Real-Time UAV scheduling under hazardous weather conditions using an integrated fuzzy logic and machine learning framework
Ahmad B. Alkhodre · Adnan Ahmed Abi Sen · Abdelouahab Abid 等 8 人
提出融合模糊逻辑与机器学习分类器的无人机实时调度框架，在恶劣天气下保障精准农业飞行安全。
模糊逻辑推理结合梯度提升、XGBoost、LightGBM、CatBoost集成
框架将起飞可行性分为安全、警告、不安全三级，预测安全窗口准确率最高达99.67%，优于现有混合方法。
可将区域特定灾害（沙尘暴、山洪）纳入实时决策融合，并扩展到多机协同调度与边缘端轻量化部署研究。
将模糊逻辑与集成学习融合用于极端天气下的农业无人机实时调度，方法扎实、验证充分，对智慧农业作业安全有实际参考价值。
无人机（UAV）在精准农业尤其是棕榈农场管理中的应用，始终受到动态极端天气的困扰。从突发阵风和热应激到沙尘暴和山洪等破坏性区域事件，这些灾害严重压缩了作业窗口。本文提出了一种稳健的混合调度框架，将模糊逻辑推理与机器学习分类器集成相结合，以提升无人机实时飞行的可靠性。本研究的主要创新点不在于新的数学范式，而在于其专门化应用：将区域特定的农业灾害整体集成到实时决策融合架构中。该框架将起飞可行性分为三类（安全、 caution、不安全），自动发出警报以触发预防措施并保护硬件。通过利用短期农场数据集和十年历史天气记录，模糊逻辑组件能够对快速环境变化作出反应，同时建立安全基线。与此同时，基于树的集成模型（梯度提升、XGBoost、LightGBM和CatBoost）分析非线性大气相互作用，在预测安全窗口方面达到高达99.67%的准确率。全面的敏感性分析，包括无SMOTE的评估和季节性时间留出验证，证实了模型对类别不平衡和未见极端情况的稳健性。实证基准测试表明，该框架优于现有的混合方法，凸显了将自适应模糊推理与深度历史学习相结合对于智慧农业的必要性。