环保且可解释的混合机器学习模型，用于可持续作物和肥料推荐系统

《IEEE Transactions on Sustainable Computing》：Eco-Friendly and Explainable Hybrid Machine Learning Models for Sustainable Crop and Fertilizer Recommendation System

　　

摘要：

本研究提出了一种可持续的作物和肥料推荐系统，该系统采用了环保型混合机器学习（EHML）和可解释人工智能（XAI）模型。EHML与XAI的结合在作物和肥料推荐系统中是首次应用。本研究仅基于土壤中的微量和大量养分来推荐作物，这一方面至今仍被广泛忽视。通过使用多种混合机器学习（HML）模型（如CatBoost和Extreme Gradient Boosting），并结合Sparrow Search算法、Phasor Particle Swarm Optimization以及Grey Wolf Optimization进行优化，推荐作物的准确率达到了99.64%至99.87%。此外，还将该系统的成果与使用标准优化器（如遗传算法和Particle Swarm Optimization）优化的混合模型进行了比较。为了揭示作物选择的关键因素并提高表现最佳模型的可解释性，采用了XAI算法（Local Interpretable Model Explanation和SHapley Additive Explanations）。基于较低的CO2eq排放量和电力消耗，有助于保护自然资源。同时，还开发了一个对农民友好的网页应用程序，为可持续农业提供即时的作物和肥料推荐。最后，推荐的肥料也通过物联网（IoT）传感器收集的实时田间数据进行了验证。