An optimized machine learning approach for reliable agronomic parameter prediction in precision farming systems

方法

数据预处理、特征选择、超参数优化，五折交叉验证与混合集成模型。

发现

回归平均R²为0.696，菠菜生长阶段分类准确率达84.63%。

机会点

可探索跨作物、跨区域迁移学习与可解释性，提升非线性农艺数据泛化能力。

优化的机器学习模型对于提升精准农业中的预测性能至关重要，因为它使我们能够以数据驱动的方式分析土壤和环境数据。然而，传统的预测方法往往无法用于泛化，因为农艺数据通常变异性很大、具有非线性交互作用，且彼此之间差异显著。本研究提出了一种基于增强机器学习的预测框架，利用结构化数值土壤和环境数据集来估算农业参数。该框架结合了系统化的数据预处理、特征选择和超参数优化，使模型更加稳定可靠。采用五折交叉验证和标准回归指标评估模型性能，包括决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）。平均R²为0.696 ± 0.148，RMSE为5.160 ± 1.571，MAE为4.636 ± 1.545，表明该模型在所有验证折中均能做出准确预测。此外，利用所提出的混合集成模型对菠菜生长阶段进行分类，准确率达到84.63%，精确率达到85%。结果表明，所提出的框架能够很好地处理非线性农业数据，可用于精准农业系统中的数据驱动决策。