An artificial intelligence-based stacking ensemble framework for smart irrigation pump control using IoT sensor data
Sarra Gourari · Wafa Difallah · Belkacem Draoui
提出基于堆叠集成学习的灌溉泵ON/OFF预测框架，用物联网传感器数据实现智能灌溉控制。
用RF、XGBoost、MLP作基学习器，逻辑回归元学习器融合OOF预测，基于土
堆叠集成达99.97%准确率和100%召回率，完全消除假阴性，优于单一XGBoost模型。
可探索多模态传感器融合与在线增量学习，提升堆叠集成在不同作物和气候区的泛化与实时部署能力。
提出基于IoT传感器数据的堆叠集成模型实现灌溉水泵开关预测，准确率达99.97%，方法新颖、结论可靠，但属实验室验证阶段，产业影响有限。
高效的水资源管理对可持续农业生产至关重要，尤其是在水资源有限的干旱和半干旱地区。基于机器学习的灌溉系统可以利用环境和土壤相关传感器数据支持自动化水泵运行决策。然而，以往大多数研究集中于单一机器学习模型，而堆叠集成（stacked ensemble）在二元灌溉水泵状态预测中的应用仍相对有限。本研究提出了一种基于堆叠（stacking）的框架，用于在开/关（ON/OFF）分类场景下预测灌溉水泵运行状态。该框架使用环境和土壤相关变量，包括土壤湿度、温度、湿度和一个数值型时间相关特征。随机森林（RF）、极端梯度提升（XGBoost）和多层感知机模型被训练为基学习器，其折外（OOF）预测结果通过逻辑回归元学习器进行组合。模型在留出测试集上使用准确率、精确率、召回率、特异度和F1分数进行评估。单一模型的准确率范围为97.34%至99.95%，其中XGBoost的单一模型性能最佳。所提出的堆叠集成达到了99.97%的准确率、99.94%的精确率、100.00%的召回率、99.94%的特异度和99.97%的F1分数。与XGBoost相比，该集成进一步优化了预测性能，准确率提高了0.02个百分点，F1分数提高了0.01个百分点，同时实现了假阴性的完全消除（100.00%召回率）。这些结果表明，堆叠集成学习在改进二元水泵运行预测和支持水资源受限环境下的数据驱动灌溉管理方面具有潜力。