Peer-to-Peer Networking and Applications·10月12日 · 周一论文智慧农业 / 农业物联网阅读 3
Enhanced crop yield estimation in smart agriculture via AI and IoT using the GODL geo-optimized algorithm
Keerthana T · Janarthanan R
论文解读
68接近精选线
速览
提出GODL算法，融合地理空间信息与深度学习，结合AI和IoT提升作物产量预测精度。
方法
GODL算法，融合地理空间数据与深度学习，采用Adam和SGD超参数优化。
发现
GODL在准确率、Jaccard指数、FMI和G-mean上优于RNN等模型，且IoT数据延迟影响预
机会点
可探索区块链保障数据共享安全、边缘计算降低IoT延迟，以及多源异构数据融合的轻量化模型。
影响力12
信息增量18
专业深度16
信源权威13
时效性9
提出GODL地理优化深度学习算法融合AI与IoT进行作物估产，方法有创新且对比实验充分，但属学术论文，产业落地影响有限。
原文摘要
摘要 精准农业是为应对当代农业面临的若干重大挑战而采用的主要突破之一，这些挑战包括最大化作物产量、最大化资源效率以及可持续性。人工智能（AI）与物联网（IoT）技术的应用，能够通过从卫星图像、地面传感器和气象站等多源获取的数据，大幅提升作物产量预测能力。本文提出了一种下一代作物产量预测系统，称为地理优化深度学习（GODL）算法。GODL算法将地理空间信息与深度学习算法相结合，用于作物产量分析与预测。深度学习与地理空间数据的这种结合，使得利用地理空间和传感器信息进行准确且可扩展的作物产量预测成为可能。为确保模型在准确性和效率方面实现优化，GODL算法采用了先进的超参数优化方法，包括Adam和随机梯度下降（SGD）。本文通过开展大量实验，将该算法的性能与其他作物产量预测模型（如循环神经网络（RNN）及其他机器学习技术）进行比较，从而突出GODL算法的效率。评估考虑了准确率、Jaccard指数、Fowlkes-Mallows指数（FMI）和G均值等重要指标，以及物联网数据延迟及其对预测精度的影响。在未来的研究中，将考虑使用区块链技术促进数据共享，并利用边缘计算处理数据。