International Journal of Artificial Intelligence and Machine Learning 2026, 6(9s): 1668-1689·9月5日 · 周六论文农业人工智能与决策模型阅读 3
IoT-Enabled Evidence-Fusing Graph Neural Network With Attention-Based Feature Engineering For Uncertainty-Aware Crop Recommendation（IJAIML Vol.6 No.9s 1668-1689）
论文解读
77精选
速览
提出IoT-AM-EFGNN框架，结合IoT传感与图神经网络实现高精度作物推荐。
方法
IoT传感、多尺度注意力特征工程、证据融合图神经网络、酶作用优化器、SHAP解释
发现
准确率99.18%，精度99.12%，召回率99.08%，F1 99.10%，AUC 99.42%。
机会点
可探索将证据融合图神经网络与不确定性量化结合，提升模型在数据稀缺或噪声环境下的鲁棒性。
影响力18
信息增量22
专业深度18
信源权威12
时效性7
提出IoT-AM-EFGNN框架，结合多尺度注意力与图神经网络，作物推荐准确率超99%，方法新颖且数据可靠，对精准农业有实质推进。
原文摘要
Kanuprasad与Balaji提出IoT-AM-EFGNN框架，结合IoT传感、AMTNet启发的多尺度注意力特征工程、Evidence Fusing Graph Neural Network (EFGNN)、酶作用优化器(EAO)和SHapley Additive exPlanations (SHAP)；实验准确率达99.18%，精度99.12%，召回率99.08%，F1-score 99.10%，ROC-AUC 99.42%；交叉验证平均99.18%±0.16%。