Hybrid deep ensemble learning for crop disease prediction and climate-resilient disaster management in smart agriculture
Deepak Motwani · Sellappan Palaniappan · A. Daniel 等 4 人
提出混合深度集成框架，融合CNN与LSTM并引入注意力机制，实现作物病害预测与气候韧性灾害管理。
CNN提取图像特征、LSTM预测气候，注意力多模态融合，贝叶斯不确定性估计与深度
框架在分类精度与气候预测误差上均优于CNN、LSTM及CNN-LSTM基线，且性能提升具统计显著性。
可探索轻量化边缘部署与多作物跨区域迁移，结合实时物联网数据提升不确定性感知的灾害预警时效。
提出CNN-LSTM注意力融合与贝叶斯不确定性估计的混合深度集成框架，多源数据与统计验证扎实，但属方法类论文，产业落地影响有限。
摘要：准确的作物病害预测和气候适应性灾害管理对于在日益动态的环境条件下提高农业生产力和保障粮食安全至关重要。现有深度学习方法通常独立执行作物病害检测和气候预测，且往往依赖确定性CNN–LSTM架构，缺乏有效的多模态特征融合、预测不确定性估计或全面的统计验证。因此，其在气候变化条件下提供可靠决策支持的能力仍然有限。为应对这些挑战，本文提出了一种新颖的混合深度集成学习框架，用于智慧农业中的作物病害预测与气候适应性灾害管理一体化。该框架将用于空间作物图像特征提取的卷积神经网络（CNN）与用于时间气候预测的长短期记忆（LSTM）网络相结合。采用基于注意力的多模态特征融合机制整合异构的作物与气候信息，同时引入贝叶斯不确定性估计和深度集成学习，以提高预测可靠性、鲁棒性和置信感知决策支持能力。实验评估使用包含作物图像和气候观测数据的多模态数据集，数据来源于PlantVillage、NOAA和NASA EOS数据集。数据集按70：15：15的比例划分为训练集、验证集和测试集。采用分类和回归指标对所提框架进行评估，包括准确率、精确率、召回率、F1分数、RMSE、MAE、MAPE和AUC-ROC。为确保可复现性，所有实验使用不同随机种子重复五次，结果以均值$$\pm$$标准差、95%置信区间和配对Student's $$t$$检验报告。实验结果表明，所提框架在分类准确率、气候预测误差、不同气候条件下的鲁棒性以及统计显著性性能提升方面均持续优于传统CNN、LSTM和CNN–LSTM混合模型。该框架为智能气候适应性智慧农业和早期农业灾害管理提供了一种可靠、可扩展且具有不确定性感知能力的解决方案。