可解释人工智能驱动的几何特征选择提升农田遍历效率预测：迈向精准农业的新路径

本文推荐一项融合机器学习（ML）与可解释人工智能（XAI）的前沿研究，通过几何特征选择高效预测农田遍历效率（FTE）。研究采用XGBoost模型达成高精度预测（R2 = 0.9402），并结合SHAP分析揭示Perimeter-to-Area Ratio等关键几何指标的影响机制，为农业作业优化提供透明、可行动的决策支持。

　　

Highlight

Materials and methods

本节概述了预测FTE的流程框架（图1a），具体包括：

• •
  数据采集：通过农场管理信息系统（FMIS）收集农田数据，提取FTE及七项几何指标（Convexity、Ellipticity等）。原始数据集涵盖1,195个农田样本，每样本包含七维几何特征。

A comparative analysis of machine learning model performance

图6a–g展示了七种树基ML回归模型在测试集上预测FTE值与实际值的散点对比。所有模型均通过决定系数（R²）评估预测精度，其中XGBoost表现最优（R² = 0.9402），Gradient Boosting、Random Forest、Extra Tree及LightGBM紧随其后。

Discussion

本研究对比树基ML模型在FTE预测中的性能，发现XGBoost不仅精度最高、误差最小，且训练速度最快。其优势主要源于正则化技术与并行树构建机制，适用于大规模农业数据场景。

Conclusions

本研究开发了融合XAI的ML框架，仅通过六项几何田野指标实现FTE的高效预测，显著简化农业机械作业性能的评估挑战。树模型擅长捕捉特征间非线性关系，并可无缝结合TreeSHAP实现模型可解释性。主要结论包括：

• •
  XGBoost仅使用六项几何指标……