好文推荐｜精准农业新突破：基于机器学习的农作物推荐系统，助力农业可持续发展

近日，一篇由孟加拉国多名学者合作的论文“Enhancing Agricultural Productivity: A Machine Learning Approach to Crop Recommendations”（译“面向作物推荐的机器学习方法助力农业生产率的提高”）在国际期刊《以人为中心的智能系统（英文）》（Human-Centric Intelligent Systems, HCIN, eISSN: 2667-1336）上公开发表（https://doi.org/10.1007/s44230-024-00081-3）。一句话概要：融合作物选择优化策略和多机器学习算法的智能作物推荐系统，助力农业生产率的提高，推动精准农业的发展。研究动机：随着全球人口的增长和城市化进程的加速，农业生产力面临着前所未有的挑战。同时，气候变化、土壤类型多样性和传统农业模式的局限性也制约着农业的可持续发展。首先，气候条件的波动性对农作物生长产生重大影响，导致产量不稳定，难以满足日益增长的食物需求。其次，不同土壤类型对农作物生长的适宜性不同，需要根据土壤特性进行精准种植，而传统农业模式往往缺乏对土壤特性的精准把握，导致资源利用率不高，产量难以提升。此外，传统农业模式效率低下，难以适应现代农业发展的需求。为了应对这些挑战，我们需要借助先进的科技手段，推动农业生产的现代化和精准化。机器学习作为人工智能的重要分支，在农业领域展现出巨大的潜力。然而，目前的自动化系统仅依赖于相对较少的机器学习算法，可能会限制推荐结果的多样性和推荐系统的鲁棒性。研究方法与发现：针对上述问题，本研究融合了九种机器学习（ML）算法—逻辑性回归（LR），支持向量机（SVM），K-Nearest Neighbors（KNN），决策树（DT），随机森林（RF），Bagging（BG），Adaboost（AB），梯度提升（GB）和Extra Trees（ET）来构建农作物推荐系统，以生成用于选择作物的实用建议。所提出的框架包括如图1所示的主要阶段：数据采集和预处理，多ML模型的数据训练，模型测试和评估。通过从Kaggle上收集有关土壤类型，气候，历史作物的不同产量和农民的偏好等数据进行了实验。使用常用的指标，如精度、准确率、F1得分、召回率等评估模型的性能，实验结果表明，在九种机器学习算法中，随机森林模型在农作物推荐方面表现出*佳性能，准确率高。同时，不同作物对氮、磷、钾等营养元素的需求以及对温度、湿度、降雨量和土壤pH值的适应性存在差异。例如，图2所示结果表明水稻需要较高的降雨量和温暖的气候，而苹果和扁豆则偏好凉爽的气候和适中的降雨量。图3的氮直方图则显示了氮水平在各种农作物中的分布，可实现对作物生长所需氮肥料的精准控制。

▲ 图 1 作物推荐系统。

▲ 图 2作物营养的相关性分析。

▲ 图 3 直方图。研究贡献：1）算法多样性：同时应用9种机器学习算法于同一数据集，从而能够从多个角度分析数据，提高推荐结果的准确性和可靠性；2）多维数据融合：整合土壤理化指标（N-P-K）、微气候特征及农户偏好，覆盖12维决策因子；3）提高农业生产力：该农作物推荐系统可以为农民提供个性化的作物推荐，帮助他们选择*适合当地环境的作物，从而提高农作物产量和资源利用率，为可持续农业的发展开辟了新的路径，使其成为应对日益严峻的全球粮食安全挑战的有力武器。

（编辑：吴小华）关于期刊

Human-Centric Intelligent Systems（eISSN：2667-1336）是一本国际化的，经过严格同行评审的开放获取期刊，致力于传播 “以人为中心的智能系统” 中所有相关理论和实际应用的最新研究成果，并提供以人为中心的计算与分析领域的前沿理论和算法见解。为了鼓励科研成果的传播，本刊暂不收取文章处理费。期刊主编：西南交通大学李天瑞教授与澳大利亚悉尼科技大学徐贯东教授顾问委员：东京大学教授，日本国家信息研究所所长Masaru Kitsuregawa与伊利诺伊大学芝加哥分校Philip S. Yu教授投稿咨询：HCIN期刊编辑部Tel：17320182488邮箱：hcin@editorialoffice.cn