Zenodo (CERN European Organization for Nuclear Research)·10月7日 · 周三论文智慧农业 / 农业物联网阅读 0
SMART CROP SELECTION MODEL USING SOIL PH VALUE, TEMPERATURE, HUMIDITY, AND RAINFALL PREDICTION
C. SAI KUMAR · Prof. G SREENIVASULU
论文解读
69接近精选线
速览
基于土壤pH、温湿度和降雨，用机器学习构建智能选种模型并开发交互式仪表板。
方法
1000条8类作物数据，五折交叉验证比较RF、XGBoost、SVM，最终用梯度
发现
梯度提升模型测试准确率达93.60%，特征重要性揭示四参数对选种的贡献。
机会点
可引入时序气象与多源土壤数据，提升模型泛化性并适配不同区域作物推荐。
影响力12
信息增量20
专业深度16
信源权威13
时效性8
基于土壤pH、温湿度与降雨的机器学习选种模型，含93.6%测试精度与Streamlit交互看板，方法完整但属常规应用型研究，产业影响有限。
原文摘要
作物适宜性与土壤及气候条件对提高农业生产率至关重要。本研究提出了一种智能作物选择模型，该模型基于机器学习技术，以土壤pH值、土壤温度、土壤湿度和降雨量为输入参数，推荐适宜的作物。数据集包含1000个观测值和8个不同作物类别，对缺失值进行了处理，对作物标签进行了编码，并筛选了数值特征。采用五折交叉验证比较了三种分类器——随机森林（Random Forest）、XGBoost和支持向量机（Support Vector Machine, SVM）的性能。最终，训练了一个梯度提升分类模型，并通过测试集准确率、分类指标、多类ROC分析和特征重要性进行了评估。应用结果为最终测试准确率93.60%，并通过模型比较对三种分类方法进行了对比。通过特征重要性分析，探讨了四个环境参数对作物分类的贡献。为便于实际应用，整个流程通过使用Streamlit开发的交互式仪表板实现，支持数据集上传、模型评估、参数选择以及针对感兴趣作物的实时预测生成。所开发的系统展示了如何将机器学习与交互式决策支持界面相结合，构建一个数据驱动的作物选择系统，且仅依赖于简单的土壤和气象参数。