Smart Agriculture and Environmental Monitoring: An Edge-AI, IoT, and Federated Learning Framework for Climate-Resilient Farming
Zarin Progga · Mohammad Ali
提出边缘AI、物联网与联邦学习集成的智慧农业环境监测架构与评估协议，未开展实地试验。
LoRaWAN/NB-IoT多参数传感、边缘轻量推理、跨农场联邦学习、数字孪生仿
架构基于已发表结果交叉验证，联邦产量预测精度82-97%，传感器灌溉节水20-30%。
该框架仅停留在设计阶段，未来可开展真实农田部署，验证边缘联邦学习在异构农场环境下的精度与通信开销。
提出边缘AI+IoT+联邦学习的抗气候风险农业监测架构与评估协议，方法设计完整但尚无田间实测数据，属有参考价值的预研性论文。
本研究提出了一套面向智慧农业与环境监测的系统架构、算法与评估协议。这是一项方法/架构层面的贡献，不报告田间试验结果。世界粮食生产仍面临气候变率、淡水资源可得性以及农业投入成本带来的压力，这促使农业管理实践向数据驱动和基于传感器的方向转型。基于物联网（IoT）的农业监测已较为成熟，但大多数已部署系统仅关注单一参数（如土壤水分），或仅在云端推断参数，这增加了农村地区系统部署的延迟和脆弱性。在本研究中，我们提出了一种集成架构，涵盖低功耗多参数环境感知、LoRaWAN/NB-IoT连接、基于边缘的轻量级推理，以及具有跨农场模型聚合的隐私保护联邦学习，并进一步辅以用于情景模拟的数字孪生层。该框架的决策层可将地面传感器数据与无人机和卫星图像相结合，用于作物健康和环境质量（空气、水和温室气体代理指标）的多尺度监测。我们贡献了完整的系统设计、算法流程、传感器与模型配置规范，以及一份预注册的评估协议，旨在指导未来的田间部署；目前尚未收集田间数据，并明确标注了非经验性模板，仅展示预期报告格式，而非实测结果。该架构和协议以已发表的最先进成果为依据并与之交叉验证，这些成果报告联邦作物产量预测的准确率范围为82–97%，传感器控制灌溉可节水20–30%。