基于物联网与机器学习集成的坦桑尼亚玉米产量预测及智慧农业框架

《Cogent Food & Agriculture》：An integrated IoT and machine learning framework for maize yield prediction and smart agriculture in Tanzania

　　

摘要

玉米产量预测在加强农业规划和粮食安全方面发挥着关键作用，尤其是在坦桑尼亚等农业生产受环境变异性高度影响的国家。本研究评估了六种机器学习（ML）算法——支持向量机（SVM）、分类与回归树（CART）、K近邻（KNN）、线性判别分析（LDA）、逻辑回归（LR）和朴素贝叶斯（NB）——在两个不同农业生态区（Kilosa和SUA农场站点）预测玉米产量的性能。研究人员使用准确率、精确率、召回率和F1分数对模型进行了评估。结果显示，SVM取得了最高的总体准确率（0.59），其次是CART（0.57）和KNN（0.56），而NB记录的准确率最低（0.46）。站点特异性分析显示，CART在Kilosa表现最佳，展示了其捕获非线性关系的强大能力，而KNN和SVM在SUA表现较好，表明它们对不同数据模式的适应性。研究结果进一步强调，由于土壤条件、气候和管理实践的差异，模型性能在不同地点之间存在变化。

**论文解读：基于物联网与机器学习的坦桑尼亚玉米产量预测及智慧农业框架**

**一、研究背景与问题**

农业是坦桑尼亚及多数发展中国家的支柱产业，雇佣了超过70%的劳动力，并对国内生产总值（GDP）有重要贡献。然而，坦桑尼亚的农业生产面临多重挑战，包括气候变化、现代投入品与技术获取受限、基础设施薄弱、融资渠道不足、推广服务有限、病虫害频发以及不可持续的农业实践等。数字农业，特别是人工智能（AI）和物联网（IoT）技术的应用，为提高农业生产力和应对气候变化提供了新的机遇。尽管智能农业技术在数据采集、实时监测和决策支持方面具有巨大潜力，但在坦桑尼亚等小农主导的生产体系中，作物产量预测仍面临数据可用性与质量差、农业生态区变异性大、互联网连接和技术采纳有限以及模型可解释性不足等挑战。因此，开发一种集成IoT和机器学习（ML）的综合性框架，并实证评估不同算法在坦桑尼亚多生态区的产量预测性能，对于提升农业规划效率和保障粮食安全具有重要意义。

**二、研究内容与结论**

研究人员提出并实现了一个集成的物联网–人工智能/机器学习（IoT–AI/ML）架构，用于坦桑尼亚小农场的实时作物监测、产量预测和农场管理。该研究在两个农业生态区（Kilosa和SUA农场站点）部署了气象、土壤和环境传感器节点，通过本地电信系统与网关通信，采集实时数据。研究人员收集了来自坦桑尼亚农业部的历史玉米产量数据以及传感器获取的环境数据，经过数据预处理、特征选择、模型开发、数据集成、分析、评估、验证和部署等步骤，构建了基于ML的玉米产量预测模型。研究采用十折交叉验证法评估了六种ML算法——支持向量机（SVM）、分类与回归树（CART）、K近邻（KNN）、线性判别分析（LDA）、逻辑回归（LR）和朴素贝叶斯（NB）——的预测性能。结果表明，SVM在整体上取得了最高的准确率（0.59），CART（0.57）和KNN（0.56）次之，NB准确率最低（0.46）。站点特异分析显示，CART在Kilosa表现最佳，能够有效捕捉非线性关系；而在SUA站点，KNN和SVM表现更优，显示出对不同数据模式的适应性。研究还发现，由于土壤条件、气候和管理实践的差异，模型性能在不同地点间存在变化，没有任何单一算法在所有环境下普遍最优。此外，研究人员还开发了基于网络的智能农场管理应用程序和物联网传感器映射移动应用程序，为农民提供实时天气信息、作物管理建议和环境异常警报。该研究具有重要意义，它提供了一种可扩展的智慧农业框架，为在资源受限环境中部署简单有效的概率模型（如NB）提供了实证依据，并强调了结合本地化模型选择和集成多源数据（如天气、土壤和遥感数据）以提升预测准确性的必要性。

**三、主要关键技术方法**

本研究采用了以下关键技术方法：首先，在Kilosa和SUA两个农场站点部署了低成本的天气、土壤和环境传感器节点，通过本地通信系统将每60秒采集的数据上传至云存储。其次，研究人员从坦桑尼亚农业部获取历史玉米产量数据，并结合传感器采集的环境数据，经过数据清洗、归一化、特征工程和特征选择构建训练数据集。然后，使用Python 3中的sklearn程序构建和训练六种ML分类算法（SVM、CART、KNN、LDA、LR和NB），并采用80%训练集和20%验证集的划分策略。最后，通过十折交叉验证计算准确率和Cohen's kappa统计量来评估模型性能，并使用R 3.6.1中的ggplot2库绘制图表。

**四、研究结果**

**ML驱动的IoAT作物产量预测模型初步输出与发现**：研究人员在SUA爱德华·莫林格校区农场站点测试了原型系统，传感器每60秒采集并上传土壤湿度、温度和湿度等实时数据至云存储，可供农民通过手机查看并采取灌溉或施肥等行动。系统提供了低成本、可推广的ML驱动物联网技术采纳起点。

**构建ML驱动的IoAT作物产量预测算法**：研究将数据按Kilosa和SUA两个农业生态区划分，采用监督线性和非线性ML技术。通过十折交叉验证计算准确率和Cohen's kappa统计量来评估六个算法的性能。

**数据集创建、验证和产量预测**：使用坦桑尼亚多个地区两年期的玉米产量数据，80%用于训练，20%用于验证。算法在未知数据集上评估，采用十折交叉验证检测过拟合和选择偏差，以准确率作为评估指标。

**不同种植系统描述与田间试验**：在Kilosa和SUA两个地区进行了为期两年的基于保护性农业的玉米-豆类种植系统试验，包括单作、间作和轮作系统，以及传统耕作对照。MLR（玉米-豆类轮作）、MLI（玉米-豆类间作）、SMC（豆类-玉米混作）和Conv（传统耕作）在Kilosa的平均产量分别为3252、2852、2756和2634 kg ha^?1，在SUA分别为3016、2783、2683和2598 kg ha^?1。t检验表明，MLI和SMC系统的产量显著优于传统耕作（p值分别为0.088和0.00）。

**不同算法预测玉米产量的精确率与准确率**：在另一组评估中（基于种植系统数据）NB准确率为68%，LDA为67%，CART和SVM为58%，KNN最低（47%）。这表明简单概率模型在资源受限环境中可能更有效，而KNN对农业数据中的噪声和变异性敏感。

**讨论部分**：在整体数据集中，SVM取得了最高总体准确率（0.59），CART（0.57）和KNN（0.56）次之，NB最低（0.46）。在Kilosa站点，CART表现最强（精确率0.63，F1分数0.63），KNN召回率最高（0.60）。在SUA站点，KNN的F1分数最高（0.62），SVM和LR均为0.61，逻辑回归召回率最高（0.63）但精确率相对较低（0.54）。CART在Kilosa表现良好但在SUA召回率仅0.43，表明其模型结构可能无法在不同环境间良好泛化。站点间的性能差异表明，土壤类型、气候条件和管理实践等特定因素显著影响模型有效性，因此需要进行本地化模型调整或采用混合/集成方法。

**五、研究结论**

本研究证明了机器学习算法在坦桑尼亚不同农业生态条件下预测玉米产量的潜力，同时也揭示了相关挑战。在所评估的模型中，SVM是最可靠的总体表现者，在Kilosa和SUA两个站点均提供了一致的结果。CART在Kilosa表现强劲，表明其适用于具有清晰非线性模式的环境，而KNN在捕捉局部数据特征方面表现有效，尤其在SUA。然而，各站点模型性能的差异证实了没有单一算法普遍最优，强调了针对具体情境进行模型选择、调优或采用混合和集成方法的必要性。所有模型的准确率相对适中表明，由于土壤变异性、气候条件和农场管理实践等多重相互作用因素的影响，玉米产量预测仍然复杂。这些发现强调了整合额外数据集（包括天气变量、土壤特性和遥感输入）以提升预测性能的重要性。此外，机器学习模型捕获产量变异的能力为农业规划提供了宝贵见解，有助于更好地理解不同环境条件下的生产力趋势。本研究强调了利用适当的机器学习技术并改进数据整合以支持坦桑尼亚可持续农业决策和提高玉米生产力的重要性。