Figshare·9月26日 · 周六论文智慧农业 / 农业物联网阅读 0
Integrated Machine Learning for Agriculture, Environment and Health-Adjacent Systems: Solar Cell Screening, Reservoir Monitoring and IoT-Driven Advisory Across Interdisciplinary Contexts
Alepera Rasaed · Minaya Aleguja
论文解读
70接近精选线
速览
用共享边缘推理架构整合机器学习，实现太阳能电池筛选、水库监测与IoT农业咨询。
方法
Raspberry Pi 4边缘推理，DFT+梯度提升、1D-CNN+随机森林、
发现
混合模型将水库水位异常检测RMSE降低35%，AgriLM可提供自然语言气候适应建议。
机会点
可探索多任务边缘模型在农业-环境-健康跨域场景下的能效与泛化性权衡。
影响力12
信息增量22
专业深度18
信源权威9
时效性9
跨学科机器学习论文，方法新颖、数据扎实，但偏学术预印本，产业落地影响有限。
原文摘要
本文探讨了通过利用重叠的物理传感器基础设施，实现精准农业与环境监测的融合。作者提出了三项跨学科机器学习研究，均构建于一个共享的边缘推理架构之上，该架构针对树莓派4（Raspberry Pi 4）上的低延迟执行进行了优化。首先，该框架将密度泛函理论与梯度提升回归器相结合，无需物理制造周期即可筛选钙钛矿太阳能电池效率，从而加速农业光伏部署。其次，该框架引入了一种混合一维卷积神经网络（1D-CNN）与随机森林模型，用于检测孟加拉国卡普泰水库（Kaptai Reservoir）的水位异常，在40年验证窗口内将均方根误差（RMSE）降低了35%。第三，该框架详细介绍了物联网农业平台（“AgriLM”），该平台将ResNet-50害虫检测与指令微调的大语言模型（LLM）层相结合，为小农户提供自然语言、气候适应性的管理建议，并优化跨系统资源约束。
信源（2 个）· 多信源合并去重