Approaches to forecast soil nutrient dynamics for precision agriculture and sustainable fertiliser management: A review
R Rathna · B Sivasankari · R. Gangai Selvi 等 5 人
综述土壤养分动态预测的统计与机器学习方法，比较精度与局限。
综述ARIMA、地统计、随机森林、XGBoost、CNN/LSTM及混合模型。
集成与深度学习模型精度更高（R²>0.93），但数据质量与跨区迁移性仍是瓶颈。
可研究多源遥感与气候数据融合的迁移学习模型，提升跨区域养分预测泛化能力。
系统综述土壤养分动态预测的统计与机器学习方法，方法体系完整、结论有量化支撑，对精准施肥与农业信息化有参考价值，但属综述类论文，产业级影响有限。
土壤养分动态的预测建模是推动可持续农业实践和环境友好型耕作方法的重要工具。本综述总结了用于预测土壤养分有效性及其动态变化的统计与机器学习技术。传统统计方法，如时间序列模型自回归积分滑动平均模型（ARIMA）、季节性自回归积分滑动平均模型（SARIMA）、多变量技术（主成分分析（PCA）和因子分析）以及地统计工具（克里金法），为量化养分的时空变异性奠定了核心框架。通过捕捉异质性农业生态系统中复杂的非线性相互作用，随机森林、支持向量机和集成方法（XGBoost、LightGBM和AdaBoost）等机器学习技术可实现更高的预测精度。混合框架[含外生变量的自回归积分滑动平均模型–人工神经网络（ARIMAX-ANN）]和深度学习架构（卷积神经网络（CNN）、长短期记忆网络（LSTM）、人工神经网络（ANN））进一步增强了预测能力。集成方法的R²值超过0.93，且预测误差显著降低，其表现通常优于传统线性模型。然而，持续存在的挑战包括数据质量限制、空间采样约束、环境协变量不足以及模型在不同土壤气候区域间可迁移性降低等问题。将高分辨率土壤属性、气候变量、地形属性和光谱信息与先进建模架构相结合，对于提高预测可靠性仍然至关重要，最终可为精准养分管理、提高肥料利用效率以及环境友好型农业系统提供支撑。