透過有效放牧進行外來入侵種的雜草管理，在雜草管理與畜牧生產兩方面取得雙贏局面。

藉由遍布全國的蜂箱，能夠更全面且即時的監測環境汙染物如重金屬，是一個極具潛力且效益佳的方式。

年輕青農返鄉接手祖父母的百香果園，拋棄既有的慣行農法，走向友善栽培之路，在堅定的意志下，他雖做出了成績，卻仍得面臨氣候變遷以及病蟲害的侵擾。現在，於工研院協助下，透過作物整合管理系統，終於讓自然果香得以繼續飄散。

日本國家農業與食品研究組織(NARO)開發一種技術，利用人工智慧(AI)技術結合從玉米田的無人機圖像和NORODA的網格農業氣象資料進行物件檢測，以預測每個田地的最佳收穫時間。目前，準確預測大田地的適當收穫時間通常需要耗費大量的時間和精力，但這項新技術能夠提供更精確預測。透過每個季節僅進行一次的空拍，便能有效判斷適當的收穫時間。人工智慧的應用使得預測收穫時間變得更簡便且準確，有助於提升玉米的生產效率，並優化收穫計畫。

此研究主要目的是自動化植物病理學測試，以提高植物疾病檢測的效率和準確性，特別是在應對氣候變化所帶來的挑戰時，促進植物的選擇性育種。法國研究團隊利用低成本的深度影像感測器，成功實現了97%的準確率來區分抗病和易感植物，並且這一方法的速度是人工標註的30倍，且在不同環境和植物密度下均表現穩定。

TheGreefa 匯集了來自義大利、法國、德國、西班牙、瑞士、波蘭和突尼西亞的研究人員開發更具能源效率和環保的系統來控制溫室內的溫度和濕度，以滿足歐洲的氣候目標和永續農業生產的需求。

研究由中國科學院研究團隊開發了一個針對水稻14種NPK（氮、磷、鉀）營養壓力條件的高光譜庫，利用地面高光譜相機收集和分析420張水稻壓力影像。研究中使用的基於變壓器的深度學習網絡SHCFTT能準確識別營養壓力模式，其準確率在93.92%至100%之間，顯著優於支持向量機（SVM）、一維卷積神經網絡（1D-CNN）和三維卷積神經網絡（3D-CNN）模型。這一方法提高了營養壓力檢測的精確性，對作物健康監測和精準農業的決策制定具有重要貢獻。

研究發現與螞蟻共生的微生物，可生產對抗蘋果病害的抗生素，由此可對此培育其進行生物防治，減少農業損害，發展更環保與健康的植物病害防治方法。

　　數位工具使用已是現今農業經營趨勢，農業從業者需要更精確分析生產流程、預測趨勢並做出明智決策。本課程由國立臺灣科技大學色彩與照明科技研究所林宗翰教授介紹如何利用先進的色彩技術來提升農業管理和生產品質。 　　蜂巢數據科技股份有限公司盧安邦負責人將為大家說明從數據蒐集到分析應用過程，分享實際案例並解析其在不同農業環境中的效益。透過本課程，學員將了解如何結合色彩校正技術和大數據分析來推動農業數位轉型，從而實現更精準與現代化農業生產。