Trustworthy Explainable AI for Lettuce Growth Stage Prediction Using Sensor Data in Smart Agriculture

背景 在精准农业中，尤其是在环境管理同时影响产量和资源效率的水培系统中，作物物候阶段的可解释建模至关重要。典型的基于可视化的方法通常成本高昂且依赖生态条件。为了利用温度、湿度、总溶解固体（TDS）和pH对生菜生长阶段（幼苗期、营养生长期、结球期、抽薹期和衰老期）进行分类和可视化，本研究提出了XGB-StageVision，一种由传感器驱动的机器学习方案，结合了监督学习和无监督学习技术。在80/20的训练-测试划分下，使用XGBoost、LightGBM、CatBoost、ExtraTrees、随机森林和LSTM，对来自70株水培生菜的3，169个独特观测值数据集进行了评估。方法与结果 XGB-StageVision达到了99.86%的测试准确率、1.00的ROC AUC、0.9982的MCC，并在所有类别上实现了完美的精确率、召回率、F1分数和特异性，与最佳基线模型表现相当，包括LightGBM，其交叉验证性能在统计上具有可比性。无监督t-SNE可视化显示了各生长阶段之间明显不同的结构聚类，而SHAP揭示温度是最强的预测因子（约75%贡献），其次是TDS。新颖贡献 SHAP、LIME和t-SNE提供了全局、局部和结构可解释性，以及关于环境对植物发育影响的可透明视角。使用统计分析和10折交叉验证进一步检验了模型的稳健性、可靠性和泛化性。结论 XGB-StageVision提供了一种物联网就绪、可解释且无需成像的系统，用于实时监测生菜生长阶段。该框架将监督预测建模与无监督结构可视化相结合，以确保透明度、可持续性和高性能，支持当代水培农业中资源高效、数据驱动的战略规划，以降低监测成本、优化投入并提高产量一致性。