机器学习赋能水培农业：基于生长预测与异常检测的巴达维亚生菜精准栽培研究

本研究针对水培生菜栽培中环境参数调控复杂、生长监测低效等问题，通过融合传感器网络与图像处理技术，构建了基于神经网络（NN）和随机森林（RF）的机器学习模型。结果表明：NN模型将生长速率预测均方误差降低73.88%，RF分类器对生长状态识别准确率达94.45%，为精准农业提供了实时决策支持。

　　

传统农业面临资源浪费和生态压力，而水培技术虽能实现无土栽培，却因环境参数（如pH、电导率EC、水温WT）动态变化导致生长调控困难。巴达维亚生菜作为高经济价值作物，其水培过程需精准监控，但现有技术缺乏实时数据分析能力。为此，Plug ‘n’ Grow支持的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出机器学习（ML）驱动的水培优化方案。

研究采用三组对照实验，分别调控WT、EC和pH，通过ReNile环境监测系统和定制摄像头采集数据。关键技术包括：1）传感器数据标准化与K-means聚类（91%精度）；2）图像特征提取（叶面积、颜色强度）；3）混合建模（线性回归、NN、RF）。

物理布局与数据采集
实验采用水平营养膜技术（NFT）系统，六条通道种植生菜，传感器部署于循环水箱。数据涵盖空气/水质参数及每日生长图像，确保单变量调控下的数据可比性。

ML与DL建模
研究对比了线性回归、NN和RF的性能。NN在生长速率预测中表现最优，均方误差（MSE）降低73.88%；RF分类器对异常条件（如pH/WT波动）识别准确率达94.45%，优于SVM（80%）和kNN。

数值结果与讨论
NN的R²
值显著高于线性回归（0.77 vs. 0.35），证实非线性建模优势。RF特征重要性分析显示，叶面积和EC为关键生长指标。与Tambakhe等（2022）的菠菜研究（RF准确率95%）相比，本研究验证了ML跨作物适用性。

结论与意义
该研究通过ML实现了水培生菜生长的精准预测与异常预警，NN和RF的组合策略为实时决策提供了可靠工具。成果推动了可控环境农业的智能化，未来可扩展至其他高价值作物，助力可持续农业发展。