Design and Implementation of an Ensemble Learning Based Decision Support Model for Crop Selection in Precision Agriculture
Prof. Nagendra Patel Sahil Verma
提出SCR-XGB五层框架，用梯度提升树集成从土壤和气候参数推荐作物。
基于土壤气候数据，采用正则化梯度提升树集成，含缺失值插补、异常值过滤和特征工程。
模型准确率达99.31%，优于朴素贝叶斯、随机森林等基线，比单决策树提升9.31个百分点。
可探索将模型部署到田间实时决策，并融合遥感与物联网数据提升泛化能力。
方法完整、对比基线充分，但属常规机器学习应用论文，公共价值有限，可作主题聚合素材而非每日精选。
土壤组成决定了特定田块适宜种植何种作物才能获得经济效益，而土壤变量与作物适宜性之间的关系是非线性的、相互作用的，因此启发式规则难以有效处理这一问题。本文提出SCR-XGB，一个五层框架，将规范化的数据调理阶段与正则化梯度提升树集成相结合，用于基于土壤和气候参数的作物推荐。采集层收集氮、磷、钾浓度以及温度、湿度、土壤pH值和降雨量；调理层通过四分位距滤波器插补缺失值并剔除异常值；特征工程层推导养分比率，对数值字段进行归一化和标准化，并对作物标签进行编码；集成层在带有收缩和列子采样的正则化目标函数下拟合加性回归树序列；推荐层输出带有每种作物置信度的排序作物列表。本文完整给出了四种算法，涵盖调理、特征构建、提升训练和推理，并对每个阶段进行了复杂度分析。在公开的土壤和气候记录语料库上，与在相同特征矩阵上训练的五个基线学习器进行对比评估，所提框架达到了99.31%的准确率、100%的精确率、99%的召回率和99%的F1分数，优于朴素贝叶斯和随机森林的99.09%、支持向量机的97.95%、逻辑回归的95.22%以及单棵决策树的90.00%。相较于单棵决策树9.31个百分点的优势，与相较于最强基线0.22个百分点的优势相比，量化了提升方法的收益，并揭示了该任务上剩余提升空间的实际所在。