An Interpretable Machine Learning Approach for Soil Fertility Prediction from NPK and pH

方法

以N、P、K、pH为特征，训练决策树与随机森林，用准确率等指标评估。

发现

随机森林在准确率、精确率和召回率上均优于决策树，且模型可解释。

机会点

可引入时序土壤数据与多源环境特征，构建面向小农户的低成本可解释肥力预警模型。

土壤肥力评估是维持农业生产力的核心，因为氮（N）、磷（P）、钾（K）等养分的有效性以及土壤pH值直接决定作物生长与产量。传统基于实验室的土壤检测虽然准确，但速度慢、成本高，且依赖专业设备和训练有素的人员，这限制了农民（尤其是小农户）监测其田地的频率。机器学习提供了一种更快、数据驱动的替代方案，可从常规测定的养分参数中估算土壤肥力。本文提出一种监督学习方法，以N、P、K和pH作为输入特征，将土壤样本分类为低、中、高肥力等级。研究实现并比较了两种基于树的分类器：决策树（Decision Tree），因其决策规则透明且易于解释而被选用；随机森林（Random Forest），一种由决策树组成的集成方法，可降低方差和过拟合风险。工作流程涵盖数据收集、预处理、特征选择、模型训练以及使用准确率、精确率、召回率和F1分数进行的评估。在建模之前，采用描述性统计、箱线图分析和相关性分析对数据集进行表征，并利用特征重要性得分考察各土壤参数的贡献。实验结果表明，两种分类器均表现良好，且随机森林在准确率、精确率和召回率上均高于决策树。所提出的方法为土壤管理和精准农业提供了一种低成本、可解释的决策支持工具。