International Journal of Advanced Research in Science Communication and Technology·10月26日 · 周一论文农业人工智能与决策模型阅读 0
Explainable Machine Learning Framework for Soil Moisture Stress Assessment and Irrigation Decision Support
Esha Bhausaheb Choudhari and Ms. Asha Mane
International Journal of Advanced Research in Science Communication and TechnologyDOI 10.48175/ijarsct-38708开放获取 PDF ↗
论文解读
55未达精选线
速览
构建可解释机器学习框架，预测次日土壤湿度并支持灌溉决策。
方法
用线性回归、决策树、随机森林对比，结合SHAP与RMSI分析历史土壤湿度、降雨和
发现
线性回归结合多源历史数据效果最佳，RMSE为1.7977，R²为0.7819。
机会点
可引入时序深度学习与多源遥感数据，提升跨区域泛化能力并实现实时灌溉决策。
影响力8
信息增量18
专业深度14
信源权威6
时效性9
方法有一定新意但属区域性小样本研究，信源为普通期刊，公共影响有限，不宜进入每日精选。
原文摘要
水分管理是农业中的关键活动之一，而土壤湿度是灌溉规划中的重要参数之一。本研究提出了一种可解释机器学习框架，用于土壤水分胁迫评估与灌溉决策支持，并使用与马哈拉施特拉邦浦那（Pune, Maharashtra）相关的数据。实验中使用土壤湿度、降雨量和季节性因素的历史数据来预测次日土壤湿度。采用时间顺序拆分方式，对线性回归（Linear Regression）、决策树（Decision Tree）和随机森林（Random Forest）进行了对比分析，并使用MAE、RMSE和R²对三种模型进行评估。将线性回归算法应用于土壤湿度历史、降雨历史与季节性因素的组合数据，取得了最佳结果，RMSE为1.7977，R²为0.7819。基于SHAP的分析突出了当前土壤湿度的重要性，而RMSI则对土壤湿度预测结果进行分类，以支持相对灌溉规划和决策。