《Frontiers in Artificial Intelligence》：Machine learning classification techniques for smart agriculture: a review of disease detection and crop recommendation
编辑推荐：
物联网（Internet of Things，IoT）与机器学习（Machine Learning，ML）在农业领域的应用，标志着农业实践向高效化方向迈出革命性一步，其利用数据应对全球粮食安全相关挑战。本综述对Scopus、IEEE Xplore、Scienc
物联网（Internet of Things，IoT）与机器学习（Machine Learning，ML）在农业领域的应用，标志着农业实践向高效化方向迈出革命性一步，其利用数据应对全球粮食安全相关挑战。本综述对Scopus、IEEE Xplore、ScienceDirect及SpringerLink数据库进行了系统性检索，纳入2023年1月至2026年1月期间发表的文章，采用“物联网与机器学习与农业”“作物推荐”“植物病害检测”“精准农业”等关键词组合。在初始检索到的文章中，30篇符合实证方法、定量性能报告及清晰数据集描述的标准，被纳入详细分析。研究发现，集成方法及传统机器学习方法，如随机森林（Random Forest）、支持向量机（Support Vector Machine，SVM）和决策树（Decision Trees），在作物产量预测中可实现高达99.9%的准确率。与此同时，基于卷积神经网络（Convolutional Neural Network，CNN）和ResNet的深度学习模型在病害检测中的准确率超过98%，而门控循环单元（Gated Recurrent Unit，GRU）和长短期记忆网络（Long-Short Term Memory，LSTM）等时间序列模型在天气预报中的准确率介于94%至98%之间，这归因于环境动态的复杂性。物联网系统在精准农业中的应用显著提升了资源利用效率，实现60%–96%的节水、25%的产量提升以及36%–38%的除草剂用量减少。尽管取得了上述进展，其更广泛的应用仍受限于高昂的实施成本、农民技术技能缺乏、数据隐私担忧、不同农业环境下的可扩展性问题以及农村地区互联网连接不稳定等因素。本文基于多样化的数据来源和研究，评估了物联网与机器学习在农业领域的应用，揭示了这两大系统在提升农业活动效能方面的巨大潜力。
论文解读
一、研究背景与问题
全球人口预计在2050年将达到90亿，传统耕作方式面临前所未有的压力。气候变化、资源枯竭与生态退化进一步加剧了农业转型的紧迫性。在此背景下，物联网（IoT）与机器学习（ML）技术的兴起为农业现代化提供了可能，催生了被称为“智慧农业”或“农业4.0”的新范式。农业4.0被描述为将信息物理系统、物联网设备、人工智能和大数据分析相结合，构建智能、自主、高效的农业生态系统。然而，尽管已有大量研究分别探讨了物联网或机器学习在农业中的应用，多数综述要么聚焦于单一领域（如病害检测），要么仅提供技术概述而缺乏跨任务的模型性能对比。鲜有综述将作物产量预测、病害检测、天气预报和作物推荐纳入同一分析框架，更少有研究采用统一性能标准对传统机器学习、深度学习和集成方法进行横向比较。此外，高昂的实施成本、农民技术素养不足、数据隐私问题、不同农业情境下的可扩展性挑战以及农村地区互联网连接不稳定等因素，严重制约了这些技术的推广应用，尤其是在发展中国家。本研究旨在填补上述空白，通过系统分析30篇近期研究，为智慧农业领域提供方法、数据集和性能指标的清晰对比，并识别实际应用中的共性技术与实践挑战。
二、研究内容与核心结论
研究人员对2023年1月至2026年1月期间发表于Scopus、IEEE Xplore、ScienceDirect、SpringerLink及Google Scholar数据库的文献进行了系统性检索与筛选，最终纳入30篇符合实证方法、定量性能报告和清晰数据集描述标准的研究进行详细分析。研究覆盖印度、索马里等多个地理区域，聚焦水稻、小麦、甘蔗、棉花、马铃薯及蔬菜等主要农作物。分析结果显示：集成方法与传统机器学习方法（如随机森林、支持向量机、决策树）在作物产量预测中可实现高达99.9%的准确率；基于卷积神经网络（CNN）和ResNet的深度学习模型在病害检测中准确率超过98%；门控循环单元（GRU）和长短期记忆网络（LSTM）等时间序列模型在天气预报中的准确率介于94%至98%之间。物联网系统在精准农业中的应用实现了60%–96%的节水、25%的产量提升以及36%–38%的除草剂用量减少。研究同时识别出阻碍技术广泛应用的五大障碍：高实施成本、农民技术技能缺乏、数据隐私担忧、不同农业环境下的可扩展性问题以及农村地区互联网连接不稳定。该研究的意义在于，通过统一框架对比不同模型在四类核心农业任务中的表现，为智慧农业领域提供了系统的技术评估依据，并揭示了可解释人工智能（XAI）和新兴人工智能技术（如视觉Transformer、联邦学习）在该领域的研究空白。
三、关键技术方法概述
研究人员在综述中梳理了智慧农业系统所依赖的关键技术方法。在数据获取层面，物联网感知层部署了土壤湿度传感器、DHT11/DHT22温湿度传感器、pH传感器、NPK养分传感器、光照强度传感器（BH1750）以及OV2640摄像头等硬件设备，通过Wi-Fi、LoRaWAN、Zigbee、蓝牙和5G等通信协议实现数据传输。数据预处理方法包括数据清洗（缺失值均值插补或删除）、归一化与缩放（Min-Max归一化、Z-score标准化）、特征工程（皮尔逊相关系数分析）、图像预处理（尺寸调整、像素归一化、自适应高斯滤波去噪、动态直方图均衡化、数据增强）以及时间序列预处理（去季节性、趋势移除、滞后特征构建）。在模型层面，传统机器学习方法涵盖支持向量机（SVM）、随机森林（RF）、决策树（DT）、K近邻（KNN）和逻辑回归（LR）；深度学习方法包括自定义卷积神经网络（CNN）、ResNet50、门控循环单元（GRU）、长短期记忆网络（LSTM）和XLNet；集成方法采用两层级联策略，以逻辑回归、CART、SVM和KNN作为基分类器，随机森林作为元分类器。此外，研究还涉及增强蝴蝶蛾优化（EBMO）特征降维、8位整数模型量化（用于ESP32-CAM边缘设备部署）以及SHAP和LIME可解释性分析等技术。
四、研究结果分析
4.1 作物产量预测系统：研究显示，采用XLNet进行特征提取并结合SVM分类器的框架取得了突出成果，水稻产量预测准确率达98.565%，甘蔗为98.098%，高粱为98.656%，Rabi作物为98.354%，棉花为98.986%。该模型整合了NASA POWER气象数据、土壤数据及ICRISAT作物生产数据，覆盖印度南部34个地区2001至2015年的数据，并采用EBMO算法进行特征选择以降低计算负荷。两阶段集成模型（LR、CART、SVM、KNN作为基分类器，RF作为元分类器）在22种作物类型上达到99.7%的预测精度，优于各基分类器（CART为98.63%，SVM为97.7%，KNN为97.4%，LR为96.7%）。随机森林算法在Kaggle数据集上取得99.7%的作物分类准确率，支持向量回归在2025年小麦产量预测中实现99.9%的R2值。
4.2 病害检测与植物健康监测：自定义六层CNN架构在马铃薯叶片病害诊断中达到99%的准确率，包括早疫病、晚疫病和健康三类，精确率、召回率和F1分数均为98%。ResNet50模型在基于作物图像的病害预测中实现98%的准确率，该系统采用自适应高斯滤波和动态直方图均衡化提升图像质量，并可自动触发农药喷洒和通过短信通知农户。基于TinyML的边缘AI方法利用ESP32-CAM微控制器在本地执行病害检测，量化CNN模型在80×60像素分辨率下准确率为87.50%，分类时间为4–15秒。各研究中的病害检测准确率普遍超过90%，多数达到95%–99%。
4.3 天气预报与环境监测：门控循环单元（GRU）模型在温度和土壤含水量预测中达到94%的准确率，精确率、召回率和F1分数分别为94%、93%和94%。该模型采用Min-Max归一化处理数据，以均值插补填补缺失值。与病害检测相比，天气预报准确率较低的原因在于天气变化具有高度随机性。混合注意力LSTM结合粒子群优化和遗传算法的包装式特征选择方法可进一步提升智能农业中的预测能力。物联网传感器网络利用Arduino Mega微控制器、DHT11温湿度传感器和土壤湿度传感器实时采集环境数据，Raspberry Pi 3 B+作为网关将数据传输至云端服务器进行分析。
4.4 灌溉管理与水资源保护：基于物联网的智能灌溉系统实现了高达60%的节水效果，同时使作物生产力提升25%。采用无人机（UAV）的精准灌溉节水率达92%–96%。机器学习驱动的灌溉系统通过利用土壤湿度信息、天气预报和作物需水量优化灌溉调度，实现最高60%的节水。基于阈值的控制机制在土壤湿度降至作物特定阈值以下时启动灌溉，达到适宜水平后停止。人工智能应用在预测灌溉需求方面准确率达98.4%，利用天气预报、土壤湿度变化和植物生长阶段进行预测。
4.5 作物推荐系统：决策树算法在索马里农业的作物推荐中达到99.2%的准确率，精确率、召回率和F1分数均为99.0%。随机森林在作物推荐中达到99.0%的准确率。K近邻算法准确率为97.2%，精确率、召回率和F1分数为96.0%。通过皮尔逊相关检验发现，土壤pH值、NPK含量、温度、湿度和降雨量是影响作物推荐的主要因素。索马里研究使用Afgooye、Balcad和Jowhar三个地区的定制物联网数据，涵盖当地种植的10种作物，每种作物100个样本，但区域特定数据库对其全球推广构成挑战。
4.6 机器学习模型对比分析：集成方法（随机森林集成）在作物推荐中表现最优，准确率达99.7%，计算复杂度适中，可解释性中等，适合轻量级实时应用。自定义六层CNN在病害检测中准确率达99.0%，训练计算复杂度高但推理复杂度低，可部署于边缘设备。ResNet50准确率为98.0%，计算复杂度高，可解释性低，实时应用受限（需GPU支持）。GRU-CNN在天气预报中准确率为94.0%，计算复杂度中高。量化TinyML CNN在边缘AI病害检测中准确率为87.5%–96.0%，计算复杂度低，专为边缘部署设计。模型性能在很大程度上取决于数据集属性，如规模、类别比例、特征质量和地理多样性。
4.7 模型可解释性：在所综述的研究中，模型可解释性尚未得到充分探索。尽管随机森林和决策树等集成方法通过特征重要性排序和决策路径提供内在可解释性，CNN、ResNet50、GRU和LSTM等深度学习模型大多作为黑箱运行。30项研究中仅Martin等人（2024）明确采用了XAI方法（SHAP和LIME）用于XLNet+SVM产量预测模型。所有病害检测研究均未使用Grad-CAM技术，这对于帮助农民和农艺师信任和验证自动诊断至关重要。
五、讨论与结论
讨论部分指出，尽管物联网与机器学习在智慧农业中展现出巨大潜力，但实际应用仍面临显著障碍。高实施成本、农民技术技能缺乏、数据隐私担忧、不同农业环境下的可扩展性问题以及农村地区互联网连接不稳定是制约技术推广的主要因素。云端与边缘端执行之间的权衡涉及计算能力与延迟/连接约束的矛盾。在边缘设备上部署AI模型面临有限内存和处理能力、电源约束、间歇性连接以及硬件异构性等挑战。研究还指出，视觉Transformer（ViTs）、基础模型、联邦学习和多模态学习等新兴技术在该领域的研究中代表性不足，联邦学习尤其与数据隐私问题高度相关但未被任何纳入研究采用。未来研究应加强可解释性技术的应用，缩小模型性能与实地可信应用之间的差距。
研究结论表明，集成方法和传统机器学习方法（随机森林、支持向量机、决策树）在作物产量预测中可实现高达99.9%的准确率，基于CNN和ResNet的深度学习模型在病害检测中准确率超过98%，GRU和LSTM时间序列模型在天气预报中准确率介于94%至98%之间。物联网系统在精准农业中的应用实现了60%–96%的节水、25%的产量提升和36%–38%的除草剂用量减少。尽管面临实施成本、技术素养、数据隐私、可扩展性和网络连接等挑战，物联网与机器学习两大系统在提升农业活动效能方面展现出巨大潜力，为应对全球粮食安全挑战提供了切实可行的技术路径。
