面向可持续精准灌溉的 TinyML 赋能物联网
机器学习
2026-01-21 v1 人工智能
摘要
小规模农业社区受到水资源短缺、气候模式无常以及缺乏获取先进且负担得起的农业技术的机会的极大影响。为了应对这些挑战,本文提出了一种新颖的边缘优先物联网框架,该框架集成了微型机器学习(TinyML),以实现智能、具备离线能力的精准灌溉。所提出的四层架构利用低成本硬件,以 ESP32 微控制器作为边缘推理节点,以 Raspberry Pi 作为本地边缘服务器,从而实现无需依赖云端的自主决策。该系统利用电容式土壤水分、温度、湿度、pH 值和环境光传感器进行环境监测。对集成模型的严格比较分析确定梯度提升模型表现更优,其 R^2 得分为 0.9973,平均绝对百分比误差(MAPE)为 0.99%,优于随机森林模型(R^2 = 0.9916,MAPE = 1.81%)。该优化模型被转换并部署为 ESP32 上的轻量级 TinyML 推理引擎,以极高的准确率(MAPE < 1%)预测灌溉需求。本地通信由基于 MQTT 的局域网协议促进,确保在互联网连接有限或无连接的地区可靠运行。在受控环境中的实验验证表明,与传统方法相比,用水量显著减少,而系统的低功耗设计和离线功能证实了其在资源受限的农村环境中进行可持续、可扩展部署的可行性。这项工作为弥合农业技术鸿沟和通过设备端人工智能提高用水效率提供了实用、低成本的蓝图。
引用
@article{arxiv.2601.13054,
title = {TinyML-Enabled IoT for Sustainable Precision Irrigation},
author = {Kamogelo Taueatsoala and Caitlyn Daniels and Angelina J. Ramsunar and Petrus Bronkhorst and Absalom E. Ezugwu},
journal= {arXiv preprint arXiv:2601.13054},
year = {2026}
}