基于物联网与新型非线性自生自组织映射人工神经网络的智能灌溉系统与早期植物病害检测

为何更智能的灌溉与植物监测至关重要

养活日益增长的人口依赖农民在病害扩散之前发现问题并明智地使用有限的水资源。本研究聚焦于甘蔗——一种重要的糖和生物燃料来源，展示了如何将田间传感器、搭载相机的无人机与先进的计算算法结合起来，及早发现叶片病变并优化灌溉。其结果是获得更可靠的收成、减少水资源浪费，并为“智慧农场”在日常田间的可行性提供了实用的示例。

从地面与空中监视田间

研究人员设计了一个从两个视角持续监测甘蔗的系统。在土壤和植株周围，小型联网设备记录温度、湿度、土壤含水量与叶片遮荫情况。空中则由无人机（UAV）拍摄清晰的可见光与近红外叶片图像。叶片质地与颜色的细微变化可能在肉眼可见之前就表明红腐病、黑粉病或锈病等感染。通过在印度三个主要甘蔗种植区采集环境读数与空中图像，研究组构建了跨越不同气候、土壤与生长阶段的植物健康详图。

清洗并提炼线索

田间原始数据往往嘈杂。传感器会漂移或拾取噪声，无人机图像也可能受光照变化或模糊影响。因此系统首先对读数进行滤波与归一化，去除随机尖峰并将所有测量置于统一尺度。无人机图像则经锐化和对比度增强，使叶片上的斑点、条纹与变色斑块更加突出。从这些改进后的图像中，程序提取出紧凑的质地与颜色描述，同时利用标准植被指数突出甘蔗各片区的生长旺盛程度。这些提炼出的线索与温度、湿度读数组合为单一数据集，概括了田间各区块的状态。

数字“大脑”如何学习病害模式

系统的核心是一种由相互连接的处理单元构成的数字“脑”，其灵感来自生物神经元。第一阶段将混合的图像与传感器特征组织成一个重复模式的映射，把相似样本放置近邻，并在遇到新组合时扩展其结构。这有助于揭示天气、土壤条件与叶片外观之间那些复杂的、非线性关系，这些关系通常指示病害的存在。第二阶段则从数千个有标签的实例中学习哪些模式对应健康植株，哪些表示特定疾病。由于模型能够表示这些组别之间弯曲且交错的边界，它能够区分外观相似但本质不同的情况，这是简单工具常会混淆的。

从早期预警到更智能的灌溉

一旦训练完成，系统不仅会标注每个甘蔗区块为健康或病害，还会估算感染可能造成的产量损失。它通过将图像中的病害严重度与温度和湿度水平关联到过去的收成记录来实现这一点。在对10,000个植物样本的测试中，该方法正确识别甘蔗病害的准确率超过95%，并且相较于其他主流方法减少了误报。其对产量损失的预测也更为准确，从而能够建议何时何地调整灌溉或施药。在被标记为受胁迫的区域，系统会建议有针对性的灌溉，而健康区域则可避免不必要的用水。

对农民与粮食安全的意义

对农民而言，这项研究预示着一种未来：通过低成本传感器、无人机与适合农场使用的软件的组合，持续为作物提供健康监测并指导灌溉决策。通过及早发现甘蔗病害并将这些发现直接与预期产量挂钩，该方法有助于将关注与资源集中于最关键之处。就实际效果而言，这意味着更高且更稳定的产量、更少的水资源浪费与更少的全面性处理。尽管本工作以甘蔗为中心，但相同理念可推广到许多其他作物，使精确农业更易获得，并有助于在变暖与用水压力加剧的世界中保障粮食供应。

引用: Gorijavolu, D., Sharma, K. & Rao, N.S. Smart irrigation system and early plant disease detection using IoT and novel non-linear growing self-organizing map based artificial neural network. Sci Rep 16, 9488 (2026). https://doi.org/10.1038/s41598-025-33323-w

关键词: 智能灌溉, 作物病害检测, 物联网农业, 无人机成像, 甘蔗产量