大语言模型正在重塑农业生产的每一个环节。中国人工智能学会白皮书展示了从基因组学文本挖掘到田间智能灌溉的完整应用图谱——AgroNT在48种植物基因组上预训练，基因识别AUC达0.96；MMST-ViT多模态时空Transformer在200多个县域产量预测中优于传统方法。大语言模型不再停留在实验室，而是深入田间地头，成为农艺师、育种家和农户的智能决策助手。
基因组学与育种文本分析
从非结构化文本到知识图谱的自动化构建
大语言模型通过命名实体识别（NER）与关系抽取（RE）技术，从海量育种文献和基因组注释中自动提取基因名称、突变类型、性状描述等信息，构建“基因—性状—环境”知识图谱。以BERT模型为代表的预训练架构在基因实体识别中展现出显著优势，能够从文献摘要中精准识别TaDREB2A、TaNAC67等基因实体。
AgroNT——植物基因组的DNA语言模型
AgroNT是专为食用植物基因组打造的大型DNA语言模型，在48种植物（涵盖主要粮食作物和经济作物）的参考基因组序列上，使用Masked Language Model策略进行预训练。模型从约6000bp长度的DNA片段中预测被随机遮蔽的碱基序列，迫使模型学习DNA序列的潜在模式。在下游任务中，AgroNT在基因多聚腺苷酸化位点识别任务中AUC达到0.89-0.96，在长链非编码RNA功能预测中同样领先，展示出跨物种的泛化能力。
多模态遥感与田间管理融合
NDVI、CWSI等关键指标的自然语言转化
大语言模型将遥感图像和传感器数据转化为可操作的自然语言报告。常用的归一化植被指数（NDVI）定义为：
\[
\mathrm{NDVI} = \frac{\mathrm{NIR} - \mathrm{Red}}{\mathrm{NIR} + \mathrm{Red}}
\]
作物水分胁迫指数（CWSI）为：
\[
\mathrm{CWSI} = \frac{T_{\mathrm{canopy}} - T_{\mathrm{wet}}}{T_{\mathrm{dry}} - T_{\mathrm{wet}}}
\]
通过跨模态嵌入表示h = Wr·v_img + Ws·v_soil + Wc·v_climate，模型将遥感图像编码器、土壤传感器和气象数据的特征融合，生成个性化田间管理建议。
MMST-ViT产量预测模型
MMST-ViT模型包含多模态Transformer模块融合卫星遥感影像与季节气象数据，空间Transformer捕捉不同区域产量的空间相关性，时间Transformer建模长期气候变化对作物的影响。在超过200个县的数据上，模型在多项评价指标上优于以往方法。TimeGPT时间序列大模型在果园土壤张力预测中精度与专门训练的最优模型相当。
智能灌溉与施肥的对话式交互
FAO-56蒸散发模型与大语言模型的融合
精准灌溉策略依照联合国粮农组织的FAO-56标准估算参考作物蒸散发量ET₀：
\[
ET_0 = \frac{0.408\Delta(R_n - G) + \gamma\frac{900}{T + 273}u_2(e_s - e_a)}{\Delta + \gamma(1 + 0.34u_2)}
\]
结合特定作物的作物系数Kc，计算实际蒸散发量ETc = Kc × ET₀。大语言模型接入这一物理水文计算流程后，自动提取最新气象预报与传感器数据，基于不同作物生育阶段选取相应Kc值，生成针对性灌溉文本建议。
模型预测控制与多田块协同
系统引入模型预测控制（MPC）技术，定义状态向量s_k = [θ_k, x_k]（θ_k为土壤含水率，x_k为作物生长指标），控制变量为灌溉流量u_k，目标函数为在保证作物生长需求的同时最小化总水量消耗。在大规模农场中，各田块代理基于自身传感器读数运行局部控制器，中央大语言模型通过跨区资源调度算法分配有限资源，实现多智能体协同决策。
病虫害智能防治知识库
RAG框架与动态经济阈值
系统依托检索增强生成（RAG）框架，将用户自然语言询问与底层知识库紧密耦合。查询文本q与候选段落d_i通过双塔模型映射为embedding向量，以余弦相似度为度量进行前k项检索：
\[
\mathrm{Score}(q,d_i) = \frac{\mathbf{e}_q\cdot\mathbf{e}_{d_i}}{\|\mathbf{e}_q\|\|\mathbf{e}_{d_i}\|}
\]
经济损害阈值（EIL）与经济阈值（ET）建立在作物—害虫群体动力学、市场波动和控制技术响应三大模型耦合基础上。多目标强化学习框架将病虫害防治策略视为智能体动作序列，累积回报函数J由产量增益、经济成本节省和环境足迹三部分加权组合。
