如今的农业必须是可持续的，以确保为地球上不断增长的人口提供足够的食物。轮作作为一种农业实践，有助于可持续生产，因为它对田地有许多好处。根据定义，轮作是在特定田地上相继种植的作物序列（Wibberley, 1996）。当把土壤视为生产中最有价值的资源时，轮作可以保存土壤质量和肥力。研究表明，未施肥的三作物轮作玉米–大豆–小麦与两作物轮作玉米–小麦相比，在 56 年期间可使黑钙土 0–30 cm 土壤层的土壤有机碳（SOC）储存量每年增加 151 kg C ha?1（Manojlovi? et al., 2008）。在大豆等豆科作物之后种植玉米的作物系统可以通过向土壤增加氮素来帮助获得更高的产量，同时降低化肥投资（Videnovi? et al., 2013）。在一项 5 年的玉米–斯佩尔特小麦–大豆轮作实验中，表明土壤–作物相互作用是土壤中大量和微量养分管理的重要策略（Dragi?evi? et al., 2022）。
报告称轮作中多年生杂草有减少的趋势（Brankov et al., 2021）。在他们的实验中，玉米–冬小麦轮作显著减少了杂草密度和生物量。在另一项实验中，与连续种植玉米相比，玉米–冬小麦–大豆轮作中的玉米叶面积和籽粒产量显著更高（Simi? et al., 2025）。序列中包含更多作物的轮作在维持低杂草种群方面非常有效，并能防止特定害虫的建立（Saulic et al., 2022）。设计多样化的轮作不仅是作物营养和杂草减少的关键，也是害虫和病害防控的关键（Stockdale et al., 2001）。
一些特定地区轮作预测的可能性已在科学文献中被调查和讨论。Upcott 等人（2023）评估了一种基于国家规模年度作物图的转移概率矩阵来预测轮作中下一作物的方法。当包含更多局部空间背景且轮作周期更长时，他们的作物预测框架产生了更准确的结果。Zhang 等人（2019）首次尝试使用机器学习（ML）框架根据历史作物图预测田块级别的年度作物种植。他们使用美国耕地数据层（CDL）时间序列作为参考数据，并使用具有典型多层感知机（MLP）结构的预测模型，包括一个输入层、三个隐藏层和一个输出层。Johnson 和 Mueller（2021）将随机森林（RF）分类技术应用于玉米、大豆和冬小麦的 CDL 数据，使用四年的历史数据。为每个县拟合一个单独的 RF 模型，当预测变量包括生长季期间协调的 Landsat Sentinel-2 卫星影像时，获得了最佳的像素级结果。Yao 和 Di（2021）展示了使用 CDL 数据在爱荷华州一个县中 RF 和 XGBoost 模型之间相当可比的结果，其中两种算法均优于朴素贝叶斯方法。
Dupuis 等人（2023）提出了一种基于序列的轮作预测方法，使用循环神经网络，更确切地说是长短期记忆（LSTM）网络，来计算根据种植习惯在后续生长季中可能在一个田间利用的最可能的轮作情景。Yaramasu 等人（2020）表明，深度神经网络能够比马尔可夫链方法更好地学习历史趋势。以自动编码器配置的形式，他们的模型由基于双向卷积（BiConv）LSTM 和 Decoder 模块构建的时空编码器组成。它在 CDL 数据上训练，能够以可接受的准确性在生长季早期预测作物类型。Fenz 等人（2023）使用继任作物适宜性矩阵以及作物贡献边际和氮需求作为输入，训练基于深度 Q 网络的强化学习智能体以生成作物轮作序列。
在塞尔维亚共和国，农业生产是经济中最重要的部门之一，占国内生产总值（GDP）的约 10%。作物生产约占农业生产价值结构的 67%（Gruji? et al., 2020）。多年作物图揭示了伏伊伏丁那地区最常见的作物、其覆盖百分比和作物种植模式（?ivaljevi? et al., 2024）。平均而言，玉米的覆盖面积最高，占 33%，使塞尔维亚成为欧洲主要的玉米出口国之一。小麦紧随其后，平均覆盖率为 23%，然后是向日葵和大豆，面积覆盖率分别为 12% 和 11%，最后是甜菜，占总耕地面积的 3%。尽管有这些事实，塞尔维亚和伏伊伏丁那地区在作物类型预测的科学文献中代表不足。因此，本研究填补了已确定的地理和应用研究空白。
本研究的主要目标是开发和验证一个基于机器学习的框架，用于根据多年轮作序列在伏伊伏丁那地区季前预测下一年的作物类型。为了实现这一目标，目标分为三个部分：
- -
从现有年度作物图中构建作物序列数据集（?ivaljevi? et al., 2024），
- -
比较机器学习模型，特别是支持向量机（SVM）、MLP 和 XGBoost，用于下一年预测，
- -
评估各地区市政厅的空间表现。
本研究考虑了该地区五种主导作物，即玉米、小麦（包括大麦）、向日葵、大豆和甜菜，包括两种和三种独特作物之间的轮作。
