Hybrid and Classical Machine Learning Models for Mixed-crop Recommendation in Precision Agriculture: An Empirical Performance Analysis

方法

用印度安得拉邦本地数据集的7个土壤气候特征，对比SVM、KNN、DT、LR、RF

发现

混合RF-ET模型最优，准确率95.91%，交叉验证稳健，优于经典模型。

机会点

可探索更多混合模型与多源数据融合，提升小样本、跨区域混合种植推荐的泛化能力。

精准的混合作物推荐对于提高农业生产力、改善土地利用效率以及支撑可持续农业至关重要。有效的作物组合取决于多种环境和土壤因素，这使得精准推荐成为一项具有挑战性的任务。本研究利用来自印度安得拉邦的本土数据集，比较了经典机器学习方法与混合机器学习方法在混合作物推荐中的表现。该数据集包含七个关键特征：氮、磷、钾、温度、湿度、pH值和降雨量。研究评估了支持向量机（SVM）、K近邻（K-NN）、决策树（DT）、逻辑回归（LR）、随机森林（RF）和极端随机树（ET），并提出了一种混合随机森林-极端随机树（RF-ET）模型。性能通过准确率、精确率、召回率、F1分数、k折交叉验证和混淆矩阵分析进行衡量。结果表明，所提出的混合RF-ET模型取得了最佳性能，准确率达到95.91%，精确率为95.98%，召回率为95.91%，F1分数为95.94%。该模型还通过交叉验证展现出较强的稳健性。这些发现表明，混合机器学习能够显著提升混合作物推荐系统的准确性和可靠性，为农民提供更好的决策支持工具，以促进可持续且高效的农业生产。