Machine learning classification techniques for smart agriculture: a review of disease detection and crop recommendation
M. Umamaheswari · Kavitha D
综述2023-2026年30篇文献，评估物联网与机器学习在作物病害检测和推荐中的应用。
系统检索Scopus等四个数据库，筛选30篇实证研究进行性能与数据集分析。
集成学习与SVM等预测产量准确率达99.9%，CNN病害检测超98%，IoT节水60-96%。
可研究低成本、低连接依赖的边缘ML模型，解决小农户部署与数据隐私问题。
系统综述整合30篇实证研究，量化了IoT与机器学习在作物推荐、病害检测和精准灌溉上的性能与节水增产效益，对智慧农业技术选型有参考价值。
物联网（IoT）与机器学习（ML）在农业中的应用标志着向高效农业实践迈出了革命性的一步，即利用数据来解决全球粮食安全相关问题。本综述对Scopus、IEEE Xplore、ScienceDirect和SpringerLink数据库中2023年1月至2026年1月间发表的文章进行了系统性检索，使用了“物联网与机器学习与农业”“作物推荐”“植物病害检测”和“精准农业”等关键词组合。从初步检索到的文章池中，30篇文章符合实证方法、定量性能报告和清晰数据集描述的标准，被选入进行详细分析。研究发现，集成方法以及随机森林、支持向量机（SVM）和决策树等传统机器学习方法对作物产量的预测精度高达99.9%。同时，卷积神经网络（CNN）和基于ResNet的深度学习模型检测病害的准确率超过98%，而门控循环单元（GRU）和长短期记忆（LSTM）时间序列模型由于环境动态的复杂性，对天气状况的预测准确率在94%至98%之间。物联网系统在精准农业中的应用在资源利用方面产生了显著改善，实现了60%至96%的节水、25%的产量提升以及36%至38%的除草剂用量减少。尽管取得了这些进展，更广泛的应用仍受到实施成本高昂、农民缺乏技术技能、数据隐私顾虑、不同农业场景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的制约。本文通过来自不同数据来源和研究，评估了物联网与机器学习在农业领域的应用，揭示了这两个系统在提升农业活动方面所带来的巨大效益。