相关实验视频
Updated: Jan 10, 2026
08:20
In Situ Soil Moisture Sensors in Undisturbed Soils
Published on: November 18, 2022
7.3K
从传统的机器学习到微调大型语言模型:对基于传感器的土壤湿度预测进行审查
Md Babul Islam1,2, Antonio Guerrieri2, Raffaele Gravina1
1DIMES, University of Calabria, Via P. Bucci, 87036 Rende, CS, Italy.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
在智能农业中,准确地预测土壤湿度对于高效的水资源管理至关重要. 本综述提供了一个结构化的分类学,并分析了人工智能模型,强调了未来的方向,如TinyML和可解释的AI,以改善农业.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 环境科学 环境科学
背景情况:
- 智能农业 (SA) 集成物联网,人工智能和传感,以提高农业生产力和可持续性.
- 持续监测土壤湿度 (SM) 对作物生长,水资源管理和明智的灌决策至关重要.
- 现有的审查缺乏结构化的框架,忽视了最近的AI进步,如联合学习 (FL) 和大型语言模型 (LLM).
研究的目的:
- 为预测土壤水分 (SM) 提出一个新的分类学.
- 综合审查现有的SM预测方法,包括传统,深度学习和混合模型.
- 确定人工智能驱动的智能农业SM预测的新兴研究方向.
主要方法:
- 使用PRISMA方法的系统文献审查,分析了68项同行评审研究 (2017-2025年).
- 基于传感器类型,输入特征,人工智能技术,数据持续时间和评估指标的研究分类.
- 开发一种新的分类学来结构SM预测领域.
主要成果:
- 分析应用到SM预测的各种AI技术,从传统的机器学习到先进的深度学习模型.
- 确定影响SM预测准确性的关键因素,包括传感器数据和AI模型选择.
- 目前SM预测研究的趋势和差距的概述.
结论:
- 拟议的分类为理解和推进SM预测研究提供了一个结构化的框架.
- 未来的研究应该专注于TinyML用于边缘部署,可解释的AI (XAI) 为了透明度,以及对隐私意识的FL.
- 准确可靠的SM预测系统对于智能农业的持续发展至关重要.
