Journal of ISMAC·9月30日 · 周三论文智慧农业 / 农业物联网阅读 4
F.A.R.M. (Field Analysis Revenue Management): An IoT and ML Integrated Solution
Mareeshwaran G. · Gowthamkishore V. · Muthukumaran V. 等 5 人
论文解读
71接近精选线
速览
提出F.A.R.M.系统，用IoT传感与机器学习实现作物推荐、价格预测和产量估算。
方法
ESP32多传感器+土壤健康卡数据，随机森林与LSTM模型，ThingSpeak
发现
作物推荐成功率达99.32%，LSTM能捕捉市场价格变化。
机会点
可探索多源数据融合与模型可解释性，并验证跨区域泛化能力。
影响力12
信息增量21
专业深度17
信源权威13
时效性8
IoT与机器学习融合的农田决策支持系统论文，方法组合清晰、作物推荐准确率99.32%，但属实验室验证阶段，产业落地影响有限。
原文摘要
现代农业需要具备田间监测与预测分析能力的决策支持系统，以提高田间效率并实现农场层面的合理管理。本研究提出了F.A.R.M.（田间分析与收益管理），一种基于物联网（IoT）和机器学习的以数据为中心的农业管理方法。所提出的方案采用基于ESP32的传感系统，包括土壤湿度、温度、湿度、降雨量、火焰和水流量传感器，并结合土壤健康卡（SHC）数据进行田间分析。采用随机森林进行作物预测，使用LSTM模型预测作物价格，并利用随机森林回归器进行作物产量估算。处理过程的输出通过ThingSpeak实现的监测界面进行展示。已实施传感器决策规则以促进田间状况评估和监测操作。实验分析在作物推荐方面达到了99.32%的成功率，LSTM模型能够捕捉市场价格的变化。
信源（1 个）