Smart crop recommendation: fusing nutrient and climate data with Krill Herd Optimization and explainable AI
P. Latha · P. Kumaresan
提出融合养分与气候数据、KHO优化和可解释AI的作物推荐框架，Tab Transformer精度达0
用MLP、XGBoost、Tab Transformer建模，结合KHO优化与S
Tab Transformer预测最优（准确率0.99），KHO优化养分气候方案，XAI提升推荐透明
可探索将可解释AI与优化算法嵌入真实农田物联网实时数据流，验证跨区域泛化与农户采纳效果。
融合营养与气候数据、Krill Herd优化与可解释AI的作物推荐框架，方法新颖、结论可靠，对精准农业决策有参考价值。
作物推荐是精准农业的重要组成部分，有助于农民根据养分状况和环境条件选择适宜的作物。本文提出了一个作物推荐框架，首先评估多层感知机（MLP）、XGBoost和Tab Transformer作为基线预测模型，随后提出基于磷虾群优化（KHO）的可解释框架，并集成可解释人工智能（XAI）。基于农艺和环境因素构建了十一个参数，即：氮、磷、钾、铜、铁、镁、硫、温度、降雨量、pH值和湿度。为提高模型透明度并辅助知情决策，采用SHAP（SHapley加性解释）和LIME（局部可解释模型无关解释）进行模型解释，以在局部和全局层面识别特征对作物预测的贡献。实验结果表明，Tab Transformer显著优于其他模型，准确率为0.99，精确率为0.98，召回率为0.99，F1分数为0.98。所提框架进一步引入磷虾群优化（KHO）以生成优化的养分和气候方案，同时使用遗传算法（GA）、粒子群优化（PSO）和模拟退火（SA）对优化性能进行比较评估。通过将可解释人工智能与优化方法相结合，该框架提高了作物适宜性预测能力，并提供了影响作物推荐因素的透明洞察，确保为实际农业应用提供可靠的决策支持。所提框架通过实现数据驱动的作物选择、减少不必要的肥料使用、优化作物生产力并促进可持续农业实践，为精准农业提供支持。