Integrating Fuzzy Rule Based Reasoning with Machine Learning for Intelligent and Scalable Irrigation Control

方法

Mamdani模糊推理加随机森林回归，用澳大利亚IoT传感器一年数据验证。

发现

随机森林高精度复现模糊决策（R²=0.968），兼顾可解释性与预测精度。

机会点

可探索模糊规则自动生成与多作物多区域迁移，并接入实时闭环灌溉控制。

本研究提出了一种融合模糊逻辑与随机森林（Random Forest, RF）回归的混合智能灌溉决策支持系统，用于支持农业灌溉决策。基于土壤湿度、气温和降雨量，采用专家定义的规则设计了模糊推理引擎。该系统利用Mamdani型模糊逻辑生成0至10范围的灌溉建议。以相同输入为特征、模糊输出为目标训练了随机森林模型，以评估数据驱动模型对模糊决策映射的复现精度。采用五折交叉验证，随机森林取得均方根误差（RMSE）0.2459、平均绝对误差（MAE）0.0801和决定系数（R²）0.9682，表明其与模糊决策逻辑高度一致。该混合方法提供了一种透明、数据驱动且可扩展的解决方案，有效弥合了可解释性与预测精度之间的差距。该系统具有支持精准灌溉和科学水资源管理决策的潜力，并利用澳大利亚纳拉布里为期一年的物联网（IoT）传感器日聚合观测数据进行了评估。