农用无人驾驶航空器作为低空经济在农业农村领域的核心载体，近年来呈现爆发式增长态势，已成为推动农业现代化和乡村振兴的重要技术力量。产业规模的急剧扩张与技术应用的快速迭代，而配套法规与标准建设仍存在滞后性。本文在梳理国内外农用无人驾驶航空器法规与标准发展的基础上，系统分析了空域管理、适航审定、人员资质等法规框架构成，以及国家标准、行业标准、地方标准和团体标准四级标准框架的建设现状。研究表明，我国已初步形成以《无人驾驶航空器飞行管理暂行条例》为上位法的法规框架和以《低空经济标准体系建设指南》为顶层设计的标准架构，但在应用场景覆盖、部件/分系统要求和方法标准配套等方面仍存在短板。面向未来，应推进基于运行风险的分类分级管理、加速标准体系的场景拓展与方法完善、构建数字化智能监管体系，为农业低空经济的高质量发展提供制度保障。

作物产量的精准定量预测是保障国家粮食安全与制定智慧农业决策的重要基础。在水稻生长周期中，齐穗期是生物量积累最关键的阶段，其冠层光谱特征蕴含着丰富的生化参数与产量潜力信息。本研究探讨了齐穗期多维无人机遥感特征与先进机器学习算法组合在水稻产量预测中的应用优势。研究利用多光谱无人机获取影像，系统构建了可见光（red-green-blue，RGB）、多光谱（multispectral，MS）、重建高光谱（multispectral to hyperspectral，MSTPP）、空间纹理（spatial texture，Texture）、植被指数（vegetation index，VI）及多维融合特征（multi-dimensional fusion，Fusion）在内的6类特征集。算法层面全面评估了8种机器学习算法，重点对比了支持向量回归（support vector regression，SVR）等核方法及多类非线性集成模型。试验结果表明，MS数据在单维特征中展现出突出的预测潜力。融合光谱与纹理信息的策略取得了优异的预测稳定性，其中SVR模型结合多维融合特征实现了理想的拟合效果（决定系数R²为0.828），校准了因齐穗期冠层郁闭而受损的光谱信号，有效修正了单维模型在极端产量区间的系统性估算偏差。此外，本实验通过引入沙普利加和解释（Shapley additive explanations，SHAP）框架验证了绿光归一化植被指数（green normalized difference vegetation index，GNDVI）在产量预测中起到了核心驱动作用，客观揭示了群体长势均衡度对最终产量的保底机理。本研究探索的“多维融合结合非线性算法与归因解析”路径，为构建兼具高鲁棒性与农学解释力的定量估产模型提供了一种可行的思路。

低空经济发展正在重塑农用航空器的技术功能、组织形态与监管需求。以农业无人机为代表的农用航空器已由季节性植保装备演进为兼具生产作业、农情感知、灾害应急与社会化服务功能的低空生产单元。随着应用边界持续拓展，农业低空运行风险也由传统飞行安全问题扩展为飞行安全、作业质量、环境外部性与责任追溯相互耦合的综合治理问题。本文围绕“空域可用性—运行许可—可监管性—作业合规—执法追溯”构建比较分析框架，对中国、美国、欧盟及澳大利亚、新西兰等主要法域的农业低空治理制度进行系统梳理，并引入法规发布密度指标以及注册主体、注册无人机和操控员规模等公开数据，比较不同制度供给与规模化运行能力之间的关系。研究表明主要法域已形成强底座型、高效率授权型与风险评估服务型3类治理路径；面向农业场景的制度有效性，并不取决于单项规则数量，而取决于空域接入、数字识别、作业监管与证据留存能否形成可执行、可核验的工程化闭环；生产作业、遥感监测、应急保障与跨区社会化服务等常见应用的并行扩张，进一步强化了对差异化授权、载荷释放分级监管与跨区域协同监管的需求。基于此，提出面向任务分类、授权留痕耦合、载荷释放分级控制与农业化持续适航管理的工程化合规路径。研究结果可为我国农业低空经济治理体系完善及农业无人机规范化应用提供参考。

低空飞行农业装备作为低空经济与农业农村融合发展的关键载体，对打造农业新质生产力、构建现代农业生产体系、保障国家粮食安全具有重要战略意义。系统梳理低空飞行农业装备在四川丘陵山区的应用场景与存在问题，阐述四川丘陵山区多种低空农业装备及其配套动力、智能控制与管理技术体系，分析智能植保与精准施药、低空遥感与农情监测、农资与农产品转运、播种施肥与授粉作业、应急保障与物流配送等应用场景，重点剖析其在丘陵山区装备研发制造、智能化作业技术、作业运维等3方面所面临的问题与挑战。从关键技术攻关层面，提出开展全程机械化、智能化作业体系模式与成套装备作业平台集成验证，创制“空天地”一体丘陵山区农机协同作业系统试验验证方法；从智能、绿色、安全3个方面进一步明确低空飞行农业装备技术的发展要求；从优化创新生态体系层面，提出健全人才引进培养机制，构建“平台支撑—人才保障—产业协同”三位一体的产学研发展体系，形成良性循环的低空农业装备产业创新体系，全面提升丘陵山区农机装备科技水平和产业竞争力。通过在四川等典型丘陵山区布局建立全程机械化示范区，开展装备试验验证与技术熟化，加强基层操作人员培训，为形成可复制推广的丘陵山区农业机械化整体解决方案提供方向指南。

随着低空经济被纳入国家战略性新兴产业，农业低空技术与装备在农业生产中的应用不断深化，已成为推动农业现代化与智慧农业发展的重要支撑。研究围绕农业低空技术与装备的发展现状与趋势，系统梳理我国在政策体系、关键技术及典型应用场景方面的研究进展。首先，从低空飞行平台与智能控制技术角度，总结多旋翼、单旋翼及复合翼无人机的发展现状及其在动力系统、飞控算法与导航定位等方面的关键技术演进，围绕低空通信、云端管控与多机协同，归纳农业低空智能管控技术的发展现状；其次，围绕农业低空感知与精准作业技术，重点分析无人机低空遥感在作物监测中的应用，以及精准施药与精准撒播技术的发展路径与核心技术体系，指出变量作业、智能控制已成为精准作业研究的关键方向。结合农业低空装备检测评价与标准体系建设，分析当前在作业规范、质量评价及系统化标准方面存在的不足。研究表明，农业低空技术虽在作业效率与资源利用方面展现出显著优势，但仍面临装备适配性不足、复杂环境下作业稳定性不高、多源信息融合与智能决策能力有待提升以及标准体系尚不完善等问题。未来，应重点加强多源感知融合、智能控制与数据驱动决策技术研究，完善标准与评价体系，推动农业低空技术向精准化、智能化与规模化方向发展。研究可为农业低空技术研究、装备研发及政策制定提供参考。

针对光伏电站中污渍积累导致发电效率降低，以及清洗无人机受限于边缘算力和复杂背景干扰难以精准定位的问题，提出一种基于Jetson Orin Nano边缘计算平台的清洗无人机解决方案。在YOLO11n模型框架下，提出一种基于GOP-YOLO11n的轻量化光伏板污渍检测算法。引入GroupDC结构，并对骨干网络中的C3k2模块进行轻量化重构，在降低模型计算开销的同时增强复杂背景下小目标特征的表达能力。在特征融合网络中加入OptimizedDC多尺度特征提取模块以提升对多尺度目标（微小鸟粪、长条水渍）的感知能力。检测头通过上采样和特征聚合块UP-Block，强化多像素图形聚合能力。试验采用无人机采集的光伏板可见光图像构建数据集，共获得4 190张有效图像，并按照8∶1∶1划分训练集、验证集和测试集，输入图像统一调整为960像素×960像素。在相同训练与测试条件下，GOP-YOLO11n的准确率、召回率、mAP@50和mAP@50：0.95分别达到91.1%、85.8%、92.5%和76.8%，较YOLO11n基线模型分别提高2.9、3.4、1.8和4.4个百分点。模型参数量由2.582 M降至2.068 M，浮点运算量为6.7×10⁹。进一步在Jetson Orin Nano Super 8G平台上进行TensorRT FP16部署测试，模型推理速度达到114.7帧/s，单帧延时为8.7 ms，显存占用为1 685 MB。结果表明，该方法在提升复杂背景下多尺度污渍检测精度的同时，兼顾模型轻量化与边缘端实时推理需求，可为光伏清洗无人机的污渍识别、区域化清洗决策和智能运维提供视觉感知支撑。

水稻生产中无人机施肥应用日益广泛，但施肥处方多依赖经验，缺乏基于作物生长实况养分状态的决策支持；同时，高光谱反演在数据处理与模型构建方面仍存在局限，难以实现寒地水稻叶绿素水平的高精度估测，从而制约变量施肥的精准实施。针对上述问题，本研究在多种光谱预处理方法的基础上，结合UVE、CARS、IRIV和VISSA等特征变量筛选方法进行关键波段提取，构建LSSVR、PSO-LSSVR、PLSR及深度学习1DCNN-WN模型对水稻叶绿素含量进行反演，并进一步基于反演结果生成氮素施肥处方图，以指导分蘖期无人机变量施肥作业。结果表明：在各模型最优预处理与特征筛选组合下，SNV-IRIV-1DCNN-WN模型反演精度最高，R²为0.687，较SNV-UVE-LSSVR、NL-VISSA-PSO-LSSVR和MSC-IRIV-PLSR分别提高0.047、0.031和0.027，RMSE分别降低0.281、0.147和0.107。基于施肥决策模型生成的处方图用于指导无人机变量施肥作业时，不施肥（N0）、少施肥（N1）、标准施肥（N2）和过量施肥（N3）处理的变异系数分别为6.08%、4.16%、3.42%和3.07%，施肥均匀性良好。研究结果可为寒地水稻高光谱特征解析及其生长信息的快速无损监测与精准施肥提供理论依据和技术支撑。

叶面积指数（leaf area index，LAI）是表征冬小麦冠层结构特征与生长状态的关键生物物理参数，在精准农业监测与作物长势评估中具有重要作用。然而，现有反演方法在不同飞行高度下存在精度不稳定、模型泛化能力不足的问题，为提升冬小麦LAI的反演精度与泛化能力，本研究基于多高度无人机多光谱数据结合集成学习模型与多种机器学习方法，构建LAI反演模型。采用ANOVA分析飞行高度对反射率及纹理特征的影响机制，基于多光谱数据提取植被与纹理指数，并通过皮尔逊和斯皮尔曼相关性分析筛选LAI敏感指数用于建模，构建XGBoost、RF、XGBoost-EN和RF-Ridge 4种模型，开展多高度、多特征条件下的LAI反演及精度对比分析。结果表明：无人机飞行高度对反射率与纹理特征存在明显尺度效应，80 m为反射率影响临界值；单特征与混合特征输入下模型在多高度LAI反演中均表现为20 m高度反演精度最高、效果最佳，R²最高达0.745，RMSE最低为0.699，MAE最低为0.507；XGB-EN、RF-Ridge集成模型在LAI反演中的精度均高于其余特征模型，表现出更优的反演效果，R²最高达0.802，RMSE最低为0.592，MAE最低为0.421，具有优异的拟合精度和稳定性。综合来看，XGBoost-EN是LAI反演任务中最具优势的模型。研究验证了多高度下集成学习模型与机器学习方法在LAI高精度反演中的可行性，为遥感驱动的作物生长监测提供了理论基础与技术路径。

利用辐射传输模型模拟光谱数据为水稻叶面积指数（leaf area index，LAI）反演模型提升鲁棒性和可解释性是目前相关研究的重要方向。然而，点云数据作为能够直接反映水稻物理结构的数据，相关的研究和应用却不够成熟。针对这一问题，本研究建立了一种融合三维辐射传输模型与无人机激光雷达技术的水稻LAI反演方法。基于LESS三维辐射传输模型构建虚拟水稻冠层场景，生成模拟点云数据；利用无人机激光雷达采集田间实测数据；通过Pearson相关性分析筛选关键特征，构建包含高度特征、垂直分层密度特征和累积密度特征的特征子集。采用岭回归、支持向量回归和随机森林3种机器学习模型，分别在模拟数据集、实测数据集及“模拟—实测”混合数据集上进行训练与验证。研究结果表明，LESS模型生成的模拟数据与实测点云在垂直分布上具有高度一致性，验证了模拟的有效性。特征分析表明，90%分位数高度H90和植被冠层体积VCM与LAI相关性最强。模型比较显示，随机森林在混合数据集上表现最优，验证集R²=0.918，RMSE=0.787，混合数据集策略较实测数据集拟合效果更好，有效增强模型的泛化能力。综上所述，本研究提出的三维辐射传输模型与无人机激光雷达技术融合方法可以快速准确地获取水稻LAI信息，为水稻长势信息精准监测提供了新的技术途径，为农业低空经济中作物表型信息的高通量获取提供了技术支撑。

实时且精准地监测冬小麦氮营养指数（nitrogen nutrition index，NNI）对优化大田水肥管理与降低农业面源污染具有重要意义。针对现有深度网络在处理多源无人机遥感数据时易引发模态干扰，以及在时序建模中易丢失二维空间拓扑信息的问题，研究提出一种双分支多源特征融合记忆网络（DMFM-Net）。该方法利用无人机获取冬小麦分蘖期、拔节期和孕穗期的多光谱影像与冠层结构数据，首先通过改进的CBAM-ResNet50双分支骨干网络独立提取光谱特征与冠层结构特征，随后将保留了空间维度的特征张量直接输入卷积长短期记忆网络（ConvLSTM）进行时序建模。结果表明：（1）相比于传统的串行网络（CBAM-ResNet-LSTM）与单分支网络（CBAM-ResNet-ConvLSTM），DMFM-Net有效克服多模态异构数据的噪声干扰，在各关键生育期均展现出最优的反演性能，模型在分蘖期、拔节期和孕穗期的决定系数（R²）分别达0.76、0.86和0.82，均方根误差（RMSE）低至0.11、0.10和0.14。（2）消融试验进一步证实所提架构设计的必要性与科学性。缺乏深层空间编码器的ConvLSTM模型R²显著下降0.21~0.24；而相比3D-ResNet的静态时空特征提取，DMFM-Net凭借ConvLSTM模块覆盖全生育期的长程动态记忆机制，使各时期反演模型R²提升了0.07~0.16。（3）基于最优模型生成的田块尺度空间分布图，精准还原不同施氮梯度下冬小麦氮素营养状态的局部空间异质性及其时间演变规律。综上所述，研究结果为复杂大田环境下作物营养状态的多模态时序动态监测提供了全新的理论范式与技术支撑。

现有农情监测平台在开放农田环境下普遍存在无人机续航有限、低空重复观测视角一致性不足，以及地面机器人易受地表状况和作物冠层遮挡影响等问题，难以同时兼顾快速部署能力与高重复性观测需求。为实现农田场景下同地点、同视角、不同时间农情信息的连续获取与对比分析，本研究设计一种面向农情监测的轮—翼复合沿缆式巡检机器人。本研究以农田上方架空缆线为固定巡检路径，提出飞行上下线与沿缆巡检相结合的双模态巡检方案，以满足同地点、同视角重复观测需求；在此基础上，设计由被动触发式夹爪、可变形机臂及轮—翼复合末端执行机构组成的一体化构型，实现飞行执行单元与沿缆执行单元的结构复用；建立飞行悬停、挂线防滑、沿缆驱动转矩以及机臂驱动与过中心自锁等关键约束模型，并运用SolidWorks和ADAMS开展模态切换与沿缆行走工况仿真分析。仿真结果表明，机器人双侧机臂能够实现同步折叠，模态切换过程连续稳定，整机可在约5 s内完成由飞行展开模态向沿缆工作模态的转换；在沿缆行走模态下，平台连续前进，轮组与缆线接触稳定，前后轮俯仰角变化范围约为−0.2～0.2 rad，表现出较好的路径约束性和观测姿态稳定性。所提出机器人能够兼顾农田监测区域快速进入与固定路径稳定巡检需求，可为农情时序监测、重复观测数据采集及低成本农业巡检装备研发提供参考。

油动力植保无人直升机凭借其大载荷、长续航的优势，在现代农业中发挥着重要的作用。然而，其运行机理复杂，包括：宽频强振动、发动机高温辐射及多子系统耦合等，对状态监测提出了极高要求。现有监测手段多依赖封闭的飞行控制系统，普遍存在机载设备状态数据缺失、遥测数据更新率低、传输延迟高及接口不开放等问题，导致飞行状态实时监控与故障诊断能力严重不足。为此，研究设计一套完全独立于原飞行控制系统的多信号采集与状态监测系统。硬件电路层面通过集成MPU6050姿态传感器、激光测距、热电偶及光电隔离检测电路，实现对植保无人机飞行姿态角、发动机转速、尾焰温度、发电机三相电压、舵机指令与反馈等9类关键参数的高频采集（姿态5 Hz，状态1 Hz）。采用扩展的MavLink协议封装数据，并通过4G/5G网络分时传输至上位机，结合本机循环数据存储，构建了双冗余数据链。在此基础上，提出基于温度—转速耦合模型的发动机过热预警方法，以及基于扩展卡尔曼滤波（EKF）的舵机执行机构故障检测算法。测试结果表明，该系统独立稳定运行，将关键姿态数据上传延迟降低至小于200 ms，并成功实现发电机缺相（响应<1 s）、舵机卡滞等故障的快速识别。本系统可作为独立的机载“黑匣子”，为油动力无人直升机的实时状态监控、预测性维护与飞行事故回溯提供可靠的数据基础与诊断工具。

在传统农业向智慧农业转型的过程中，农业场景对规模化、高精度信息感知的需求日益增长。传统单、双目视觉由于视野受限，难以满足复杂环境下全方位监测的要求。全景视觉技术凭借360°无死角视野、信息获取快速完整及实时性强等优势，已成为农业智能化升级中不可替代的关键技术手段。本文旨在系统梳理全景视觉系统在农业领域的应用现状与发展现状，为全景视觉技术与农业装备的深度融合提供理论参考。以成像原理和硬件结构为依据，将系统划分为云台旋转式、多相机阵列式、鱼眼镜头式及折反射镜式四类架构，并结合典型案例分析其在作物监测、表型调查及农机导航等领域的应用演进。研究表明，全景视觉已形成多层次应用格局：云台旋转式系统畸变小，但实时性差，适用于静态长势监测；多相机系统帧率高且位姿误差小，能够支撑动态高维表型重构与定位；鱼眼系统结构简单，经校正可抑制边缘畸变，实现广域监控；折反射系统紧凑且无延迟，导航避障偏差小。当前全景视觉在农业应用中仍存在复杂环境适应性瓶颈、动态场景实时处理短板、三维信息重构效率与精度不足以及技术标准化与系统兼容性缺失四大问题。为此，未来应将全景视觉技术聚焦于多模态传感器融合感知，利用深度学习驱动模型自适应优化以提升泛化能力，并与农业物联网深度协同构建感知—决策—调控一体化体系。同时，加强技术开源化与行业标准化建设，将加速全景视觉技术在精准农业中的规模化落地应用。

针对当前农业图像识别任务中模型分散、多任务协同性弱、实时性与泛化能力不足的问题，研究提出一种基于深度学习与多任务融合的农业图像智能识别系统。该系统以“端—边—云”3级协同为核心架构，通过构建多任务联合学习框架，实现作物株高测量与病害识别的协同训练与推理。融合移动端卷积神经网络（mobile convolutional neural network，MobileNet）、视觉转换器（vision transformer，ViT）特征提取能力与坐标注意力（coordinate attention，CA）机制，在强化关键特征提取、抑制农田背景干扰的同时，大幅降低计算负担。试验结果表明，该系统在株高测量与病害识别两项核心任务中均取得显著成效。在株高测量方面，算法测量结果与人工实测值之间的决定系数R²最高达99.98%，在病害识别方面，改进后的轻量化模型平均检测精度达到98.76%，模型参数量仅为12.64 M，单张图像平均检测时间最低仅为9.1 ms，具备良好的嵌入式部署能力。此外，系统在复杂环境中仍保持稳定性能，株高测量偏差均在±2 cm范围内，可无缝嵌入无人机等低空监测装备，适配低空农业作业场景的实时数据处理需求。综上所述，研究系统兼具良好的可扩展性、实时性与鲁棒性，有效破解传统技术在多任务协同、轻量化部署与复杂环境适配中的瓶颈，为低空经济赋能下的智慧农业多维度图像识别提供一体化解决方案，助力精准农业规模化落地与农业生产提质增效。

准确获取年度耕地面积与时空变化信息对于保障农业耕地红线和提升水资源高效节约集约利用水平至关重要，为农机作业提供科学导航与智能调度依据，有效提升农业机械化作业精度与效率。本研究以新疆维吾尔自治区阿克苏河流域为例，提出一种基于时序指数特征的耕地时空变化信息提取方法。首先基于农作物整个生长物候期时序遥感影像NDVI数据，采用最大值合成的方法获取年度综合植被指数影像，将其进行波段叠加构造得到时序指数特征影像；其次采用面向对象分割的方法对特征影像进行多尺度分割，得到分割结果；最后分析不同年度变化耕地在特征影像上的变化规律，构建不同变化类型耕地提取规则，采用决策树分类的方法实现不同年度耕地时空变化信息的快速提取。实验结果表明：采用本研究方法可以实现各年度耕地变化信息的快速准确提取。通过分析各年度耕地变化信息可知，2021—2024年间阿克苏河流域耕地面积整体呈增加趋势，2022年与2023年耕地增长率较大，为1.24%、1.28%；2024年耕地增长放缓，增长率为0.42%。为验证提取结果的准确性，基于部分县统计年鉴数据与遥感监测数据对比，结果显示两者相对误差在5%左右，由此说明本研究方法提取耕地面积准确性较好。

随着苹果产量的持续增长，运输与储存过程中因碰撞、温控不当等因素造成的损耗问题日益突出。传统人工对苹果表面损伤的检测方法不仅效率低、成本高，而且受操作经验与主观因素影响，检测的准确性难以保障。针对上述问题，研究提出了一种基于激光散斑成像技术的低成本、高精度的苹果表面损伤智能检测方法。该方法结合RS_FUJII散斑特征提取算法与无监督学习的RECONANOM-AE损伤检测模型，实现了对苹果损伤的快速识别与精准评估。研究以山东富士苹果为研究对象，首先对采集的散斑图像进行预处理与特征提取。针对传统FUJII算法中“帧间差异比值累加”在时空特征表达与抗噪性能方面的不足，本研究引入时空加权机制与鲁棒性增强策略，构建了改进型RS_FUJII算法，用于高精度损伤特征提取。在此基础上设计了一种无监督自编码网络RECONANOM-AE，通过重构误差实现苹果损伤区域的自动识别与异常检测。试验结果表明，所提出模型在训练过程中表现出良好的收敛性与稳定性，训练与验证误差均随迭代次数增加而逐步降低。综合性能评估结果显示，模型在损伤检测任务中取得较高的分类与识别性能：正确预测率（true positive rate，TPR）为86.67%，错误预测率（false positive rate，FPR）为6.67%，Accuracy达到90%，Precision为92.86%，Recall为86.67%，Specificity为93.33%，F1 Score为89.68%。研究结果表明，该方法在保持高检测精度的同时，具有良好的泛化能力与鲁棒性，可实现苹果的无损质量智能评估。该研究为果品品质检测提供了可行且高效的技术路径，为智能农业与食品质量控制领域提供了新的研究思路与技术支撑。

对动物体尺测量关键点进行精确定位，实现智能畜牧健康监控和自动化测量具有重要意义。现有关键点检测模型往往存在：参数量较大，不利于在边缘设备上的部署；部分轻量化模型的检测精度难以满足定位精度的要求。为此，研究设计一种基于改进YOLOv8-Pose架构的轻量化模型，在保证实时性的同时有效提升了关键点检测精度。该模型在主干网络的浅层以及3个检测头之前集成坐标注意力机制，将空间坐标信息有效编码到通道注意力中，增强模型对关键点空间分布感知能力，提升关键点定位的精确度和稳定性。浅层主干网络引入强制锐化模块，强化边缘和轮廓等细节信息，平衡全局语义信息与局部细节信息的表达能力。此外，模型在浅层主干网络引入强制锐化模块，强化边缘和轮廓等细节信息，平衡全局语义信息与局部细节信息的表达能力。另外，模型通过分支方式引入更高分辨率的特征图，向3个检测头提供细粒度的空间信息，弥补深层特征图在空间分辨率上的不足。试验结果表明，所提出的改进模型在复杂马匹关键点检测任务中精度达到82.6%，召回率为81.3%，mAP50-95提升至58.1%。相较于YOLOv8-Pose，模型精度、召回率和mAP50-95分别提高了21.0%、39.2%和45.3%，在复杂姿态和多变场景下表现出更强的关键点定位能力。模型参数量由3.361 M增加至4.611 M，增幅约为37.2%；浮点计算量由9.6×10⁹增加至10.4×10⁹，增幅仅为8.3%。在保持推理速度基本不受影响的前提下，模型性能实现了显著提升，表明该方法以较小的模型代价换取较大的性能收益，在精度与效率之间取得良好的平衡，对智能畜牧养殖和自动测量等应用具有重要推动作用。

针对笼养肉鸭养殖巡检过程中鸭只体重监测困难且效率低下等问题，研究提出一种基于树形机器学习算法的精准体重预测方法，意在提升规模化肉鸭养殖复杂场景下体重预测的稳定性与准确性。本研究基于人工采集肉鸭单侧体尺数据及日龄信息，应用极端梯度提升树模型预测肉鸭体重，以沭阳鑫丰未来牧场肉鸭体重进行预测，模型采用体尺特征与日龄相结合的预测因子进行开发，探讨不同体尺特征及日龄对体重预测的影响。结果表明，肉鸭在1~13日龄，由于体尺较小，数据不易采集，且此阶段体重增长不快，可不作为体重预测的关键指标。14~35日龄肉鸭体重存在快速增长的过程，此阶段为肉鸭养殖周期内的关键时期，日龄和单侧体尺参数在此期间对体重预测具有十分重要的作用。极端梯度提升树能够有效预测肉鸭体重，其中模型结果R²最优为0.95，均方误差最小为0.563 kg²，平均绝对误差最小为0.044 kg。此外，通过评估肉鸭单侧体尺数据重要性，得出体斜长作为肉鸭发育的主要参数，仅次于日龄参数占比20.7%，在体尺数据中对模型贡献最大，而胫长仅占4.8%，贡献最小。本研究不仅加深了机器学习在肉鸭体重预测中的应用理解，为无接触式肉鸭体重分析情况下选择和管理提供了一种有价值的方法，也为提高模型的准确性及推动笼养肉鸭智能化养殖发展提供了技术支撑，还为巡检机器人肉鸭体重监测的实际应用提供了有效技术方案。