DSSAT模型模型：
DSSAT模型是一个综合的作物生长模拟模型，能够模拟多种主要农作物的生长发育和产量形成过程。它被广泛应用于精细农业、水肥管理、气候变化研究、粮食安全评估、土壤碳循环、环境影响分析以及农业可持续性研究等领域。

APSIM模型：
APSIM模型是一个作物生长模拟模型，能够模拟多种农作物、牧草和树木的土壤-植物-大气过程。它被应用于精细农业、水肥管理、气候变化、粮食安全、土壤碳周转、环境影响、农业可持续性、农业生态等领域。

WOFOST模型：
WOFOST模型是一个动态解释性模型，用于模拟特定土壤和气候条件下一年生作物的生长。它侧重于土地定量评估、区域产量预测、风险分析、年产量变化和气候变化影响的量化。WOFOST模型基于作物生理和生态过程，包括同化作用、呼吸作用、蒸腾作用和干物质分配。它包括潜在生长条件、水分限制和养分限制条件下的作物生长模拟，被广泛应用于全球的农业生产模拟和农业政策分析。

AquaCrop模型：
AquaCrop模型是一个土壤-作物-大气连续系统模型，由土壤水分平衡模块、作物生长模拟模块和大气组分模块构成。它基于作物产量和水分响应的转换方程，将作物腾发量分为土壤蒸发和作物蒸腾两部分。AquaCrop模型可用于模拟作物生长，优化灌溉制度，研究播种日期和播种方式对产量的影响，以及评估气候变化对作物产量和水生产力的影响。它适用于灌溉管理决策和作物生长的科学研究。

SWAP模型：
SWAP模型是一个综合考虑土壤-水分-大气以及植被间相互作用的机理性作物生长模型。它使用了Richard方程来模拟土壤中水分的运动，并耦合了WOFOST作物模型。可以用于模拟作物生长过程，提供对土壤水分、养分循环和作物生长的深入理解。它适用于科研人员和农业工作者，帮助他们深入理解模型原理并有效运用这一工具。

https://fomo4wheat.phenix-lab.com

FoMo4Wheat: Toward reliable crop vision foundation models with globally curated data

https://huggingface.co/PheniX-Lab/FoMo4Wheat

https://github.com/PheniX-Lab/FoMo4Wheat/blob/main/README.md

FoMo4Wheat

The official implementation of the paper FoMo4Wheat: Toward reliable crop vision foundation models with globally curated data.

Contact：Shouyang Liu (shouyang.liu@njau.edu.cn)，Hao Lu (hlu@hust.edu.cn)，Yanfeng Ding (dingyf@njau.edu.cn)

Abstract

Vision-driven in-field crop monitoring is essential for advancing digital agriculture whether supporting commercial decisions on-farm or augmenting research experiments in breeding and agronomy. Existing crop vision models struggle to generalize across fine-scale, highly variable canopy structures, and fluctuating outdoor environments. In this work, we present FoMo4Wheat, one of the first crop-orientated vision foundation models and demonstrate that delivers strong performance across a wide range of agricultural vision tasks. Centered on wheat, the most globally significant food crop, we curated ImAg4Wheat—the largest and most diverse wheat image dataset to date. It comprises 2.5 million high-resolution images collected over a decade from breeding and experimental fields, spanning more than 2,000 genotypes and 500 distinct environmental conditions across 30 global sites. A suite of FoMo4Wheat models was pre-trained using self-supervised learning on this dataset. Benchmark results across ten crop-related downstream tasks show that FoMo4Wheat consistently outperforms state-of-the-art models trained on general-domain datasets. Beyond strong cross-task generalization within wheat crops, FoMo4Wheat is highly robust in limited-data regimes but on previously unseen crop data. Notably, it contributes significantly to vision tasks in rice and multiplw crop/weed images, highlighting its cross-crop adaptability. In delivering one of the first open-source foundation models for wheat, our results demonstrate the value of such crop-specific foundation models that will support the development of versatile high-performing vision systems in crop breeding and precision agriculture. 

Demo

The demonstration website for inferring embeddings is located at Demo. video.mp4

🎥 Visualization of Unlabeled wheat features.

Method

Fig 1. Overview of ImAg4Wheat dataset and FoMo4Wheat model.

Installation

The training and evaluation code is developed with PyTorch 2.5.1 and requires Linux environment with multiple third-party dependencies. To set up all required dependencies for training and evaluation, please follow the instructions below:

conda env create -f conda.yaml
conda activate FoMo4Wheat

Data Preparation

ImAg4Wheat comprises 2,500,000 million images over 2,000 wheat genotypes cultivated under 500 distinct environmental conditions across 30 sites in 10 countries spanning a decade, covering the full crop growth cycle. ImAg4Wheat (Note: ​The complete dataset will be made publicly accessible upon formal publication of the associated research paper.)

Pretrained models

model	# of params	download
ViT-B/14	86 M	FoMo4Wheat_base.pth
ViT-L/14	300 M	FoMo4Wheat_large.pth
ViT-G/14	1,100 M	FoMo4Wheat_giant.pth

Training

Training FoMo4Wheat on ImAg4Wheat

Run FoMo4Wheat training on 6 A800-80GB nodes (48 GPUs) in a SLURM cluster environment with submitit:

MKL_NUM_THREADS=8 OMP_NUM_THREADS=8 python FoMo4Wheat/run/train/
    --nodes 6 \
    --config-file FoMo4Wheat/configs/train/vitg_14_224.yaml \
    --output-dir <PATH/TO/OUTPUT/DIR> \
    train.dataset_path=TestDataset:split=TRAIN:root=<PATH/TO/DATASET>:extra=<PATH/TO/DATASET>

Benchmark

We leverage publicly available, self-collected, and internationally collaborated datasets tailored to six downstream wheat vision tasks, two rice vision tasks, and two generic crop vision tasks. The rice- and crop-related tasks aim to justify whether the vision wheat foundation model can generalize to other crop species. The six wheat vision tasks include wheat growth stage classification, wheat disease classification, wheat head detection, UAV-based wheat spike detection, leaf tip counting, and wheat organ segmentation. The two rice vision tasks are comprised of rice leaf tip counting and rice organ segmentation. The two crop vision tasks are multi-crop segmentation and crop and weed segmentation.Benchmark

License

FoMo4Wheat code and model weights are released under the MIT License. See LICENSE for additional details.

Citation

If you use our project in your research or wish to refer to the results of the project, please use the following BibTeX entry.

@article{2025FoMo4Wheat,
  title={FoMo4Wheat: Toward reliable crop vision foundation models with globally curated data}, 
  author={Bing Han, Chen Zhu, Dong Han, Rui Yu, Songliang Cao, Jianhui Wu, Scott Chapman, Zijian Wang, Bangyou Zheng, Wei Guo, Marie Weiss, Benoit de Solan, Andreas Hund, Lukas Roth,  Kirchgessner Norbert, Andrea Visioni, Yufeng Ge, Wenjuan Li, Alexis Comar, Dong Jiang, Dejun Han, Fred Baret, Yanfeng Ding, Hao Lu and Shouyang Liu},
  journal={arXiv:2509.06907},
  year={2025}
}

Collaborators

用算法种好地　让AI扛农活——对话杜志雄、李想、孔德栋
https://www.farmer.com.cn/2026/09/30/991030099.html

主持人：农民日报全媒体记者 李克欣

人工智能扎根田野不是简单的“技术下乡”，而是一场生产方式、产业生态与经营模式的深度变革。

2026年中央一号文件提出，“因地制宜发展农业新质生产力，促进人工智能与农业发展相结合”。近日，中央网信办、农业农村部、工业和信息化部联合印发《数字乡村高质量发展行动计划（2026—2030年）》，明确提出“推广人工智能与农业融合应用场景”。一系列顶层设计推动下，乡村为人工智能“大有作为”提供了广阔天地，人工智能也正成为现代农业发展的强劲驱动力。农业人工智能如何走出实验室、示范田，扎根田畴沃野、农民身边？未来，如何健全标准体系，让AI辅助农业生产更加安全可控？本期《对话》邀请杜志雄、李想、孔德栋三位专家展开交流讨论。

跨界参与农业生产——

人工智能让每一块田具备持续感知、动态分析和精准调控能力

主持人：根据不同地区现实条件和不同产业生产需求，当前有哪些应用场景更有条件承接或更迫切需要农业人工智能落地？人工智能何以助力农业农村现代化和农业强国建设？

杜志雄：当前，我国智慧农业正加速从早期的试点示范迈向规模化、体系化推广应用的新阶段。在智能育种、精准种植与田间管理、智能农机与自主作业、农产品流通与市场预测等领域，人工智能正在改变农业发展的底层逻辑。然而，放眼广袤乡村，大多数人工智能技术产品仍停留在实验室和示范田中，尚未大规模应用。在这一背景下，寻找人工智能与农业结合的前景与方向，前提是要弄清楚人工智能关键技术本身的演进及其与农业发展可能结合的点。

人工智能赋能农业的关键技术主要包括以下四个方面。一是机器学习与深度学习。在作物生长预测领域，机器学习、深度学习和集成学习方法已被广泛应用于不同作物与气候条件下的产量预测。二是计算机视觉与智能感知。例如，基于200万张高清图像训练的AI作物表型模型，可对花量、果量、病虫害等27项指标进行厘米级精准识别，识别精度达95%以上。三是农业大模型，这是近年来人工智能与农业结合的前沿方向。例如，中国中化控股有限责任公司创设的行业首款覆盖作物全生育周期的农业种植综合大模型iMAP，在应用中可实现节约水肥10%~20%，增产8%~10%。四是智能农机与农业机器人。智能农机装备是人工智能技术落地的物理载体。农业农村部2025年发布的“十大智慧农业主推技术”中，土壤高通量检测机器人可实现土壤养分及重金属共42项指标的全自动化检测系统，误差控制在5%以内。

李想：农业生产是作物与土壤、气象、水肥、病虫害、农事操作等多因素高度耦合的复杂过程，人工智能在处理这类高维、动态、非线性的复杂系统问题上具有独特优势，能够让每一块田具备持续感知、动态分析和精准调控能力，实现“一地一策、一日一策”。

现阶段，农业人工智能最值得优先突破的，是产业需求迫切、价值创造明确、规模化应用条件较成熟的生产场景。一类是东北、华北、西北等规模化粮食产区。这些地区机械化基础较好，适合率先实现以智能农机牵引农业人工智能发展。另一类是果蔬、茶叶等高价值经济作物。借助人工智能实现精细化管理，可以显著提升品质和标准化，降低人工与投入品成本，提高农产品附加值。

孔德栋：在生产端，“天空地”一体化感知网络、农业大模型、农业机器人与智能农机共同推动实现耕种管收全流程智能化。在科技端，人工智能赋能生物育种，通过育种大模型缩短育种周期，加速优良品种迭代，如浙江省农业科学院研发的“豆芯”DNA育种大模型，将豆科作物的育种周期从8~10年缩短至2~5年，育种成本减少50%以上。

我国农业区域禀赋差异大、产业类型多，当前“人工智能+农业”典型应用场景包括以下几类。一是平原大田等规模化种植场景，重点应用人工智能结合遥感、北斗导航农机、低空无人机，实现播种、巡田、变量喷洒及病虫害预警的全流程无人化、少人化作业。二是设施农业场景，因其生产环境可控、标准化程度高、产值效益好，适合全面落地环境智能调控、智能饲喂、行为识别、疫病预警等系统。如我们团队研发的“AI驱动型数智渔业工厂”新模式，实现幼鱼成活率提升10倍，能耗下降50%以上，人工缩减超80%。三是易受灾生产场景，应构建“灾前预警-灾中响应-灾后评估”的全链条防灾减灾模式。

主持人：当前，农业人工智能仍处在发展初期，使其发挥更大作用，离不开健全的制度环境、稳定的发展预期以及鼓励创造的良好氛围。如何进一步完善农业人工智能顶层设计，使AI与农业更好结合？

杜志雄：未来，完善农业人工智能顶层设计，重点在于以下两方面。

一方面，要明确农业人工智能的应用领域。相关主管部门应从规划角度，制定包含不同时程的规划，进一步明确人工智能与农业如何结合、在哪些场景和领域中实现结合等问题。从目前情况看，人工智能在农业领域的应用进程在不同区域、产业、产业链环节上仍有差异。因此，从国家层面建立倡导性规划，可以使人工智能相关企业、农业生产经营主体进一步明确研发和使用方向。通过不同市场主体的努力，共同建构人工智能与农业结合的智慧农业发展的完整场景。

另一方面，也要注重人工智能与农业结合中的相关制度与政策规范问题。当前，人工智能与农业结合带来的更多是利好、益处，但任何一项技术都是一把“双刃剑”。因此，我们并不是对所有人工智能进入农业的行为都要采取支持，有必要通过完善顶层设计，针对可能在农业人工智能领域出现的一些负面情况，提前作出规范。

孔德栋：完善农业人工智能顶层设计，关键在于处理好产业政策、技术创新、安全标准三者的关系。

首先，强化战略规划与政策协同，构建“政府+市场”的双轮驱动机制。在政策支持上，推动农机补贴、科技研发资金向智能装备、AI算法与数字服务倾斜。同时，建立创新容错机制和兜底政策，引导社会力量与民营科技企业长期投身农业人工智能，形成稳定的产业发展预期。

其次，统筹数据和算力建设，构建“国家—地方”分层协同的农业数据底座与公共算力基础设施体系。既要建设国家级数据底座与核心算力枢纽，统筹全局性大模型训练；也要支持各地建设区域性公共智算中心，降低农业中小企业和科研团队训练模型的门槛与成本。

最后，健全标准评价与安全伦理体系。针对农业AI装备和软件，应尽快建立健全质量认定、安全认证与作业效能评估体系，规范农用无人机、机器人及智能诊断算法的准入规则。在此基础上，明确农业人工智能应用中的数据产权、算法责任与隐私保护边界。

进入复杂田间环境——

农业人工智能体要提升对具体场景的专业建模和动态决策能力

主持人：让人工智能技术走出实验室和示范田，实现大规模、各环节的广泛应用，仍需打通哪些堵点？

杜志雄：尽管人工智能在农业领域的应用前景广阔，但从技术示范走向规模化应用仍面临多重挑战。

一是数据孤岛与数据质量困境。当前涉农数据分散在农业、气象、自然资源、市场监管等多个部门，采集困难、标注标准不统一、共享机制不健全等现象普遍存在。细碎地块、特色种养产业的数据采集成本较高，高质量样本供给不足，拉低了农业大模型的识别精度与决策可靠性。

二是适配技术与装备供给不足。通用大模型缺少专业化农情数据，在应用于山地丘陵、设施农业等差异化场景和不同作物类型时仍需调整。轻量化、低成本的智能装备供给不足，中小农户存在“用不起、不会用”的困境。

三是人才短缺与能力不足。人工智能与农业的融合需要既懂农业又懂技术的复合型人才。当前农业复合型人才数量短缺，人机协同能力不足。推动涉农高校设立农业AI交叉学科、定向培养复合型专业人才已是当务之急。

李想：第一，高质量农业数据集仍然不足。农业数据看似不少，但真正连续、准确、可用于模型训练和验证的数据仍然有限。尤其是能够在时间和空间上统一到地块级、日级，并同时覆盖气象、土壤、作物长势、水肥投入和农事操作等多维信息的高质量数据集，还比较匮乏。

第二，模型还需要进一步适应真实田间环境。目前不少AI模型在相对理想的实验条件下完成了训练和测试，而一旦进入复杂田间场景，受光照、天气、地块差异、作物生育阶段等因素影响，模型性能往往明显下降。

第三，投入需要进一步降低，产出需要进一步提高。农业本身利润空间有限，系统建设和维护成本不能过高。同时，需要让生产主体真正看到技术带来的实际价值，清晰算出增产、提质、节本、增效等收益。

孔德栋：一是农业AI技术与复杂自然环境匹配度不足。当前AI算法的泛化能力和稳健性不足，智能农业机器人等硬件在露天泥泞环境、极端天气、非标准化作物生长条件下的稳定性、耐用性仍达不到大规模商用的要求。

二是“高投入”与“低效益”之间成本效益失衡。农业AI软硬件系统的研发、采购和运维成本较高，而农业产出效益相对较低、周期长。小农户和新型经营主体难以承担高昂的设备购置与软件订阅费，企业也因缺乏成熟的商业盈利模式，难以通过市场化实现可持续的快速推广。

三是农业标准化基础薄弱与场景碎片化的堵点。AI的大规模应用依赖于标准化和集约化，但我国农田地块分散，品种、种植习惯和农艺规范不统一，导致“一地一策、一物一策”的技术适配成本极高。需要“农机、农艺、农田”的有机融合与标准化改造，为AI技术的规模化复用创造有利条件。

主持人：与可控化的工业生产不同，农业生产更易受环境、气候、作物生长周期等条件影响。农业人工智能模型如何做到“知农情、晓农事”，提升指导生产、农事决策和自主作业的精准性？

杜志雄：首先，要做好从分散孤立到互联共享的数据筑基。应规范涉农数据采集标注与共享机制。统筹数字基础设施与传统基础设施建设，在高标准农田和水利设施建设中同步规划数字化接口。构建一体化农业全产业链大数据中枢，整合气象、土壤、作物生长、市场交易等全维度数据资源。

其次，要实现从通用模型到垂直定制的技术突破。应推动通用大模型与区域农事场景深度融合，研发垂直定制化模型，解决本地化适配不足的问题。在技术攻关方面，应集中攻关适配不同地域主粮及特色作物的专用AI算法，研发适合丘陵山区、适配中小农户的轻量化智能装备。

再次，要进行从单点应用到全链条覆盖的融合创新。当前，人工智能正由点及面融入农业全产业链各环节。未来，随着AI与区块链、5G等技术的深度融合，农业将迎来更加系统性的变革。

李想：农业生产本质上是一个高维、非线性、强时变的复杂动态系统。因此，农业智能体要实现精准服务，核心不是简单扩大模型规模，而是提升对具体农业场景的专业建模和动态决策能力。

仅依靠通用大模型很难实现可靠决策。农业具有很强的地域性和情境性，一地形成的种植经验和管理参数往往难以直接迁移到另一地。单纯堆砌大量农业资料，也难以从根本上解决大模型“幻觉”问题。

因此，更适合农业的技术路径是构建“大模型+机理模型+专业小模型”的协同体系。由大模型负责理解任务和模型调度，农学机理模型提供科学约束，专业模型承担具体分析，并根据作物、地块和生育阶段动态组合、相互校验，降低单一模型的不确定性。

同时，农业智能体不必追求“全知全能”。更现实的路径是，先在少数场景把决策做到可信、稳定、可复现，真正能够提供可靠指导，再逐步拓展应用边界。

孔德栋：一是夯实专业化、本土化农业数据底座，让人工智能体“知农情”。农业人工智能体的精准度根源在数据质量，须将农业科研成果、专家经验知识、区域农业资源与生产特性以及标准化生产规程，转化为可供AI调用的农艺知识图谱与数据库。

二是深度融合AI算法与作物机理模型，让人工智能体“晓农事”。通用大模型擅长文本处理，但在应对气候、土壤及作物生长的非线性变化时容易产生“幻觉”。须建立以专家经验规则与作物生理机理为基础的作物生长模型，将其作为底层知识约束AI模型。基于高质量数据集，构建区域化农业垂类智能体，精准给出适配特定区域环境特性与作物习性的“农事处方”。

三是推动多智能体与农业机器人、智能农机协同，让人工智能体“通农艺”。根据不同细分场景，开发适配智能作业装备与多智能体系统，构建“协同感知—智能决策—分布式调度—精准执行—数字孪生闭环”体系。坚持人机协同，强化“田间测试-反馈迭代”闭环。

扎根广大农民身边——

从给农民“看数据”到让农民明确知道“今天该干什么、怎么干、干多少”

主持人：目前，普通农户在运用农业人工智能技术时面临哪些门槛？农业人工智能体在设计、推广等环节如何更加贴合小农户需求，真正实现普惠性，稳定扎根农民身边？

杜志雄：人工智能扎根田野不是简单的“技术下乡”，而是一场生产方式、产业生态与经营模式的深度变革。

从农户技术接纳与应用的视角来看，农户主动适应、规范运用农业人工智能技术产品和服务的能力短板，是当前需要重点破解的接收端痛点。对此，相关部门需持续强化对农业经营主体及普通农户的技术培训，切实提升农户对农业人工智能产品与服务的实操能力。

从技术与服务供给端的市场主体视角来看，各类市场主体及科研机构在面向农户推广农业人工智能技术与服务时，需坚持用户导向，开发用户友好型产品与服务。以智能应用程序等数字化工具为例，需要通过优化产品功能与操作界面，让农户更便捷高效地获取农业生产知识与精准农事信息，并将其应用于实际生产。

李想：对普通农户而言，农业人工智能当前最现实的应用门槛主要有两个。一是成本高。小农户经营规模有限，如果每户都单独配置传感器、无人机、智能设备和信息化系统，投入往往过高。二是使用复杂。现在不少智慧农业系统更多是在给农民“看数据”，但农民真正需要的不是土壤湿度、遥感图像和各种曲线，而是明确知道“今天该干什么、怎么干、干多少”。因此，应尽量在后台完成复杂的数据分析，再通过手机、语音等简单方式，直接提供可执行的农事建议。

在推广模式上，建议从建设“智慧农场”转向提供“AI农服”。依托农技推广体系、合作社、农资服务商和科技小院等机制，将传感设备、无人机、AI模型等作为公共服务资源集中配置，由专业主体统一运营、多人共享、按需服务。一方面，通过农业服务人员把复杂的数据、模型转化为农民听得懂、能执行的方案；另一方面，通过规模化服务摊薄单户成本。我们的实践表明，这种集中服务模式可大幅提高服务效果，并将单户智慧农业服务成本降低95%以上。

孔德栋：普通农户在运用农业人工智能技术时常面临三个门槛。一是“用不起”，智能软硬件的一次性投入成本较高，对小本经营的普通农户而言，回收周期过长。二是“不会用”，绝大多数小农户年龄偏大，面临“AI技术太复杂、想用却不会用”的困境。三是“不敢用”，农业生产抗风险能力差，小农户对算法决策缺乏直观理解，担心AI诊断出错导致减产减收，宁愿依赖“老经验”。

要降低这些门槛，一方面，农业AI应用不能做成复杂系统，而要转化为小农户手机里的轻量化工具。另一方面，要强化地方农技推广机构和农事服务中心的“技术枢纽”作用。以大田种植为例，依托本地专家团队，对AI生成的农情分析报告和农事指令进行专业审核与校准。通过微信群、小程序等，将校验后的农事建议精准推送给种植大户，并及时收集生产应用中的反馈数据，用于持续迭代优化AI模型。

主持人：未来，如何健全农业AI标准体系，提升农业大模型安全标准和规范，让AI辅助农业生产更加安全、可靠、可控？

孔德栋：一是构建分类分级、覆盖全链条的标准体系。补齐农业大模型、智能装备、数据集、安全评测等国家标准。针对智慧种植、养殖、农机作业等不同场景不同物种，出台数据采集规范、算法评估基准等行业标准。重点建立场景化验证与评测准入机制，针对不同场景设立标准化试验基地，在诊断准确率、处方合理度上对AI模型进行准入评级。

二是筑牢大模型的安全评估与算法审计规范。农业数据关乎国家粮食安全与生物安全，必须通过顶层规范明确农业数据的分类分级保护边界。在算法治理上，重点健全农业大模型的安全评估标准，建立权威的农学基础知识库作为底层校验锚点，落实算法审计与溯源机制。

三是坚持人机协同与安全兜底机制。现阶段，建议将农业人工智能系统明确定位为“超级辅助系统”。对于大规模施药、养殖投喂决策等高风险生产关键节点，建议建立“AI推荐—农艺专家/农户确认—智能装备执行”的人机协同闭环，保留人工干预与紧急止损权限，确保农业生产关键环节审慎可控。