A NOVEL HYBRID CLUSTERING AND ENSEMBLE LEARNING FRAMEWORK FOR AGRICULTURAL CROP RECOMMENDATION

方法

K-means聚类特征拼接，随机森林、Extra Trees与直方图梯度提升软投

发现

混合模型测试集准确率99.09%，但未超过单一Extra Trees的99.55%。

机会点

需重复交叉验证与农艺验证，可探索聚类增益条件及跨区域外部泛化。

在精准农业中，针对特定土壤和气候条件选择合适的作物是一项重要的决策支持任务。本文研究了一种混合数据挖掘框架，该框架将无监督聚类与集成分类相结合用于作物推荐。数据集包含2，200条记录、七个数值属性——氮（N）、磷（P）、钾（K）、温度、相对湿度、土壤pH值和降雨量——以及22个作物标签。经过分层训练-测试划分后，在标准化训练特征上拟合K-means聚类，并将其聚类分配结果作为独热编码特征附加。随后训练一个由随机森林、极端随机树和基于直方图的梯度提升组成的软投票集成模型来预测作物类别。所提出的聚类感知集成模型在440条记录的测试集上达到了99.09%的准确率和99.09%的加权F1分数。作为基准使用的极端随机树达到了99.55%的准确率，表明聚类增强并未在该数据集上超越每一个单一模型。结果证明了该混合方法的可行性，但也强调了在部署前需要进行重复交叉验证、外部验证和农艺测试。本研究贡献了一个可复现的混合流程和评估协议，而非声称该方法具有普遍优越性。