《Cogent Food & Agriculture》：Climate-smart agriculture using IoT-enabled machine learning for crop recommendation
编辑推荐：
精准农业（Precision Agriculture）已成为通过先进决策支持系统提高农业产量的有效策略。然而，理解土壤和环境因素有助于改善农业规划。本研究（研究人员）建立了一个利用物联网（Internet of Things, IoT）方法的作物推荐系统，并附
精准农业（Precision Agriculture）已成为通过先进决策支持系统提高农业产量的有效策略。然而，理解土壤和环境因素有助于改善农业规划。本研究（研究人员）建立了一个利用物联网（Internet of Things, IoT）方法的作物推荐系统，并附带数据提取功能。必要的土壤养分数据（氮N、磷P、钾K）通过连接Arduino UNO（RS-485）的商业NPK传感器获取。气候应用编程接口（Application Programming Interfaces, APIs）被用于获取大气变量，如温度和湿度。该系统设计为计算年平均值而非聚合短期测量值，从而能够专注于气候信息。收集的数据集随后使用一系列机器学习方法进行分析，包括K近邻（K-Nearest Neighbors）、支持向量机（Support Vector Machines）、随机森林（Random Forest）和梯度提升（Gradient Boosting）。在所有评估的模型中，最有效的方法是随机森林，实验准确率达到99%，因此适用于作物预测。
**论文解读：基于物联网与机器学习的作物推荐系统研究**
**研究背景与问题**
农业是保障粮食安全和促进经济发展的重要支柱，尤其在发展中国家。然而，传统农业方法依赖农民经验和人工评估土壤及环境因素，忽视了气候和土壤条件的动态变化，导致作物选择不当、资源利用效率低、产量下降及土壤质量退化。气候变化加剧了这些挑战，对粮食供应系统造成更大压力。因此，迫切需要基于数据驱动的智能解决方案来优化农业决策和资源利用。现有作物推荐系统多采用静态数据集而非实时田间数据，或依赖多种环境传感器增加硬件复杂度和成本，部分系统仅关注少数土壤因子，缺乏可扩展性，且存在数据质量不稳定、预处理不足、部署不友好等问题。这些局限性促使研究人员开发一种整合实时物联网（IoT）土壤监测、可靠气候信息和强健机器学习模型的统一框架，以提供精确可行的作物建议。
**研究内容与结论**
本研究提出了一种基于IoT的机器学习作物推荐系统，通过实时土壤养分监测与云端天气数据集成，实现精准农业决策支持。研究人员利用工业级NPK传感器（JXCT）通过RS-485协议连接Arduino UNO微控制器，获取土壤氮（N）、磷（P）、钾（K）数据；同时通过天气应用编程接口（API）获取温度、湿度、降雨量等环境参数。系统采用混合数据采集方式：自动模式下，Arduino硬件通过蓝牙（HC-05）传输土壤养分数据，并基于用户地理位置获取30天平均天气指标；手动模式下，用户可自行输入参数。收集的数据集来自Kaggle公开的作物推荐数据集（Crop Recommendation Dataset），包含22种作物类别、2200个样本，特征含N、P、K、温度、湿度、降雨量（pH被排除以简化硬件）。研究人员对比了四种监督学习算法：K近邻（KNN）、支持向量机（SVM）、随机森林（Random Forest）和梯度提升（Gradient Boosting），通过分层五折交叉验证和GridSearchCV优化超参数。实验结果表明，随机森林分类器表现最佳，测试准确率达99%，精确率、召回率和F1分数均接近1.0，训练时间短（0.0099秒），被选为最终模型。该模型通过Flask REST API部署于PythonAnywhere云平台，并与Android移动应用（MIT App Inventor开发）集成，支持自动和手动两种模式，实时输出作物推荐及置信度。本研究发表在《Cogent Food》。
**关键技术方法**
研究采用以下关键技术：硬件层面，使用工业级JXCT NPK传感器通过RS-485模块与Arduino UNO通信，蓝牙HC-05模块实现无线数据传输，OLED显示本地读数；软件层面，Python语言结合Scikit-learn库实现机器学习算法（KNN、SVM、随机森林、梯度提升），GridSearchCV进行超参数优化，Flask框架构建REST API并部署于PythonAnywhere云平台；移动应用由MIT App Inventor开发。数据来源为Kaggle的作物推荐数据集（Crop Recommendation Dataset），包含22种作物、2200个样本，特征为N、P、K、温度、湿度、降雨量。采用分层五折交叉验证（Stratified 5-fold Cross-Validation）和GridSearchCV避免过拟合并保持类别分布。
**研究结果**
**4.1 实验设置**：通过硬件与软件管道实现实时土壤养分监测与作物预测。系统使用NPK传感器、Arduino UNO、蓝牙模块、天气API，随机森林模型预测准确率99%。
**4.2 输入特征相关性分析**：通过相关性矩阵分析，发现磷（P）与钾（K）呈显著正相关（0.74），氮（N）与磷、钾呈弱负相关，温度与土壤养分无显著关联，湿度与温度弱正相关，表明无严重多重共线性，特征选择合理。
**4.3 标记混淆矩阵分析**：随机森林模型的混淆矩阵显示，大部分作物被正确分类，仅少数作物间存在误分类（如黑豆与椰子、黄麻），表明模型区分能力强，尤其适用于非技术用户。
**4.4 优化分类模型比较**：比较KNN、SVM、随机森林、梯度提升的交叉验证准确率、训练/测试准确率、精确率、召回率、F1分数及计算时间。随机森林交叉验证准确率最高（99.26%），训练准确率100%，测试准确率99%，训练时间短（0.0099秒），综合性能最优，被选为最终模型。
**4.5 分类报告分析**：随机森林分类报告显示，各作物精确率范围0.95–1.00，召回率0.97–1.00，F1分数0.97–1.00，宏平均和加权平均均为0.99，表明模型无偏，对所有作物类别预测均衡。
**4.6 特征重要性分析**：基于随机森林的特征重要性排序，降雨量最重要，其次为湿度、钾、磷、氮、温度，符合农学知识（水分对作物生长关键）。
**4.7 机器学习模型准确率比较**：条形图显示，随机森林和梯度提升准确率接近99%，KNN约97.5%，SVM约98%，集成方法优于单一模型。
**4.8 移动应用输出验证**：自动模式和手动模式均产生一致作物推荐。自动模式通过蓝牙获取土壤数据并计算30天平均天气，更可靠；手动模式允许用户输入，更灵活。置信度示例中，甜瓜最高置信度30.5%，但仍被推荐，测试准确率99%表明低置信度不代表错误。
**讨论与结论**
研究讨论部分强调，所提出的系统通过整合实时IoT土壤传感、云端气候数据和机器学习模型，实现了高精度作物预测，并部署于移动应用，提升了实用性和可访问性。随机森林模型在准确率、计算效率及泛化能力上均优于其他算法，适合实时决策支持。论文结论部分翻译如下：本文提出了一种基于IoT的机器学习作物推荐系统，旨在通过智能决策支持精准农业。该框架将Arduino-based NPK土壤养分传感器与天气API获取的云端气候信息相结合。通过聚合环境参数（温度、湿度、降雨量）的长期平均值，预测更加稳定可靠。通过比较KNN、SVM、随机森林和梯度提升等多种算法，实验结果表明随机森林分类器准确率达99%，可作为强大的农业决策支持系统。通过云Flask REST API，训练模型与Android移动应用集成，向农民提供实时作物推荐。本研究的局限性在于使用了特定数据集，且在不同农业区域的田间验证有限。
