AIoT赋能的上下文感知贝叶斯分类系统及其在智能可持续菜园种植中的应用

《Cogent Food & Agriculture》：An AIoT-enabled, context-aware Bayesian classification system for smart and sustainable potager farming

　　

城市社会正在鼓励居民发展菜园（potagers）以满足自身需求，然而居民缺乏农业培训，这凸显了智能和可持续菜园种植的必要性。使用传感器可提供数据，随后通过机器学习（Machine Learning, ML）算法处理以确定田地状态，这一过程被称为上下文处理（Context Processing）。所提出的系统通过连接传感器的Raspberry Pi（树莓派）设备采集传感器数据，从而使其具备上下文感知（Context-Aware）能力。计算在智能设备中执行，减少了对云端（Cloud）的依赖并改善了延迟（Latency），使该系统具有新颖性。传感器数据包括作物类型、湿度水平、烟雾传感器、温度、火灾传感器和天气数据，这些均属于田地的组成部分。数据按固定间隔采集，用于维持田地湿度并在紧急事件中发出警报。所提出的系统在模拟案例和Mendeley上可获取的近似数据集上进行了评估，在25次独立实验中，平均准确率（Accuracy）为92.88%，平均召回率（Recall）为47.56%，平均精确率（Precision）为69.12%，平均F1分数（F1-score）为52.59%，平均特异性（Specificity）为75.59%。在相同实验中，贝叶斯分类（Bayesian Classification）优于其他算法。

**论文解读**

**一、研究背景与问题**

随着全球人口持续增长，预计到本十年末将达到85亿，粮食生产需要增加高达70%才能满足人类需求。在此背景下，可持续农业被视作关键解决方案。城市社会中，居民越来越多地在后院种植菜园（potager，即家庭式小型多作物菜园）以满足日常食物需求，但他们普遍缺乏农业培训，难以科学地进行作物监测与养护。在巴基斯坦等以农业为主的国家，传统耕作方法仍占主导地位，如依赖降雨的Barani系统（北部高原雨养农业）和依赖运河灌溉的Nehri系统（旁遮普与信德平原的冲积土地），这些方法需要大量人工监控与干预，产量不稳定且缺乏可持续性。

现有智能农业系统多基于物联网（Internet of Things, IoT），通过在田地部署传感器采集数据并上传至云端进行处理与决策。然而，这种云端-边缘（Cloud-Edge）架构存在高延迟、带宽浪费以及对云端过度依赖等问题。人工智能物联网（Artificial Intelligence of Things, AIoT）作为IoT的演进范式，通过在雾端（Fog）即靠近传感器的智能边缘设备上执行计算，显著减少了云端依赖和决策延迟。此外，现有系统大多缺乏上下文感知（Context Awareness）能力，即未能将多源传感器数据与环境信息整合为统一的上下文（Context）并进行智能分类，从而限制了系统对复杂田间状态的精确判断与自主响应。

**二、研究目的与意义**

针对上述问题，研究人员提出了一种基于AIoT的上下文感知贝叶斯分类系统，专为菜园中的小规模田地（small-scale fields）设计，旨在实现智能与可持续的菜园种植。该研究的核心动机在于：城市居民缺乏农业专业知识，难以根据不同作物、不同土壤条件和天气变化做出精准的灌溉与预警决策。通过将多种传感器数据与远程天气服务数据整合为"田地上下文"（Field Context），并利用贝叶斯分类进行实时分类，系统可自动识别田地的干燥（Dry）、灌溉中（Watering）、警报（Alert）和紧急（Emergency）四种状态，进而自主执行灌溉或发出警报。其重要意义在于，该系统以低成本、低延迟的AIoT架构实现了上下文感知驱动的精准农业，为城市家庭菜园种植提供了一种可扩展、可持续的智能化解决方案，同时为减少云端依赖、提升数据隐私和决策实时性提供了新路径。

**三、关键技术方法概述**

该研究以Raspberry Pi 4（树莓派4代）设备作为AIoT核心计算平台，该设备为电池供电的系统级芯片（System-On-Chip, SOC），可直接连接并处理多种传感器数据。传感器组包括湿度传感器（Moisture Sensor）、烟雾传感器（MQ-3 Smoke Sensor）、温度传感器（DSB18B20 Temperature Sensor）、火焰传感器（Flame Sensor）、水流传感器（Water Flow Sensor）以及GPS传感器（NEO-M8N GPS Sensor）。设备通过4G模块（SIM7600E-H 4G HAT）连接互联网以访问远程天气服务，获取降雨预报和天气紧急预报。上下文处理采用朴素贝叶斯分类（Na?ve Bayesian Classification），利用存储在MicroSD卡中的上下文历史（Context History）计算先验概率与后验概率，选择最大似然概率对应的状态作为分类结果。评估方面，研究人员首先通过模拟案例进行概念验证，随后在Mendeley公开数据集（DOI: 10.17632/65jxyrxv7b.1，源自Kathole等人的植物健康监测研究，含99条实例）上进行25次独立实验，并与其他机器学习算法进行了性能对比。

**四、研究结果**

**（1）系统设计：菜园上下文与田地上下文的数学模型。** 研究人员将菜园上下文（Potager Context, P）定义为多个田地上下文（Field Context, F₁至F_n）与天气上下文（Weather Context, W）的并集。单个田地上下文F由作物类型（ct）、面积（a）、火焰传感器状态（f，布尔值）、位置（loc，含经纬度和海拔的复合属性）、烟雾传感器状态（s，布尔值）、水流传感器状态（wfs，布尔值）、时间戳（ts）、湿度水平（ms）、降雨预报（rf）和天气紧急预报（ewd）等属性组成。当前上下文（Current Context）在运行时采集，作为贝叶斯分类的查询实例（Query Instance），通过与上下文历史中的先验概率比对，计算后验概率以确定田地状态（Field State, FS）。

**（2）系统实现：传感器部署与电路架构。** 在单块田地的实现中，Raspberry Pi 4设备通过5V电池供电，连接MQ-3烟雾传感器、火焰传感器、DSB18B20温度传感器、湿度传感器、NEO-M8N GPS传感器以及带水流传感器的水阀，并通过SIM7600E-H 4G HAT模块实现GSM通信。传感器在菜园中策略性部署：湿度传感器埋入土壤，水流传感器置于种植槽边缘，烟雾、火焰和温度传感器安装于菜园中央高处，GPS传感器与Raspberry Pi设备一起置于侧边。系统上电后首先进行传感器校准，丢弃初始时段的读数以确保数据稳定后再进行上下文处理。上下文历史存储于32GB MicroSD卡中。

**（3）模拟案例评估与贝叶斯分类验证。** 研究人员通过一个包含10条记录的模拟上下文历史数据集展示了贝叶斯分类的工作机制。对于给定的当前上下文C，计算各类别（Watering、Dry、Alert、Emergency）的后验概率。计算结果显示，Watering状态的后验概率最高（约0.033），其余状态均为0，因此当前上下文被分类为Watering状态。该模拟验证了贝叶斯分类在上下文处理中的可行性。

**（4）公开数据集评估与性能指标。** 在Kathole等人的Mendeley数据集上，研究人员首先对数值型传感器数据进行符号化处理（根据最大值和最小值划分范围并赋予符号值），并为数据集补充了Dry、Watering和Alert三种结果状态标签。数据集按2/3随机划分训练集、1/3为测试集，进行25次独立实验。25次实验的聚合混淆矩阵和性能分解显示：平均模型准确率为92.88%，平均召回率为47.56%，平均精确率为69.12%，平均F1分数为52.59%，平均特异性为75.59%。由于数据集中91%的实例为Alert状态，Alert类的精确率较高且无误分类，而Dry和Watering类别因实例数量较少而常被误分类。

**（5）算法对比与贝叶斯分类的优势验证。** 在相同的25次独立实验中，研究人员将贝叶斯分类与多种机器学习算法进行了性能对比。结果表明，贝叶斯分类在准确率、召回率、精确率和F1分数等关键指标上均优于其他算法。研究人员指出，贝叶斯分类具有计算效率高、对噪声具有鲁棒性、对无关属性不敏感、支持多类分类以及利用概率输出分类结果等特点，尤其适合在电池供电的边缘设备上运行。此外，贝叶斯分类训练时间短，这对资源受限的智能设备至关重要。

**（6）可扩展性与安全性讨论。** 系统设计天然支持可扩展性：单个菜园包含多个田地，菜园状态由各田地状态综合判定（任一田地出现紧急或警报状态则菜园进入相应状态，否则以出现频次最高的状态为准）；多个菜园可独立自主运行并通过云端仅获取天气信息，彼此不直接通信。在安全性方面，传感器数据在本地处理而非上传至云端执行计算，提升了数据安全性，但天气数据的云端传输仍存在脆弱性。研究人员建议通过加密和访问控制列表（Access Control Lists, ACL）保护存储在MicroSD上的传感器数据和分类结果。此外，GPS的使用有助于减少设备被盗风险，而定期传感器维护和检查可缓解因传感器故障导致的噪声数据问题。

**五、总结与结论**

研究人员指出，尽管已有多种机器学习技术（如支持向量机SVM、k-近邻kNN、深度学习、模糊逻辑等）被应用于农业领域，但上下文感知在其中的应用仍然稀少。该研究的核心贡献在于提出了一种将AIoT与上下文感知相结合的架构，利用贝叶斯分类在边缘设备上直接完成上下文处理，从而实现对菜园多种田地状态的实时分类与自主响应。研究结论（翻译自原文结论部分）：农业自古以来就是主要的职业之一，当今世界通过农业、管理、生物工程、基因工程和信息技术领域的技术进步已使耕作方法得到改进，其目的在于实现可持续性。研究人员通过将农场视为智能环境来尝试实现可持续性，这些智能环境利用传感器采集数据并通过云端-雾端协同做出决策。所提出的系统是一种上下文感知的、基于AIoT的系统，使用贝叶斯分类对田地上下文进行分类，策略性部署的传感器通过基于上下文历史进行分类来帮助监测和管理作物，从而实现环境可持续性。基于田地上下文，系统可执行灌溉、关闭水流或发出警报等操作，而菜园上下文则由多个田地上下文综合确定。模拟案例的概念验证与Mendeley公开数据集上的实验结果共同证明了所提出系统在上下文处理阶段由贝叶斯分类驱动的有效性。多次实验获得的平均模型准确率为92.88%，表明贝叶斯分类在智能可持续农业传感器数据上下文处理中的有效应用。研究的局限性包括：用于机器学习算法选择的公开数据集匮乏、菜园部署成本较高、模拟案例与数据集的噪声缺失导致噪声影响未被纳入性能指标评估，以及易于安装和维护的电路盒设计尚待探索。未来工作方向涵盖：探索城市范围的精准农业部署、不同设备间的互操作性、预测性维护、智能设备电池效率优化，以及利用联邦学习（Federated Learning）支持多个菜园间的计算与数据共享。