AI-Based Smart Agriculture: An Integrated Machine Learning Framework for Crop Recommendation, Fertilizer Recommendation and Crop Yield Prediction

方法

用ANN与随机森林建模，输入土壤养分、气象与作物类型，交叉验证评估。

发现

产量预测ANN准确率94.70%，施肥推荐随机森林达93.94%。

机会点

可引入时序气象与遥感数据，并针对小农户做多语言轻量化部署与不确定性解释。

印度农业生产率受天气变率、土壤退化以及化肥施用不足或过量的强烈影响。农民在选择作物、估算产量和决定施肥量时仍倾向于依赖个人经验。本文提出一个基于网络的集成式决策支持系统，在单一框架内完成三项任务：作物推荐、肥料推荐和作物产量预测。该系统以土壤养分（氮、磷、钾）、温度、湿度、土壤pH值、降雨量、土壤水分、土壤类型和作物类型作为输入。其流程包括从公共数据存储库获取数据、清洗与归一化、基于相关性的特征选择，以及使用人工神经网络（Artificial Neural Networks, ANN）和随机森林（Random Forest, RF）进行模型训练。采用交叉验证，以准确率、精确率、召回率、F1分数和基于相关性的指标评估模型性能。在已报告的实验中，用于产量预测的ANN模型达到94.70%的准确率，用于肥料推荐的随机森林模型达到93.94%，而作物推荐模型[插入准确率]在其任务中表现最佳。这些模型被封装在一个Java（JSP/Servlet、Weka、MySQL）网络应用中，使农民能够通过一个输入表单获得全部三项推荐。