相機陷阱正在改變生態研究，但目前的自動影像分析常常缺乏深入的保育資訊。為了改善這一點，我們建議將視覺-語言模型整合進分析流程。我們的兩階段系統首先利用YOLOv10-X進行物種定位與分類，接著使用Phi-3.5-vision-instruct模型，這不僅提升了物種識別，還能捕捉更多生態變數，如植被類型和時間。這樣的組合讓複雜查詢變得可行，並生成結構化報告，提供物種豐富度、分佈、行為及棲息地選擇的見解，減少人工努力，支持主動保育決策。 PubMed DOI

這篇綜述探討卷積神經網絡（CNNs）在智慧農業的應用，涵蓋雜草與疾病檢測、作物分類、水資源管理及產量預測等領域。透過分析115項研究，文章強調科技如何提升農業效率，並介紹影像分類、分割、回歸和物件檢測等方法，利用RGB、多光譜、雷達和熱成像數據。CNNs應用於無人機和衛星數據，實現即時作物監測，助力農場管理。未來建議整合物聯網和雲端平台，改善數據可及性，以應對氣候變化和糧食安全挑戰。 PubMed DOI

隨著城市成為人類活動的核心，城市感知的重要性日益提升。大型語言模型（LLMs）透過其語言框架，為城市感知帶來新機會。本文探討LLMs在理解城市機制上的潛力，重點在於改善人類與LLMs的知識轉移、提升對城市運作的認識，以及透過LLM代理實現自動化決策。雖然LLMs能提供更深入的城市動態理解，但也面臨多模態數據整合、時空推理、文化適應性和隱私等挑戰。未來的城市感知需善用LLMs的智慧，並克服這些挑戰，以促進智能和可持續的城市發展。 PubMed DOI

這篇論文探討在東歐推行自動灌溉系統和AI驅動的氣候監測，以應對氣候變遷並確保糧食安全。透過物聯網技術，系統持續收集溫度、濕度和土壤濕度的數據，並利用AI分析，提供最佳灌溉建議。這樣可以減少水和能源消耗，增強植物健康，提高農業生產力。數據無線傳輸至中央數據庫，便於進行國家級氣候評估。AI在農業監測中的應用，為可持續農業和應對氣候挑戰邁出了重要一步，並可作為其他脆弱地區的參考模型。 PubMed DOI

衛星影像的可用性不斷提升，讓地球表面地圖的繪製加速，但準確性仍受限於現場數據不足。公民科學計畫如Geo-Wiki和Picture Pile雖有效收集數據，但仍需更佳策略來優化志願者的時間與努力。雖然部分專案已開始使用機器學習，生成式AI的潛力尚未被充分利用。本文探討如何透過生成式AI改善土地覆蓋與使用的繪製，特別是整合多模態大型語言模型（MLLMs），以提升AI的空間意識，進而增強數據收集與繪圖的效率。 PubMed DOI

這篇論文強調地理空間基礎模型在公共與環境健康中的潛力，特別是在數位健康監測方面。傳統模型多集中於文本，卻忽略了地理空間特徵如空間關係和流動性。作者討論了最新進展，指出這些模型能提升健康監測與評估的機會，同時也提到納入地理空間背景的挑戰及倫理考量。最後，論文主張發展多模態地理空間基礎模型，以開啟數位健康研究的新可能性。 PubMed DOI

這篇文章介紹視覺型無人機學習，說明其如何提升無人機自主性與操作能力，並分類各種視覺控制方法。內容涵蓋單機到多機協作應用，討論現有挑戰、創新與未來發展。特別指出，隨著大型語言模型和具身智能進步，視覺學習有望讓無人機更接近通用人工智慧。 PubMed DOI

這篇綜述分析了3,581篇文獻，說明機器學習在青光眼早期診斷、疾病預測和個人化治療上的應用進展。重點聚焦於眼疾、視網膜影像和風險因子。研究也指出現有趨勢與不足，並建議結合多模態技術和大型語言模型，有望進一步提升青光眼診斷與照護品質。 PubMed DOI

這項研究用AI和參與式建模，分析全球生態村的資料，找出永續發展重點，並建立一套評估生態村影響的模型。情境分析顯示，不同做法（如永續農業、再生能源）會影響生態、經濟和社會層面。研究結果提供實用建議，有助於生態村管理和政策規劃。 PubMed DOI

這篇論文探討用AI，特別是大型語言模型，來自動化整理動物傳染病環境風險因子的文獻回顧。研究比較不同AI方法，目的是提升找出相關風險因子的效率和準確度，解決病原體快速變異、文獻需常更新的問題。 PubMed DOI