基于物联网（IoT）和机器学习（ML）的多疾病管理系统：以苹果树为例的案例研究

《Applied Fruit Science》：IoT-ML Based Multi-Disease Management System: A Case Study of Apple Trees

树状园艺对区域经济、食物系统和生态平衡至关重要，苹果园在克什米尔河谷具有核心地位，但面临多种真菌、细菌和环境病害威胁，传统诊断方法存在效率低、主观性强等问题。本文提出基于IoT与机器学习的多病害智能管理系统，采用五类算法（随机森林、SVM、KNN、CNN、XGBoost）对九种主要苹果病害进行检测，CNN和XGBoost在复杂特征分类中表现优异，随机森林和SVM在早期病害识别中效果更好，系统支持实时预警和移动/网页端决策支持。

　　

摘要

基于树木的园艺产业支撑着地区经济、食品系统以及生态平衡。苹果园是克什米尔山谷中人们生计和园艺生产的重要支柱。然而，苹果树的生产力和健康状况常常受到各种真菌、细菌及环境疾病的威胁。传统的疾病诊断方法主要依赖于视觉观察和临床经验，存在检测周期长、客观性低的问题，并且不适用于多种病原体共感染的情况以及疾病早期阶段。随着气候变化和生态失衡导致疾病爆发的速度加快，全球卫生界迫切需要智能、可扩展的实时疾病风险管理系统。我们的研究旨在通过结合物联网（IoT）和机器学习（ML）的技术，填补这一空白，以实现克什米尔苹果园的多疾病检测与管理系统。该系统针对九种主要的苹果树疾病进行监测，包括苹果黑星病（Venturia inaequalis）、Marssonina叶斑病、黑腐病、茎基腐病、白粉病、链格孢叶斑病/枯萎病、果心腐病、根腐病以及幼苗枯萎病。我们采用多模态方法收集了受感染苹果叶片的数据集，并运用五种机器学习算法（随机森林、支持向量机[SVM]、k-近邻[KNN]、卷积神经网络[CNN]和XGBoost）对处理后的数据进行分析。研究结果表明，所提出的技术在识别多种疾病方面具有较高的鲁棒性和准确性；其中，卷积神经网络（CNN）和XGBoost模型在复杂疾病特征分类方面表现更优，而随机森林和支持向量机（SVM）在早期疾病检测方面表现更好。该系统支持可扩展部署，能够实时接收警报，并通过移动设备或网页仪表板为农民提供可操作的决策建议。