KRISHI.AI: an explainable machine learning framework for data-driven crop recommendation

准确的作物选择是决定不同土壤特性和气候条件下农业生产力的基本因素。当前大多数基于人工智能的咨询系统仅限于预测输出或通用建议，对特定作物建议背后的推理过程缺乏透明度。本文提出了KRISHI.AI（名称源自印地语词汇“krishi”，意为“农业”，以及“AI”，即“人工智能”），一个面向农业的可解释人工智能框架，用于数据驱动的作物推荐。该框架基于七项农艺与环境输入参数推荐适宜作物，即氮（N）、磷（P）、钾（K）、土壤pH值、温度、湿度及降雨量。它集成了基于LightGBM的多分类预测模型、基于SHAP的特征归因分析以及受农艺约束的反事实“假设”分析，以解释为何推荐某种作物，以及输入条件的可行变化如何改变推荐结果。该系统采用梯度提升树集成模型（LightGBM）在22个作物类别中生成高置信度的作物推荐，测试准确率达到99.39%，宏平均F1分数为0.9900。这些预测辅以基于SHAP（Shapley加性解释）的特征归因可视化和反事实“假设”分析，以解释输入因素如何影响推荐结果，以及田间条件的改变如何调整作物适宜性。对反事实模块在100个测试实例上的定量评估显示，其有效性率为94.60%，平均L1特征变化距离为0.18，每个场景平均修改2.10个特征——证实了所生成解释的实际可信度与稀疏性。上述功能通过交互式Streamlit网页仪表板实现，提供直观的实时反馈，使农民和农业从业者无需专业技术知识即可探索基于场景的决策。通过将高精度预测与以人为中心的可解释性整合于一个轻量级框架（模型大小4.3 MB，响应延迟187毫秒）中，KRISHI.AI推动了技术驱动型农业中可获取且可信赖的决策支持，尤其对服务印度小农户社区的农业决策支持应用具有重要价值。其中189.3毫秒对应专门的消融分析配置，而187毫秒则代表标准部署配置下的响应时间。