AgriChain: A Farmer-to-Market Intelligence Platform Integrating Satellite Imagery, Deep Learning, and Market Analytics for Precision Agriculture

方法

Sentinel-2 NDVI监测、CNN叶片病害分类、LSTM价格预测及规则推

发现

病害分类准确率94.6%，7天价格预测MAPE为6.8%，优于三种现有方法且决策延迟更低。

机会点

可探索多源遥感与农户拍照的时空融合诊断，并将推荐引擎扩展到多作物、多区域的价格-农艺联合优化。

发展中农业经济体的小农户仍因作物胁迫发现滞后、植物病害未获诊断以及市场价格波动且不透明而面临重大损失。本文提出AgriChain，这是一个端到端的农户至市场智能平台，将遥感分析、基于深度学习的病害诊断和数据驱动的市场预测统一于单一易用界面之中。该系统通过Google Earth Engine API摄取Sentinel-2多光谱影像，计算归一化植被指数（NDVI）以实现持续的作物健康监测；同时，一个在标注叶片图像数据集上训练的卷积神经网络可根据农户提交的照片按需进行病害分类。长短期记忆（LSTM）网络基于历史曼迪（市场）记录预测短期商品价格，而一个规则增强的推荐引擎融合上述三个子系统的输出，生成可操作的、针对具体田块的建议，涵盖灌溉调度、治疗建议和最佳销售窗口。该平台采用React.js前端、Node.js/Express后端以及PostgreSQL/PostGIS空间数据库实现。在涵盖六个病害类别的4，120张叶片图像留出测试集上的实验评估显示，分类准确率达到94.6%，而价格预测模块在七天预测期内的平均绝对百分比误差为6.8%。与三种现有方法的对比分析表明，该系统在检测准确性和决策延迟方面均有可测量的改进。结果表明，将卫星衍生的农艺指标与深度学习和市场情报紧密结合，能够切实缩小农场层面决策与市场结果之间的信息差距。