AI-IoT Enabled Smart Agriculture Using Sequential Hybrid Feature Selection for Intelligent Irrigation Management

方法

PCA+PSO+Lasso序列混合特征选择，10万条IoT农业传感数据，XGBo

发现

SHFS结合XGBoost达97.5%准确率，显著降维并优于传统特征选择方法。

机会点

可探索特征选择在边缘端轻量化部署及多作物、多气候区泛化能力。

高效灌溉管理是可持续农业的前提条件，尤其是在考虑水资源约束和气候变异性的情况下。人工智能（AI）与物联网（IoT）技术的最新突破使得开发智能农业系统成为可能，这些系统能够监测环境条件并实现灌溉决策的自动化。然而，高维农业传感器数据通常包含冗余和不必要的特征，这会显著损害机器学习模型的性能。本文提出了一种基于AI-IoT的智能农业系统，采用序列混合特征选择（SHFS）方法进行智能灌溉控制。SHFS模型依次结合主成分分析（PCA）、粒子群优化（PSO）和L1正则化逻辑回归（Lasso），以最小化维度并保留判别信息。所提出的框架在100,000条基于物联网的农业观测数据上进行了评估，这些数据包含环境因素和土壤相关因素。我们评估了k近邻（kNN）、朴素贝叶斯、逻辑回归和XGBoost等分类器的预测能力。实验结果表明，与传统特征选择方法相比，SHFS框架在分类性能上取得了显著提升。最佳准确率为97.5%，由XGBoost结合SHFS实现，其精确率、召回率和F1分数也高于其他模型。所收集的研究结果表明，该框架有效降低了数据冗余，增强了灌溉预测的可靠性，并促进了精准农业的可持续应用。