Легковесная система глубокого обучения и оптимизации на основе алгоритма китов для устойчивого точного земледелия

Изменяющиеся потребности современного сельского хозяйства требуют интеллектуальных ресурсосберегающих решений таких проблем, как снижение продуктивности, безответственное использование ресурсов и ухудшение состояния окружающей среды. В статье представлена гибридная система AgriCLWO-Net, объединяющая легковесную сверточную нейронную сеть (CNN), модель долговременной кратковременной памяти (LSTM) и алгоритм оптимизации китов (WOA) для предоставления услуг точного земледелия в средах Интернета вещей (IoT), интегрированных с датчиками. Предлагаемая модель классифицирует состояние здоровья сельскохозяйственных культур, оптимизирует орошение и внесение удобрений, а также повышает показатели устойчивости на основе пространственно-временной информации о полях. Методология использует CNN для распознавания пространственных закономерностей по данным от нескольких типов датчиков, LSTM — для моделирования временных взаимосвязей в характеристиках культур и атмосферы, а WOA — для настройки гиперпараметров и поддержки адаптивного принятия решений. Модель была протестирована на выборочном наборе данных по сельскохозяйственным районам Индии, включавшем измерения температуры, влажности почвы, влажности воздуха и содержания питательных веществ. Результаты показывают, что по сравнению с существующими базовыми моделями значительно улучшились точность классификации (98,54%), эффективность использования воды (27,93%), сокращение расхода удобрений (21,64%) и индекс устойчивости (с 0,54 до 0,76).