一种优化的机器学习方法，用于精准农业系统中可靠的农艺参数预测

《Scientific Reports》：An optimized machine learning approach for reliable agronomic parameter prediction in precision farming systems

　　

摘要

优化的机器学习模型对于提高精准农业中的预测性能非常重要，因为它们使我们能够以数据驱动的方式分析土壤和环境数据。然而，传统的预测方法往往无法进行泛化，因为农业数据的变化性很大，存在非线性相互作用，并且各数据之间存在很大差异。本研究提出了一个基于机器学习的增强型预测框架，利用结构化的数值土壤和环境数据集来估计农业参数。该框架结合了系统的数据预处理、特征选择和超参数优化，从而使模型更加稳定和可靠。模型性能通过五折交叉验证和标准回归指标进行评估，包括决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）。平均R2值为0.696 ± 0.148，RMSE为5.160 ± 1.571，MAE为4.636 ± 1.545，这表明该模型能够在所有验证数据集中做出准确的预测。此外，使用所提出的混合集成模型对菠菜的生长阶段进行分类，准确率为84.63%，精确率为85%。结果表明，该框架适用于处理非线性的农业数据，可以用于精准农业系统中的数据驱动决策。