Artificial Intelligence-Based Intelligent Fertigation Recommendation Systems for Precision Agriculture
Shraddha S. Tayade · Yogesh V. Chimate
综述AI施肥推荐研究，并用马哈拉施特拉数据集比较七种分类器，提出可审计智能施肥推荐框架。
结构化综述加机器学习案例，4513条记录，七分类器对比，XGBoost与Tree
XGBoost测试准确率97.34%，但标签仅为历史施肥选择，不能证明农艺最优。
可研究分离肥料种类、养分剂量与施用时序的可审计推荐流水线，并进行多季田间验证。
对AI水肥推荐研究进行系统综述并给出可复现的机器学习基线，方法透明、结论审慎，但来源为普通工程类期刊且属综述性论文，产业影响有限，适合作为技术参考而非每日精选头条。
人工智能驱动的肥料与灌溉施肥推荐已从单一任务的作物或肥料分类，发展为集成式决策支持架构。然而，预测性分类、农艺用量计算、灌溉调度、可解释性、实时感知以及面向农户的交付往往被分别研究。本文对这些研究脉络进行了结构化叙述性综述，并基于公开的“西马哈拉施特拉邦作物与肥料数据集”开展了一项应用机器学习案例研究。该案例研究包含4，513条记录，涵盖五个地区、16种作物和19个肥料类别。采用80：20分层训练-测试划分，并在训练集上进行五折分层交叉验证，比较了七种分类器。XGBoost取得了97.34%的测试准确率和94.21% ± 1.15%的交叉验证准确率，而随机森林分别取得了93.58%和90.89% ± 0.80%。对随机森林的TreeSHAP分析表明，作物身份、钾和氮是历史肥料类别的主要预测因子。这些结果被解释为计算基线，而非农艺最优性的证明，因为目标标签代表的是有记录的肥料选择。该综述还纳入了关于物联网/边缘-云感知、多语言农业咨询和联邦学习的证据。结论认为，随机森林/SHAP、物联网感知和多语言界面已是成熟能力；更具可辩护性的研究方向是构建一条可审计的流水线，将肥料身份、养分用量和施用时机分离，将可解释预测与序贯调度相连接，并依据权威农艺指南对输出进行独立基准测试。因此，所提出的智能灌溉施肥推荐系统（IFRS）被作为一个研究框架提出，在声称产量、水分、养分利用效率或采用效益之前，仍需进行多季和田间验证。