A Machine Learning Framework for Precision Soil Quality Characterization for Crop-Specific Fertilizer Recommendation in Heterogeneous Agro-Ecosystems

方法

PCA提取土壤质量指数，结合随机森林、梯度提升和MLP，在8000条多作物多土壤

发现

所有模型准确率仅12.4–14.0%，与随机基线相当，瓶颈在数据质量而非算法。

机会点

可研究面向农业数据集的预测变量-标签依赖性审计与数据质量评估标准化流程。

准确的肥料推荐是精准农业的基础，然而许多机器学习模型依赖静态土壤养分测量数据，未能充分纳入影响养分有效性的环境因素。本研究提出了一种混合机器学习框架，将土壤化学、物理和气候变量整合到基于主成分分析（PCA）的土壤质量指数（SQI）中，用于作物专用肥料推荐。该框架将基于PCA的特征提取与随机森林、梯度提升和多层感知机（MLP）分类器相结合。实验在包含8000条记录的数据集上进行，涵盖11种作物类型、5种土壤类别和7种肥料类别。模型开发包括标准化预处理、分层训练-测试划分和穷尽式超参数优化。尽管采用了这一严格框架，所有模型仅达到12.4%–14.0%的测试准确率，相当于七分类问题中14.29%的随机基线。统计审计显示，肥料标签与土壤类型或作物类型均无显著关联（卡方检验，p = 0.584和p = 0.100），而连续预测变量与肥料标签之间的互信息可忽略不计。学习曲线分析进一步表明，模型具有优异的训练性能，但验证准确率没有提升，说明预测变量与标签之间的依赖关系较差，而非模型容量不足。这些发现表明，制约预测性能的是数据集质量而非算法选择。本工作的主要贡献是一个稳健且可复用的机器学习流程，辅以系统化的预测变量-标签依赖性审计协议。该框架为模型部署前验证农业数据集提供了一种实用方法，从而提高精准农业和数字土壤制图应用的可靠性、可重复性和可信度。