差（Normalized Root Mean Square Error, nRMSE）为11.21%。在干旱条件数据集中，利用冬小麦干旱天气指数和冬小麦减产率的关系对模型进行了改进，改进之后RMSE减少了0.48 t/hm², nRMSE减少了28.64个百分点，提高了IHLM模型在干旱条件下的精度。 【结论】 该研究对冬小麦产量HLM模型进行改进，提高了模型精度，在干旱情况下模型精度和稳定性有一定提升，相比于RF、SVR、XGBOOST模型，IHLM模型更适合对冬小麦产量预测。

［目的/意义］ 准确识别和定位各级草莓穴盘苗对自动化穴盘苗分选技术具有重要意义，可以降低育苗过程中的人工成本。本研究提出了一种基于轻量化YOLOv8s的草莓穴盘苗分级识别和定位方法，以有效克服穴盘苗越界生长带来的识别和定位干扰。 ［方法］ 首先，基于层自适应幅度剪枝评分（Layer-Adaptive Magnitude-based Pruning Score， LAMP Score）通道剪枝算法压缩基础YOLOv8s草莓穴盘苗-穴孔识别模型的参数量和模型大小，提高了模型推理速度，高效检测穴盘苗和穴孔。其次，结合剪枝后的模型设计了一种两阶段草莓穴盘苗-穴孔匹配定位算法，根据穴盘苗和穴孔边界框的重叠度将苗株与穴孔进行配对，并通过第一阶段匹配中的草莓穴盘苗-穴孔匹配结果减少相邻越界生长的穴盘苗带来的影响，从而准确获得各级穴盘苗在穴盘中的具体位置信息。 ［结果和讨论］ 剪枝后的模型在保持较高检测精度的同时，将模型尺寸、浮点运算次数（Floating Point Operations Per Second, FLOPs）和参数量分别降低了94.4%、86.3%和95.4%。与原始模型相比，剪枝后的模型F₁分数提高了0.1%，而平均精度（Mean Average Precision, mAP）提高了1%，两阶段草莓穴盘苗-穴孔匹配定位算法对各级穴盘苗的平均定位精度达到了88%。 ［结论］ 提出的草莓穴盘苗分级识别和定位方法能够满足实际育苗过程的要求，为自动化穴盘苗分选提供了技术支持。

［目的/意义］ 作物叶面积是反映光合作用效率和生长状况的重要指标，建立一个品种丰富的山药图像数据集并提出一种基于深度学习的山药叶片图像分割方法，可以用于实时测定山药叶片面积，解决传统测量效率低的问题。 ［方法］ 基于改进ENet的轻量化分割网络，在ENet的基础上，裁剪掉第3阶段，减少模型中的冗余计算；将瓶颈结构里面的常规卷积用PConv替换，构成P-Bottleneck，减少模型参数量，加快推理速度；改进上采样模块中的转置卷积为双线性插值，提升模型分割精度，减少参数量；最后在模型编码阶段加入CA注意力机制模块，强化对叶片边缘语义特征的提取能力。训练时使用Adam优化器，根据历史梯度信息自适应地调节学习率，加速收敛过程，提高模型的泛化能力。 ［结果和讨论］ 改进的模型在包含40个品种的山药室内图像数据集和室外数据集上进行实验，平均交并比和均像素精度分别达到98.61%和99.32%，模型参数量下降51%，浮点运算量下降49%，并且网络运算速度提高38%。与原始模型相比，在保证分割精度的同时显著降低网络的参数量和浮点运算量，提升运行速度，减少资源占用，使其更加适合应用到农业监测设备。 ［结论］ 改进算法能够精准快速地分割山药叶片，为复杂背景下山药叶片面积的研究提供了参考依据。

【目的/意义】 在全球气候变暖的大背景下，准确确定冬小麦的适宜播种期对于提高小麦产量、保障国家粮食安全具有重要意义。本研究旨在对县级镇在气候变暖长时间序列影响下冬小麦适宜播种期进行分析。 【方法】 本研究以山东省齐河县为研究区域，基于1997—2022年的欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）再分析数据，首先，采用温度阈值法确定稳定通过18、16、14和0 ℃终日的日期，并从不同小麦品种的适宜播种温度、不同日期播种至越冬前≥0 ℃的积温、适播期历年日平均气温等关键播期指标对冬小麦适宜播种期进行统计分析；其次，利用叶龄积温法对冬前壮苗所需合适积温的日期进行测算；最后，结合实际生产实践情况，确定气候变暖趋势下齐河县各乡镇冬小麦的适宜播种期。 【结果和讨论】 从小麦适宜播种温度、播种至小麦越冬停止生长0 ℃的积温等农业气象指标，以及考虑齐河县种植的冬小麦品种，得出齐河县冬小麦适宜播种期为10月3日—10月16日，最佳播种期为10月5日—10月13日。但具体年份的适播期还需要依据当年的具体情况灵活播种。 【结论】 研究结果证明了温度阈值法和叶龄积温法在确定冬小麦适宜播种期研究中的可行性，通过温度变化趋势可判断冷冬或暖冬，及时调整播种时间以提高小麦产量，减少温度过高或过低对冬小麦的影响。本研究不仅可以为齐河县冬小麦产量评估提供决策参考，还可以为科学安排农业生产提供重要的理论依据。

［目的和意义］ 原始星载日光诱导叶绿素荧光（Sunlight-induced Chlorophyll Fluorescence, SIF）数据存在足迹离散、时空分辨率低等缺陷，针对这些问题许多研究进行了SIF重构，但大多数重构后的新型SIF数据分辨率仍较低，难以应用到精细尺度农业领域，且部分高精度SIF重构数据并非基于原始卫星SIF数据重构。OCO-2 SIF原始数据空间分辨率高（1.29 km×2.25 km），植被异质性低，对区域尺度高分辨率作物SIF重构具备突出价值。 ［方法］ 选取美国区域尺度大豆为研究对象，利用原始OCO-2 SIF和MODIS产品进行高分辨率大豆SIF重构，通过组合多个卫星轨迹经过的大豆种植区，提高SIF样本总量，与增强植被指数（Enhanced Vegetation Index, EVI）、光合有效辐射分量（Fraction of Photosynthetically Active Radiation, FPAR）和土地表面温度（Land Surface Temperature, LST）等预测因子足迹匹配后构建多源遥感数据集，代入BP神经网络训练模型，进而生成区域尺度空间连续且具有较高时空分辨率（8 d、500 m）的重构SIF数据集（BPSIF）。 ［结果和讨论］ 加入EVI，FPAR和LST的SIF重构模型R²达0.84，利用总初级生产力（Gross Primary Productivity, GPP）数据对BPSIF进行质量评价，OCO-2 SIF与 GPP的Pearson相关系数为0.53，而BPSIF与GPP相关系数提升到0.8，表明本研究生成的BPSIF数据集更加可靠。 ［结论］ 研究成果有望为区域尺度大豆作物SIF研究提供理论依据和数据支撑。

【目的/意义】 农业大数据爆炸式发展，加速农业生产迈入数字化、智能化新时代。作为新质生产力，大数据服务于粮食生产全过程综合智能化管理决策，面临粮食生产大数据资源治理机制不明、全链条化粮食生产决策核心算法体系缺乏且对外依存度高、粮食生产全过程全要素的大数据平台缺乏等问题。 【进展】 本文综合分析了国内外粮食生产大数据、农情监测与智能决策算法、大数据平台方面的相关进展和面临的挑战，面向产前规划、产中监测与决策、产后综合评价等粮食生产全程管理决策需求，构建由多源异构粮食生产大数据治理、粮食生产知识图谱、“数据获取-信息提取-知识构建-智能决策-农机作业”全链条标准化算法体系、 数字孪生典型应用场景等环节组成的粮食生产大数据智能平台。 【结论/展望】 应重点关注宏观管理监测和微观农场全程智能化生产作业需求，聚焦粮食生产典型应用场景，充分融合大数据与人工智能、数字孪生及云边端等新技术，探索技术联通集成为本，智能化服务为魂的大数据平台研发路径，创建开放式作物与环境传感接入、核心算法成熟度分级与云原生封装、高效数据与决策服务响应等为核心特色的开放共生型粮食生产大数据平台，实现数据-算法-服务全链条智能化、决策信息与智能装备作业一体化、粮食生产大数据平台与应用体系标准化，形成保障粮食安全高效绿色生产的新质生产力。

［目的/意义］ 针对白菜株心及其内叶叶缘对靶喷施钙素等药剂时，喷雾前进速度的提升导致单位时间内覆盖的有效喷施面积和农药喷雾量的变化这一问题，设计了一套基于深度学习的对靶喷雾控制系统。 ［方法］ 首先，阐述了对靶喷雾控制系统的结构及工作原理。其次，对通用YOLOv8模型进行了改进，提出了一种融合远端识别、喷雾机前进速度和喷雾响应频率的YOLOv8-Ghost-Backbone轻量化模型。通过Jetson Xavier NX控制器，搭载轻量化YOLOv8-Ghost-Backbone模型，设计了稳压执行单元和对靶控制单元，并通过间歇喷雾试验对系统性能进行测试。试验期间，逐步提高喷雾平台前进速度，根据电磁阀响应频率得到对应喷嘴的喷雾量。 ［结果/结论］ 记录了对靶喷雾系统3个主要部分的响应时间：图像处理平均耗时为29.50 ms，决策信号传递耗时为6.40 ms，喷雾过程耗时为88.83 ms，综合分析表明，对靶喷雾的总响应时间相较于电信号滞后约124.73 ms。通过补偿电磁阀响应滞后时间与获取试验，得出电磁喷雾响应补偿后的实际喷雾与需求的差异值，确定速度为7.2 km/h的条件下，对应的实际与需求差值为0.01 L/min，其差值最小，符合对靶喷雾的作业要求。 ［结论］ 本研究可为对靶施药机器人在喷雾系统中的应用和参数选择提供参考。

［目的/意义］ 苹果斑点落叶病易导致苹果树叶过早脱落，从而影响苹果品质和产量。因此，如何准确检测此病一直是苹果树病害精准防治的热点问题。由于逆光等因素影响，传统基于图像分割的病斑检测方法难以在复杂背景下准确检测病斑区域边界，亟需发展苹果斑点落叶病检测新方法，助力苹果树病害精准防治。 ［方法］ 针对上述问题，本研究从图像异常检测的角度出发，考虑复杂背景干扰，采用深度半非负矩阵分解理论，结合鲁棒性好的马氏距离度量，提出一种新的深度半非负矩阵分解的马氏距离异常检测方法（Deep Semi-Non-Negative Matrix Factorization-Based Mahalanobis Distance-Anomaly Detector, DSNMFMAD）。该方法首先利用深度非负矩阵分解（Deep Semi-Non-Negative Matrix Factorization, DSNMF）提取图像中低秩的背景部分和稀疏的异常部分。然后采用基于奇异值分解特征子空间的马氏距离构建病斑检测器，检测器通过计算异常部分每个像元的异常度来标记病斑。最后，分别构建了实验室和自然条件下的两个苹果斑点落叶病数据集，用以验证提出方法的有效性。 ［结果和讨论］ DSNMFMAD在实验室条件和自然条件下对苹果斑点落叶病的识别准确率分别达到了99.8%和87.8%；平均检测速度为0.087和0.091 s/幅。相较于4种经典的异常检测方法和1种深度学习模型，本研究所提出方法的检测准确率在实验室条件下分别提高了0.2%、37.9%、10.3%、0.4%和24.5%；在自然条件下分别提高了2.5%、32.7%、5%、14.8%和3.5%。 ［结论］ 本研究提出的 DSNMFMAD能够通过DSNMF有效地将图像中的异常部分提取出来，并利用构建的病斑检测器准确地将苹果斑点落叶病位置检测出来。即使在复杂背景条件下，该方法亦获得了比对比方法更高的检测准确度，展现出了优异的病斑检测性能，为苹果斑点落叶病的检测与防治提供了技术参考依据。

【目的/意义】 中文猕猴桃文本在段落上下文主题与字符间的左右关系中，展现出垂直与水平双维度特性。若能充分利用中文猕猴桃文本的双维特性，将有助于进一步提升命名实体识别的识别效果。基于此，提出了一种基于双维信息与剪枝的命名实体识别方法，命名为KIWI-Coord-Prune（kiwifruit-CoordKIWINER-PruneBi-LSTM）。 【方法】 通过设计CoordKIWINER与PruneBi-LSTM两个模块，对中文猕猴桃文本中的双维信息进行精准处理。其中CoordKIWINER模块能够显著提升模型捕捉复杂和嵌套实体的能力，从而生成涵盖更多文本信息的加强字符矢量；PruneBi-LSTM模块在上一模块的基础上，加强了模型对重要特征的学习与识别能力，从而进一步提升了实体识别效果。 【结果和讨论】 在自建数据集KIWIPRO和四个公开数据集人民日报（People's Daily）、ClueNER、Boson，以及ResumeNER上进行试验，并与LSTM、Bi-LSTM、LR-CNN、Softlexicon-LSTM，以及KIWINER五个先进模型进行对比，本研究提出的方法在5个数据集上分别取得了较好的F₁值，分别为89.55%、91.02%、83.50%、83.49%和95.81%。 【结论】 与现有方法相比，本研究提出的方法不仅能够有效提升中文猕猴桃领域文本的命名实体识别效果，且具有一定的泛化性，同时也能够为相关知识图谱和问答系统的构建等下游任务提供技术支持。

【目的/意义】 名优茶的采摘是茶产业中至关重要的环节，识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长，以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景，提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。 【方法】 对传统的DeepLabV3+算法进行轻量化改进。首先，针对其模型体量大、训练时间长的问题，使用MobilenetV2网络提取图像的初始特征，并按照网络结构划分深浅层特征；其次，将高效通道注意力网络（Efficient Channel Attention Network, ECANet）与空洞空间卷积池化金字塔（Atrous Spatial Pyramid Pooling, ASPP）模块结合，得到ECA_ASPP模块，并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息，将经过处理后的深浅层特征相加，随后通过卷积和上采样的方式对特征信息进行还原，得到分割结果；最后，通过对识别结果进行处理以获得茶叶嫩芽采摘点。 【结果和讨论】 改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%，平均像素准确率达到97.25%，模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。 【结论】 本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小，同时保证了较高的准确率，为智能采茶机器人的采摘提供了新的定位方法。

【目的/意义】 植物叶形是植物结构形状的重要组成部分。叶片三维结构模型的建立有助于模拟和分析植物生长。针对三维结构表示与数学模型参数的互操作性，本研究提出了一套参数驱动的具有互操作性的小麦叶片点云反演模型。 【方法】 利用参数化建模技术，建立具有7个特征参数的小麦叶片参数化曲面模型。基于小麦叶片三维点云对模型参数进行反演估计，实现叶片曲面的逆向参数化构建。为验证该方法可靠性，使用Chamfer距离评估重建点云与原点云间差异度。 【结果和讨论】 该模型能有效地重建小麦叶片，对于实测数据基于点云的参数化重建结果的平均偏差约为1.2 mm，具有较高的精度。重构模型与点云具有互操作性，可以灵活调整模型参数，生成形状相近的叶簇。反演参数具有较高的可解释性，可用于点云时间序列的一致、连续地估计。 【结论】 该模型对叶片的一些细节特征进行了适度的简化，只需要少量的参数就可以还原叶片的几何形状。该方法不仅简单、直接、高效，而且得到的参数几何意义更明确，具有可编辑性和可解释性，对小麦叶片的模拟分析和数字孪生具有重要的应用价值。

【目的/意义】 快速、准确地统计密集种植的苗木数量对苗木经营管理具有重要意义。为解决无人机航拍的密集种植苗木图像中苗木粘连、尺度差异大的问题，提出以点标签数据为监督信号的改进密集检测计数模型（Locate, Size and Count, LSC-CNN），同时实现苗木的检测和计数。 【方法】 改进的LSC-CNN模型通过将LSC-CNN模型特征提取网络的最后一层卷积替换为扩张卷积（Dilated Convolutions, DConv），实现在保留苗木细节特征的同时扩大感受野，帮助模型更好地理解上下文信息以区分粘连苗木。此外，在多个尺度分支前引入注意力机制（Convolutional Block Attention Module, CBAM）使模型聚焦于有助于苗木检测和计数的关键特征，以更好地适应不同尺度的苗木。为解决类别不平衡问题，提高模型的泛化能力，将损失函数替换为标签平滑交叉熵损失函数。 【结果和讨论】 经测试，改进LSC-CNN模型在456幅苗木图像的测试集上的平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和平均计数准确率（Mean Counting Accurate, MCA）分别为14.24株、22.22株和91.23%，三项指标均优于IntegrateNet、PSGCNet、CANet、CSRNet、CLTR和LSC-CNN模型。 【结论】 改进LSC-CNN模型能够准确实现密集种植苗木的检测和计数，适用于多种树木的检测和计数工作。