《Scientific Reports》：Multimodal deep learning framework for LoRaWAN based crop health monitoring
编辑推荐：
黄瓜是全球广泛种植的重要蔬菜作物。然而，环境胁迫、虫害和病害会显著降低作物品质和产量。早期病害检测和持续作物监测对于提高生产力、减少农业损失至关重要。本研究提出了AgriPredict–LoRaWAN网络（APLNet），一种基于物联网（IoT）的农业监测与病
黄瓜是全球广泛种植的重要蔬菜作物。然而，环境胁迫、虫害和病害会显著降低作物品质和产量。早期病害检测和持续作物监测对于提高生产力、减少农业损失至关重要。本研究提出了AgriPredict–LoRaWAN网络（APLNet），一种基于物联网（IoT）的农业监测与病害分类框架，专为黄瓜种植设计。该系统集成LoRaWAN（Long Range Wide Area Network，远距离广域网络）传感器，持续采集关键土壤参数，包括水分、温度、pH值和电导率。此外，采用叶片图像分析来识别健康和患病黄瓜植株。研究人员利用所提出的APLNet模型对收集的土壤和叶片数据进行处理和分析，并使用标准分类指标（包括准确率、精确率、召回率和F1分数）评估模型性能。实验结果表明，与EfficientNet-B0至B7、ResNet50和InceptionV3等已建立的深度学习模型相比，APLNet取得了更优的分类性能。该模型在区分健康和患病黄瓜叶片方面达到了98%的分类准确率。此外，该系统被部署为基于Web的决策支持AgriPredict平台，使农民能够进行实时作物监测和管理。该平台支持及时决策、提高生产力、减少作物损失，并促进可持续黄瓜种植。
**基于LoRaWAN与多模态深度学习的黄瓜作物健康监测框架研究解读**
**一、研究背景与意义**
农业是印度及许多发展中国家的主要经济支柱，直接或间接惠及70%至75%的人口。植物病害严重制约全球农业生产，导致农产品产量下降并影响食用安全。黄瓜作为全球广泛种植的蔬菜作物，富含维生素、铁、钙等人体必需营养素，但其生长易受叶部病害等自然因素影响，病害造成的经济损失不容忽视。传统植物健康评估方法费时费力且无法实现大规模、实时数据获取，难以满足现代农业对精准监测的需求。
近年来，物联网（Internet of Things, IoT）与人工智能（Artificial Intelligence, AI）技术在精准农业领域展现出巨大潜力。传统机器学习方法（如决策树、支持向量机和随机森林）虽已用于植物病害分类，但通常依赖人工特征提取和领域知识，难以处理海量复杂数据。深度学习方法虽能自动提取特征并在图像识别任务中表现出色，但其计算密集型的特性在资源受限的IoT农业环境中面临挑战。因此，亟需一种既能高效处理图像与传感器数据、又适用于资源受限环境的轻量化智能监测框架。
针对上述问题，研究人员提出AgriPredict–LoRaWAN网络（APLNet），该框架将LoRaWAN远距离低功耗无线通信、土壤-叶片多模态特征融合及轻量级MobileNetV2深度学习模型集成于统一的决策支持体系中，旨在实现黄瓜作物健康状况的实时监测与病害精准识别，为精准农业提供可扩展的智能化解决方案。
**二、研究内容与结论**
本研究在印度卡纳塔克邦Doddaballapur的GITAM大学智慧农业试验田（13°17′25.0″N 77°35′52.4″E）半英亩土地上开展黄瓜种植实验。研究人员部署LoRaWAN传感器节点连续采集土壤水分、温度、pH、电导率及NPK（氮、磷、钾）等参数，同时使用Nikon DSLR相机在自然田间条件下采集黄瓜叶片图像。系统通过工作在865–867 MHz频段的8通道户外LoRaWAN网关实现数据传输，网关由太阳能供电，数据存储于云平台。土壤数据以20分钟间隔采集，涵盖黄瓜完整生长周期（2024年10月30日至2024年12月22日），共获取3830条土壤属性记录。叶片图像数据集包含1149张图像，涵盖炭疽病（Anthracnose, 219张）、霜霉病（Downy Mildew, 70张）、白粉病（Powdery Mildew, 224张）、斑潜蝇（Leaf Miner, 210张）、黄化矮缩（Yellow Stunting, 210张）和健康叶片（216张）六个类别。每次土壤传感器观测均与最近的叶片图像时间戳配对，实现多模态数据同步。
实验结果表明，APLNet在区分健康和患病黄瓜叶片方面达到98%的分类准确率、98%的精确率、98%的召回率和98%的F1分数，ROC曲线下面积（AUC）为0.98。该性能优于EfficientNet-B0至B7（准确率0.71–0.90）、ResNet50（0.90）、InceptionV3（0.96）和MobileNetV3（0.82）等主流深度模型。消融实验显示，去除SMOTE算法、图像分割和土壤特征融合分别导致准确率下降3.4%、4.1%和2.8%。在Kaggle黄瓜病害识别公开数据集和Data in Brief黄瓜病害数据集上的验证准确率分别为96.2%和95.7%。Friedman检验（χ2_F=18.42, p=0.0024）和Nemenyi事后分析证实APLNet显著优于所有基线模型，Wilcoxon符号秩检验经Holm–Bonferroni校正后同样确认其统计显著性。此外，系统被部署为基于Web的AgriPredict决策支持平台，可实时显示传感器数据、进行病害预测（如以81%置信度识别白粉病）并提供土壤改良建议，如检测到土壤pH为4.14时建议施用石灰调节，土壤湿度11.94%时提示需要灌溉。
这项研究的重要意义在于：APLNet框架将环境感知与视觉病害识别相结合，相较于仅依赖图像或仅依赖传感器数据的单一方法，显著提高了诊断可靠性；轻量化MobileNetV2架构使模型适用于IoT节点等资源受限设备；LoRaWAN通信支持远距离低功耗数据传输，单网关可支持约1000个传感器节点，覆盖半径800–950米，且传感器节点电池寿命可达4–5年，运行维护成本低，具有良好的规模化部署前景。
**三、关键技术方法**
研究人员采用的主要技术方法包括：（1）LoRaWAN无线传感网络，用于田间土壤参数的远距离低功耗持续采集；（2）基于MobileNetV2的轻量化深度卷积神经网络APLNet，采用深度可分离卷积、线性瓶颈结构和倒残差块设计，实现高效的叶片病害图像分类；（3）土壤-叶片特征晚期融合策略，将MobileNetV2池化层提取的1280维叶片图像特征与归一化的7维土壤特征拼接为1287维融合特征向量，使用分类交叉熵损失训练；（4）图像预处理与增强技术，包括尺寸调整、归一化、分割和SMOTE算法，以提升模型泛化能力。
**四、研究结果**
**APLNet模型性能评估**：通过对比实验，APLNet在准确率（0.98）、精确率、召回率和F1分数等所有评估指标上均优于EfficientNet系列、ResNet50、InceptionV3和MobileNetV3等对比模型，混淆矩阵显示仅5个假阳性和11个假阴性，表明模型能有效最小化误分类。
**消融研究**：通过逐一移除SMOTE、图像分割和土壤特征融合模块，准确率分别下降3.4%、4.1%和2.8%，证实每个模块对模型性能均发挥关键作用。
**公开数据集验证**：在Kaggle黄瓜病害数据集和Data in Brief数据集上分别达到96.2%和95.7%的准确率，验证了模型良好的泛化能力。
**统计分析**：10次独立运行的均值和标准差显示低方差，Friedman检验确认APLNet取得最佳平均秩（p<0.01），Nemenyi事后分析（临界差CD=1.37, α=0.05）和Wilcoxon符号秩检验均证实APLNet显著优于基线模型。
**系统部署与应用**：开发的Web平台能够实现实时传感器数据可视化、病害图像上传与诊断（如白粉病识别置信度81%），并基于土壤参数提供精准农事建议。
**五、讨论与结论**
讨论部分指出，与现有仅关注图像病害诊断或仅关注环境监测的研究相比，APLNet将LoRaWAN土壤感知与深度视觉病害识别统一于一个决策支持框架中，多模态数据融合显著提升了诊断可靠性。尽管在受控实验条件下表现出色，但大规模部署中可能因环境异质性引入变异性，这是未来研究的重要方向。此外，LoRaWAN通信开销极小，每传感器每月所需互联网数据不足1 MB，传感器节点即插即用、无需专业技术支持，具有良好的实用性和经济性。
研究结论：本研究提出了APLNet框架，将LoRaWAN感知、土壤-叶片特征融合和轻量级深度学习模型相结合，实现了黄瓜作物健康管理的精准实时病害监测。田间和公开数据集上的实验结果证实了该框架相较于传统机器学习和深度学习模型的优越性能。开发的仪表板进一步支持及时决策，改善了作物生产力并促进可持续农业实践。未来工作将聚焦于多样化农业环境中的大规模部署、传感器能耗优化、先进AI预测分析集成以及多作物多病害类型的扩展应用。
