SPADE：面向精密农业的大语言模型土壤水分模式识别与异常检测框架
人工智能
2025-09-24 v1 机器学习
摘要
准确解读土壤水分模式对灌溉调度和作物管理至关重要，但现有方法要么基于阈值规则，要么依赖数据密集型的机器学习或深度学习模型，在适应性和可解释性方面存在局限。本研究引入SPADE（Soil moisture Pattern and Anomaly DEtection），一个集成框架，利用大语言模型（LLM）联合检测土壤水分时间序列中的灌溉模式和异常。SPADE采用ChatGPT-4.1以实现先进的推理与指令遵循能力，实现无需任务特定标注或微调的零样本分析。通过将时间序列数据转换为文本表示并设计领域驱动的提示模板，SPADE识别灌溉事件、估计净灌溉收益、检测并分类异常，生成结构化且可解释的报告。实验在来自美国多个商业和实验性农场的真实土壤水分传感器数据上进行，跨越多种作物。结果表明，SPADE在异常检测方面超越现有方法，实现更高的召回率和F1分数，准确分类异常类型。此外，SPADE在检测灌溉事件方面实现了高精度和高召回率，表明其强大的捕捉灌溉模式的能力。SPADE的报告提供了土壤水分分析的可解释性和可用性。本研究凸显了大语言模型作为精密农业可扩展、可适应工具的潜力，能够将定性知识与数据驱动推理相结合，为从土壤水分时间序列数据中实现准确土壤水分监测和改进灌溉调度提供可操作的见解。
引用
@article{arxiv.2509.18123,
title = {SPADE: A Large Language Model Framework for Soil Moisture Pattern Recognition and Anomaly Detection in Precision Agriculture},
author = {Yeonju Lee and Rui Qi Chen and Joseph Oboamah and Po Nien Su and Wei-zhen Liang and Yeyin Shi and Lu Gan and Yongsheng Chen and Xin Qiao and Jing Li},
journal= {arXiv preprint arXiv:2509.18123},
year = {2025}
}