African Journal of Science Technology Innovation and Development·10月19日 · 周一论文智慧农业 / 农业物联网阅读 0
A digital twin framework for proactive disease management in paddy cultivation using spatio-temporal graph neural networks
Jyoti Rani · Dr. Narendra S. Jadhav
African Journal of Science Technology Innovation and DevelopmentDOI 10.1080/20421338.2026.2707951
论文解读
80精选
速览
构建水稻数字孪生框架，用时空图神经网络提前14天预测病害。
方法
融合物联网微气候、物候与管理数据，用GCN+LSTM的ST-GNN建模。
发现
预测准确率87.3%，农药减23.7%、损失减31.2%，优于RF与SVM。
机会点
可探索多尺度时空图建模与数字孪生闭环决策，并迁移至其他作物与区域。
影响力18
信息增量22
专业深度18
信源权威13
时效性9
方法新颖、数据规模明确且量化效果显著，属智慧农业细分领域实质进展，值得进入每日精选。
原文摘要
水稻生产极易受到病害暴发的影响，在亚洲农业体系中尤为突出，造成重大产量损失和农药过度使用。本研究提出一个水稻栽培数字孪生（digital twin）框架，将预测性病害建模与实时作物物候模拟相结合，以支持主动式病害管理。该框架利用从印度马哈拉施特拉邦150公顷稻田采集的历史物候记录、基于物联网的微气候传感器数据、灌溉信息及田间管理记录。采用融合图卷积网络（Graph Convolutional Networks, GCN）与长短期记忆网络（Long Short-Term Memory, LSTM）的时空图神经网络（Spatio-Temporal Graph Neural Network, ST-GNN），对病害空间传播与作物时序动态进行建模，以提前14天预测稻瘟病、褐飞虱和白叶枯病的暴发。实验结果表明，预测准确率达87.3%，农药使用量减少23.7%，作物损失减少31.2%，且在F1分数上优于传统随机森林（Random Forest）和支持向量机（SVM）模型。所提框架可为可持续精准农业和优化资源管理提供实时决策支持。