论文标题：Integrated IoT Approaches for Crop Recommendation and Yield-Prediction Using Machine-Learning

论文链接：https://www.mdpi.com/2624-831X/5/4/28

期刊名：IoT

期刊主页：https://www.mdpi.com/journal/IoT

文章导读

精准农业正通过提高资源利用率和生产效率改变现代耕作模式。它依赖于对土壤成分、水分及气候状况的实时监测，从而在播种与施肥环节做出科学决策。然而，传统农业模式过度依赖个人经验，难以应对气候变化及环境因素间复杂的非线性关系。现有的研究多侧重于单一算法优化，缺乏将实时感知硬件与高精度预测模型深度集成的系统化方案。本文提出了一种集成物联网（IoT）部署架构与机器学习（ML）算法的创新框架。研究设计了一套基于嵌入式传感器的实时监测系统，并利用多种分类算法在结构化农业数据集上构建了作物推荐与产量预测模型。如何设计一种既能实时感知农田环境数据，又能基于高精度算法给出科学种植建议的集成方案，是本文旨在解决的核心问题。

图1. 提出的基于机器学习的物联网作物预测系统架构

研究内容与结果

本研究构建了一套完整的物联网与机器学习协同架构。在硬件部署方案层面，系统核心基于 Arduino 和 ESP32 微控制器，集成了 NPK（氮、磷、钾）、土壤湿度及温湿度传感器，用于在实际生产中实时采集关键环境指标。采集到的原始数据通过 Modbus 协议传输，并利用 Firebase 云端数据库实现移动端应用的实时展示。该硬件架构的设计初衷是为机器学习模型提供实时的推理输入，使农民能够通过 Android 应用获取即时的监测反馈。此外，研究还对系统自带的物联网水分测量仪进行了标准验证，对比张力计与标准烤箱干燥法，其测量误差保持在 ±3% 以内，证明了该硬件架构在现实农田部署中具备高可靠性。

在模型训练与验证层面，研究利用从在线库获取的结构化二手数据集（包含 2200 条有效样本记录，涵盖原始数据流超过 100 万点）进行了深入的建模分析。数据集特征包括 N、P、K 含量以及温度、湿度、pH 值和降雨量。实验对比了 LightGBM、随机森林（Random Forest）、决策树和逻辑回归等多种分类器的表现。结果显示，随机森林分类器在处理作物推荐任务时取得了最高的精度，准确率达到 99.31%；LightGBM 和决策树也分别实现了 98.90% 和 98.48% 的准确度。即使是在计算资源受限的情况下，逻辑回归模型仍保持了 94.35% 的预测水平。通过对 22 种不同作物的混淆矩阵分析，该模型展现了极强的分类鲁棒性，验证了利用结构化农业数据驱动精准决策的科学性。

图2. 系统核心电路设计示意图

总结和展望

本文通过提出一套集成物联网硬件部署与机器学习预测算法的方案，为精准农业的落地提供了量化支撑。研究证明，将高精度的分类模型嵌入到实时感知的 IoT 架构中，不仅能优化化肥等资源的分配，还能显著提升作物的产出预期。这一成果为小规模农户提供了低成本的数智化工具，有助于推动农业的可持续发展。展望未来，研究团队将致力于进一步扩展硬件传感器的维度，引入光照强度与土壤微生物指标，并尝试在边缘端集成更先进的深度学习技术，以提升在极端气候条件下的预测精度。随着物联网生态的持续扩张，这种结合了实时感知韧性与数据驱动洞察力的集成方案，将成为现代农业实现智能化转型的核心底座。

期刊介绍

主编: Prof. Dr. Amiya Nayak, University of Ottawa, Canada

IoT（ISSN2624-831X）创刊于2020年，发表物联网各个领域的原创论文、综述和快讯等。期刊发文方向包括但不限于：物联网中的人工智能和分析;物联网隐私、安全和信任;物联网网络设计和架构；物联网赋能技术（包括超低功耗物联网技术）；物联网技术在智能环境中的应用；物联网平台:基于云、网关和雾的物联网解决方案；工业物联网：信息物理系统、SCADA平台、5G及超越；物联网交互：物联网中的增强现实和虚拟现实（如社交物联网）等。

2025 Impact Factor: 4.3

2025 CiteScore: 8.0

Time to First Decision: 24.2 Days

Acceptance to Publication: 3.8 Days