IoT-Driven Agricultural Intelligence: Optimized Double Integral Enhanced Zeroing Neural Network Based Soil Monitoring and Crop Prediction System

方法

物联网传感器采集土壤与环境数据，域变换滤波预处理，双积分增强零化神经网络结合爬行

发现

系统预测准确率达93.3%，优于三种对比方法，验证了实时精准农业的可靠性。

机会点

可探索多源异构传感器融合与模型轻量化部署，提升边缘端实时预测与跨区域泛化能力。

农业生产力日益受到气候变异性、土壤养分失衡以及作物管理不一致的影响，往往导致作物产量预测不准确。应对这些挑战需要能够处理动态环境和土壤条件的实时监测与智能预测系统。本文提出了物联网驱动的农业智能：基于优化双积分增强归零神经网络（Double Integral Enhanced Zeroing Neural Network）的土壤监测与作物预测系统（IoT-DAI-DIEZNN-SMCP），以解决由环境变化和土壤养分失衡引起的作物产量预测不一致问题。该系统采集实时传感器数据，包括磷、钾、氮和pH等土壤养分以及湿度、降雨量和温度等环境因素，并将其传输至云平台进行分析。数据采用域变换滤波（Domain Transform Filtering）进行预处理以去除噪声并填补缺失项，随后利用双积分增强归零神经网络进行分析。为优化网络参数，采用爬行动物搜索优化算法（Reptile Search Optimization Algorithm）对模型进行微调以提升性能。实验结果表明，IoT-DAI-DIEZNN-SMCP的准确率达到93.3%，而ACY-MDF-MLAC为90.2%、IoT-CPP-RCC为92.3%、DL-IoT-CPC为91.1%，表明其在实时精准农业应用中的预测能力和可靠性均有明显提升。