An Adaptive AI-DSS Framework for Real-Time Image Analysis and Decision-Making in Precision Agriculture

环境变异、病虫害侵袭和资源低效问题对农业的影响日益严重，亟需利用智能自适应技术进行在线决策。本研究提出了一种用于精准农业的新型集成人工智能决策支持系统（AI-DSS），旨在实现动态田间条件下的情境感知分析与推荐。该框架基于轻量级深度学习框架（MobileNetV2、EfficientNet-lite）和新设计的自适应特征优化（AFO）引擎，后者根据时间稳定性和环境一致性对卷积特征进行动态重加权。在数学上，AFO机制通过自适应注意力权重将CNN的瞬时特征与时间平均原型进行加权池化，从而滤除由光照变化、遮挡和传感器噪声引起的瞬态噪声。优化后的特征与环境和土壤传感器数据在混合决策支持系统（DSS）中融合，该系统基于规则推理、贝叶斯推断和时间追踪，为农民构建可解释的、区域特定的推荐方案。使用PlantVillage、DeepWeeds和Fieldstream Sim实验数据的评估表明，所提出的AFO增强框架在分类准确率（.95）、宏F1分数（.95）和抗失真鲁棒性（提升.15%）方面均优于基线CNN分类器。此外，在Raspberry Pi 4和Nvidia Jetson Nano等边缘设备上部署时，系统实现了实时推理延迟（<200 ms）和低能耗（约520 mJ/帧），验证了该系统在低资源环境下的可扩展性。同时，集成DSS模块后专家一致率提升至91.4%，误报率降低57%。所得结果验证了所提出的带有AFO的AI-DSS框架是一种有前景的解决方案，能够弥合受控实验室环境中的准确性与田间可靠性之间的差距，为数字可持续农业问题提供了稳健、可解释且资源高效的解决方案。该方案正进一步通过多模态传感、卫星辅助作物监测和自适应决策驱动的解决方案，扩展至主动式农场智能和气候韧性领域。