International Journal of Drug Delivery Technology·10月10日 · 周六论文智慧农业 / 农业物联网阅读 0
Energy-Efficient Smart Agriculture Management Framework Using IoT and Ensemble Machine Learning for Intelligent Crop Health Monitoring and Resource Optimization
论文解读
52未达精选线
速览
用IoT传感器数据与集成机器学习实现作物健康分类与资源优化。
方法
五种分类器（RF、XGBoost、LightGBM、CatBoost、软投票）结
发现
软投票集成模型准确率达94.5%，AUC-ROC为0.988，优于单一模型。
机会点
可探索边缘端轻量化集成模型与能耗-精度联合优化，降低传感器通信开销。
影响力8
信息增量16
专业深度14
信源权威6
时效性8
方法组合与多源传感器数据有一定新意，但期刊权威性弱、属实验室验证，公共价值有限，不宜进入每日精选。
原文摘要
背景：智慧农业在借助物联网（IoT）应对粮食安全、环境可持续性和可持续耕作等挑战方面发挥着重要作用。农民在传统耕作中面临诸多问题，例如监测效率低下和作物健康检测不佳。传统耕作对作物产量和可持续性产生负面影响。在此背景下，开发智能且节能的农业监测系统对于当代精准农业应用已变得至关重要。目标：本研究旨在利用机器学习技术监测作物健康并优化资源利用。我们提出的系统旨在实时监测作物状况、增强农业管理并最大限度减少不必要的传感器使用和通信开销。材料/方法：在本文中，我们使用了五种机器学习分类器，利用传感器数据监测作物健康。农业传感器数据（土壤湿度、土壤温度、土壤pH值、湿度、空气温度、太阳辐射、风速、NDVI指数和5G延迟）被用于作物健康监测。RF、XGBoost、LightGBM和CatBoost等模型以及软投票被用于将作物健康分类为健康、高胁迫和中等胁迫类别。实验观察表明，与其他模型相比，软投票达到了最高的准确率94.5%、宏F1分数0.945、加权F1分数0.945和AUC-ROC分数0.988。交叉验证结果进一步验证了所提出框架的鲁棒性和稳定性。该物联网赋能的智能农业管理系统为实时作物健康监测、节能资源优化和可持续智慧农业提供了一种高效、可扩展的解决方案。