基于注意力卷积双向门控循环与改进风中叶优化算法的智慧农业研究：AIoT融合驱动的高效精准农业

针对传统农业中环境监测失真、病害诊断效率低等问题，研究人员提出ACBiG-mLiW算法（Attention Convolutional Bidirectional Gated Recurrent based Modified Leaf in Wind），通过融合CNN空间特征提取、BiGRU时序建模和注意力机制，结合多源数据集（PlantVillage/plantDoc等），实现97.5%的病害识别精度，为可持续农业提供数据驱动决策支持。

　　

随着全球气候变化加剧，极端干旱与强降雨频发导致农作物病害识别和环境监测面临巨大挑战。传统农业依赖人工经验判断，存在响应滞后、误判率高等问题。尽管已有研究尝试结合遥感数据和人工智能（如Mendoza-Bernal等采用CNN进行作物异常检测），但受限于数据质量波动和算法泛化能力不足，实际应用效果不佳。

为解决这一难题，研究人员开发了ACBiG-mLiW（注意力卷积双向门控循环改进风中叶优化）算法。该研究整合PlantVillage、plantDoc等5类农业数据集，通过智能光谱仪和无人机RGB图像采集数据，采用归一化（Normalization）和标准化（Standardization）预处理技术提升数据质量。核心创新在于构建混合模型：利用卷积神经网络（CNN）提取叶片病斑的空间特征，双向门控循环单元（BiGRU）捕捉环境参数时序关联，注意力机制动态分配特征权重，最后通过改进的风中叶优化算法（mLiW）优化模型超参数。

实验设计
研究团队设置4种场景（SC1-SC4）验证模型性能，评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1值。对比实验显示，SC2场景下模型精确率达98.5%，显著优于传统方法。

关键技术

1. 多模态数据融合：整合可见光图像、土壤类型和物联网传感器数据
2. 混合神经网络架构：CNN-BiGRU-注意力机制三级联结构
3. 动态优化策略：mLiW算法调整学习率和特征权重

研究结果
INTRODUCTION
阐明可持续农业需兼顾生产力与生态保护，指出当前气候适应性技术的缺口。

RELATED WORKS
综述现有AI农业应用的局限性，如Nagaraj研究中的样本失衡问题，凸显本研究的算法改进必要性。

PROPOSED METHODOLOGY
模型流程图显示：数据采集→噪声消除→特征融合→优化决策的全链条处理，注意力机制使关键时间步特征权重提升37%。

EXPERIMENTAL RESULTS
SC1-SC4平均精度达97.6%，其中土壤含水量预测误差低于2.3%，验证模型在动态环境中的鲁棒性。

DISCUSSION
算法成功捕捉到极端天气下病害早期特征，如干旱胁迫导致的叶缘卷曲（Leaf Curling Index_LCI）与霉病发生的相关性。

结论与展望
该研究首次将mLiW优化算法引入农业AI领域，构建的ACBiG-mLiW模型在《Sustainable Computing: Informatics and Systems》发表后，可为农户提供实时病害预警。未来可扩展至多作物协同监测系统，作者SV、KN等强调需进一步优化边缘计算（Edge Computing）部署方案以适应田间设备算力限制。