SasyaVedha: A Soil-Aware and Climate-Resilient Agronomic Decision Support System for Indian Farms

方法

Flask+React平台，MobileNetV2迁移学习，随机森林/极端随机树

发现

多模块集成可行，但回归模型依赖合成训练集，需真实农场数据验证。

机会点

用真实农场时序数据替代合成训练集，并验证多模块联合决策对产量与资源利用的增益。

印度农民在一个生产季内通常要先后做出五项独立决策：叶片上是什么病害、预期产量有多少、何时灌溉、土壤施什么肥，以及即将到来的干旱或洪涝会如何改变上述三项判断——而大多数数字工具一次只能回答其中一项。本文提出SasyaVedha，一个基于Web的农艺决策支持系统，将作物病害识别、产量预测、灌溉调度、施肥建议和气候事件影响模拟集成到统一的Flask与React平台中，并提供一个面向多农场经营的企业模式，具备基于角色的访问控制和仅追加审计日志。病害识别采用在PlantVillage数据集上训练的MobileNetV2迁移学习卷积神经网络（CNN），并在训练权重不可用时有意回退到经过整理的病害数据库，使该功能能够优雅降级而非直接失效。产量和灌溉分别用scikit-learn集成模型建模——产量采用随机森林（Random Forest），每日净灌溉需水量采用极端随机树（Extra Trees）——二者构建在Column Transformer流水线内，该流水线对作物和土壤类型进行独热编码，并将四个实时天气特征原样传入，天气数据在请求时从Open-Meteo预报API获取。施肥指导和气候事件预测实现为启发式引擎，分别基于ICAR风格的氮磷钾（NPK）目标范围和按邦、按作物划分的脆弱性表，而非学习模型；这一选择专门是为了使其建议可追溯到已知的农艺阈值。系统后端采用基于文件的SQLite模式，涵盖用户、会话、农场、农场分配和活动日志，前端本地化为六种印度语言。我们描述了系统架构、七个功能模块各自的方法论、基于角色的安全模型以及在此过程中做出的工程权衡，包括回归模型目前依赖引导合成的训练集、尚待真实农场记录。最后我们讨论了由此带来的局限性，以及开发过程中确定的路线图事项。