基于LLM驱动的语义解释模型提升土壤湿度预测的可解释性研究

为解决农业领域中机器学习模型预测土壤湿度时存在的"黑箱"问题，研究人员开展了结合大型语言模型(LLM)与农业本体的可解释性研究。该研究构建了AgriMod本体框架，开发了GRU预测模型(R2达0.9725)，并创新性地通过语义LLM生成农民易懂的文本解释。研究显著提升了AI模型在精准农业中的可接受度，为可持续灌溉决策提供了透明化解决方案。

　　

在全球气候变化和人口增长的双重压力下，农业水资源管理正面临前所未有的挑战。土壤湿度作为灌溉决策的核心参数，其精准预测直接关系到粮食安全和水资源可持续利用。尽管机器学习(ML)模型在土壤湿度预测(SMP)领域展现出卓越性能，但复杂的"黑箱"特性使其难以获得农民群体的信任——这个最需要却最不懂技术细节的终端用户群体。当前解释性人工智能(XAI)技术提供的SHAP值、LIME等解释方法，对非专业人士而言无异于"天书"，严重制约了AI技术在农业一线的落地应用。

研究人员开创性地将语义网络技术与大型语言模型(LLM)相结合，构建了名为AgriMod的模块化农业本体，包含土壤与土地、气候、灌溉三大核心模块。通过定义influencedBy和hasImpactOn等语义关系，系统化梳理了31.1mm土壤含水量与降水(PRECIP)、相对湿度(RH)等参数间的农学关联。基于COSMOS数据集（包含英国51个站点10年气象土壤数据），研究团队采用贝叶斯优化筛选出GRU神经网络作为最佳预测架构，其测试集MAE低至0.5952%，R²高达0.9725。

关键技术方法包括：1) 基于递归特征消除(RFE)筛选出TDT1_VWC等关键特征；2) 构建包含512神经元的GRU网络；3) 开发结合LIME解释与AgriMod本体的LLM提示工程框架；4) 采用LLAMA模型生成农民友好型解释文本。

研究结果方面：

1. 模型构建
   通过比较GRU、CNN-GRU和Att-GRU三种架构，发现单层GRU在跨站点测试中表现最优，在Bickley Hall站点的R²达0.9725，显著优于CNN-GRU的0.9664。特征重要性分析显示，历史土壤含水量(TDT1_VWC)的SHAP值贡献度最高，证实模型抓住了土壤水分的时序依赖性。

2. 模型解释
   创新的双通道解释系统同时提供：1) 传统LIME数值解释，如"TDT1_VWC=31.1使预测值增加0.42"；2) 语义LLM解释："过去三天土壤含水量维持在30%以上，且无强降水，建议维持当前灌溉量"。对比实验显示，83%的农民认为语义解释比原始数据解释更易理解。

3. 本体应用
   AgriMod本体明确定义了SoilMoistureContent与IrrigationNeed间的语义关联，使LLM能生成"由于蒸发量(Evaporation)增加且土壤持水能力(SoilAvailableWaterCapacity)下降，建议增加灌溉频次"等符合农学常识的解释。ANOVA分析证实，语义解释在实用性(p<0.001)和可信度(p<0.001)上显著优于原始解释。

这项研究突破了农业AI"最后一公里"的应用瓶颈，首次实现了预测精度与解释可懂度的统一。通过本体驱动的语义框架，将晦涩的SHAP值转化为"土壤含水量高时应减少灌溉"等 actionable insights，使复杂ML模型真正成为农民可信赖的"数字农艺师"。未来扩展本体覆盖范围、结合多模态解释方式，有望进一步推动可信AI在智慧农业中的规模化应用。论文的创新性工作发表在农业技术领域重要期刊《Smart Agricultural Technology》上，为AI+农业的交叉研究提供了范式参考。