原文标题：Towards Precision Agriculture: IOT-Enabled Intelligent Irrigation Using Hyper-Node Knowledge Relational Botox Graph Attention Network
原文链接：https://doi.org/10.1007/s11269-026-04670-8
原文译名：面向精准农业：利用超节点知识关联Botox图注意力网络的物联网智能灌溉
期刊名称：Water Resources Management
发表时间：2026年6月
作者信息：K. S. Balamurugan; Sundresan Perumal; R. Mahendran; S. N. Manoharan.
精准农业在管理作物产量、资源优化和实时决策方面面临重大挑战，这主要是因为环境和土壤条件的复杂性和多变性。传统的灌溉系统通常是按固定程序运行，无法根据田间变化需求进行调整。为了解决这些不足，本文提出了一种基于物联网的智能灌溉系统，称为“面向精准农业的物联网智能灌溉：基于超节点知识关联Botox图注意力网络（Hyp-NKR-BGANet）”。构建了一个人工数据集“IoT农业数据集”，该数据集包含1000份样本，涵盖22种作物，以模拟真实农业条件。采用相关系数和最小–最大归一化方法对数据集进行预处理，以保证数据的质量和一致性。使用Inception卷积视觉变换器提取特征，从而实现特征的深度空间表示。所提出的Hyp-NKR-BGANet模型是一个将超节点关联图注意力（HRGAT）网络与知识图谱和图神经网络（KG-GNN）结合的模型。该模型还使用Botox优化算法（BOA）来优化学习过程，从而大大提升预测能力。这一先进的模型在高产作物预测方面表现出惊人的准确率，达到了99.9%。其优势在于灌溉控制非常灵活，并能在可持续农业生产中实现更好的决策。
现有的农业灌溉项目遵循固定的时间表和政策，这些政策没有考虑环境的动态因素，比如天气变化、土壤类型、各种作物和养分分配的不稳定性。这导致农民在用水、作物生产以及运营成本增加方面效率低下。另外，气候变化带来的不可预测的降水和温度变化，也可能给传统灌溉政策框架带来新的挑战。
在农业中使用的预测系统也有一些缺点。特别是，现有的模型往往采用过于简单的假设，缺乏识别多种农艺参数之间非线性相互作用的能力。此外，由于无法对土壤湿度、氮含量、光照强度和相对湿度等农艺变量之间复杂关系进行建模，现有模型也缺乏灵活性和适应性，无法做出正确的预测。另外，大多数情况下还没有考虑田间不同区域之间的相互关系，而这些关系可能随空间和时间变化，导致灌溉和施肥不均。这会导致某些区域水流过多，而其他区域灌溉不足。结果就是植物的生长、发育和产量变得不均衡。
总从传统的基于规则的框架转向智能的数据驱动系统，对于可持续农业至关重要。因此，本研究旨在开发一个结合物联网、深度学习和图模型的新型框架，以提升精准灌溉并提高作物产量。
图 1. Hyp-NKR-BGANet 的工作流程图
图 6. (a) 按作物划分的降雨量与湿度 (b) N 对 P 对 K 的三维散点图
图 7. (a) 作物频率分布，(b) 模型准确性与损失评估
本研究介绍了一个物联网（IoT）智能灌溉框架，题为“迈向精准农业：成功实现了基于物联网的智能灌溉，使用超节点知识关系Botox图注意力网络（Hyp-NKR-BGANet）”。名为IoT Agri的数据集是一个合成数据集，包含1000个样本，代表22种作物类型。数据集通过Min-Max归一化和相关系数进行预处理，以确保数据质量良好且一致。使用特征提取和Inception卷积视觉变换器（Inception Convolutional Vision Transformers）进行了深度空间特征表示。提出的模型Hyp-NKR-BGANet引入了一种创新方法，结合超节点关系图注意力（HRGAT）网络、知识图谱和图神经网络（KG-GNN）。模型的学习过程还通过Botox优化算法（BOA）得到了增强，从而大幅提升了预测能力。其优势在于高度自适应的灌溉控制以及对可持续农业生产力的更好决策。未来的发展将致力于在真实农场环境中实现Hyp-NKR-BGANet模型，结合卫星图像和天气数据以提高精度。同时，还将考虑自适应强化学习，动态优化灌溉计划，并增加更多土壤和作物类型数据，以进一步增强模型在不同农业气候区域的泛化能力和稳定性。
初审：王光耀
审核：王光耀
排版编辑：徐 凯
文献推荐人：徐 凯
10个月宝宝每天需要喝多少奶粉？