印度科学家开发出基于“遗传算法优化深度神经网络”（GA-DNN）的人工智能系统，结合手持式田间传感器（如GreenSeeker）实时采集NDVI、冠层温度与植株高度等数据，可提前高精度预测小麦产量。该系统在新德里与浦那3350份小麦基因型试验中表现优异，尤其在雨养条件下仍保持较高准确性，显著优于传统模型。研究成果发表于2026年2月《理论与应用遗传学》期刊，由ICAR-NBPGR等机构联合完成。该
人工智能模型助力早期小麦产量预测，赋能农业决策
科学家开发出一种基于人工智能的系统，可利用手持式田间传感器与深度学习技术，提前且高精度地预测小麦产量，该成果有望增强印度粮食安全规划能力。
科学家研发了一种基于人工智能的系统，能够借助手持式田间传感器和深度学习技术，实现对小麦产量的早期、高精度预测。（来源：HT）
该研究成果于2026年2月25日发表在《理论与应用遗传学》（Theoretical and Applied Genetics）期刊上，文章提出了一套将实时田间数据与先进人工智能相结合的框架，以提升作物产量预测的精确性。
本研究由印度农业研究委员会（ICAR）国家植物遗传资源研究所（NBPGR）所长Gyanendra Pratap Singh教授领衔，ICAR-印度农业统计研究所（IASRI）首席科学家Jyoti Kumari及Girish Kumar Jha共同参与；印度浦那阿格哈尔研究所（ARI）的Sudhir Navathe博士与Yashavantha Kumar博士，以及ICAR-印度农业研究所（IARI）的研究团队亦为关键合作者。
准确的产量预估对于保障粮食供应、稳定市场运行及制定相关政策至关重要。然而，传统方法——包括卫星遥感影像与统计作物模型——常受限于云层遮挡、空间分辨率不足，以及难以捕捉天气、土壤与遗传因素之间复杂的交互作用等挑战。
为弥补上述不足，研究人员构建了一种名为“遗传算法优化深度神经网络”（Genetic Algorithm-Optimised Deep Neural Network, GA-DNN）的混合型人工智能框架。该模型融合了深度神经网络（擅长从海量数据中识别复杂模式）与遗传算法（通过自然选择原理优化模型参数），从而显著提升预测性能。
Navathe指出：“该系统在持续学习植物性状与最终籽粒产量之间精细关联的过程中，不断自我优化，进而提高预测准确性。”
与传统方法不同，本研究采用近距传感技术——即使用手持或车载设备（如GreenSeeker传感器）——实时采集田间关键指标，包括归一化植被指数（NDVI，反映植株绿色度与活力）、冠层温度（表征植株胁迫状况）及植株高度（指示生物量增长情况）。
研究人员利用来自新德里与浦那地区3350份小麦基因型在灌溉与雨养条件下种植的实测数据训练AI模型。结果显示，在三个关键生育期（分蘖期/覆盖期、开花期与成熟期）获取的NDVI值是预测产量最可靠的指标；GA-DNN模型不仅优于传统机器学习模型，而且在雨养条件下仍能保持较高预测精度。
Navathe补充道：“该框架可嵌入数字化农事决策平台，为农民提供实时的灌溉与养分管理建议。”
该系统具备多重优势：育种工作者可尽早筛选出高产潜力品种；农户则能获得可靠、及时的收获前产量预判信息，从而科学调整生产策略，有效提升粮食安全保障水平。
来源：