Zenodo (CERN European Organization for Nuclear Research)·9月22日 · 周二论文智慧农业 / 农业物联网阅读 0
A Systematic Study of Supervised and Ensemble Learning Approaches for Crop Selection in Smart Agriculture
Prof. Nagendra Patel Sahil Verma
论文解读
78精选
速览
系统综述2016-2026年24项作物推荐研究，比较四类机器学习方法并指出基准精度已趋饱和。
方法
综述监督学习、集成提升、深度学习与元启发式、物联网部署四类方法及七阶段流程。
发现
标准基准精度收敛于98%-99.5%，提升集成法最优，但精度已非领域瓶颈。
机会点
将社会经济与市场变量、区域长期环境验证及可解释性纳入作物推荐，服务小农户。
影响力16
信息增量22
专业深度18
信源权威13
时效性9
系统综述24项研究并指出基准精度已趋饱和，真正瓶颈转向社会经济变量与可解释性，对智慧农业选种方向有参考价值。
原文摘要
选择与田块土壤和气候最匹配的作物是农业中杠杆效应最高的决策之一，而农民传统上依靠直觉或世代相传的经验来做出这一决策。土壤pH值以及氮、磷、钾浓度，加上当地的气温、湿度和降雨状况，共同决定了哪种作物能够茁壮成长、哪种会歉收，而这些变量与作物表现之间的关系既非线性也非相互独立。因此，机器学习已成为自动化作物推荐的主流方法。本文从四个技术族系——经典监督学习、集成与提升方法、深度学习与元启发式混合方法，以及物联网与面向部署的系统——对该领域进行了综述，并从方法、数据来源、报告精度、优势和局限性方面比较了2016年至2026年间发表的二十四项代表性研究。本文提出了一个通用的七阶段推荐流程，并将每个技术族系置于该流程中加以定位。比较结果表明，在标准养分与气候基准上的报告精度已收敛于约98%至99.5%的狭窄区间内，提升与集成方法占据该区间的上端，而在该基准上进一步提升已不再是该领域的约束瓶颈。真正尚未填补的空白在于：决策中缺乏社会经济和市场变量，缺少针对特定区域和长期环境验证，数据集狭窄且存在地理偏差，可解释性有限，以及这些系统对小型和资源匮乏农户的可及性不足。这些空白被归纳为未来工作的一系列研究方向。