Comparative analysis of gradient boosting and random forest regressors for nutrient prediction in smart agriculture
Shaista Farhat · Dr. Chokka Anuradha · Dawit Tafesse Gebreyohannes
比较梯度提升与随机森林回归器，用水培传感器数据预测氮磷钾浓度。
预处理、相关性特征选择、网格搜索五折交叉验证，对比GBR与RFR。
GBR在三种养分预测上MAE、RMSE更低、R²更高，但仅单次划分且缺变异量化。
可开展多源传感器融合、重复种子评估与外部验证，提升养分预测稳健性并接入自动施肥。
方法对比扎实但仅单次划分、缺乏外部验证，属细分领域技术进展，未达每日精选门槛。
在水培系统中，准确估算养分浓度有助于实现有效监测。本研究基于一个预编译的农业传感器数据集，比较了随机森林回归器（Random Forest Regressor, RFR）与梯度提升回归器（Gradient Boosting Regressor, GBR）在利用pH、电导率、温度和相对湿度预测氮、磷、钾方面的性能。该框架采用均值插补、基于相关性的特征选择和集成回归。观测数据被随机划分为80%的训练集和20%的测试集；预处理、特征选择以及基于五折交叉验证的网格搜索优化均仅限于训练集内进行。在留出的测试集上，GBR对三种养分的预测均取得了比RFR更低的MAE和RMSE以及更高的R²。对报告中各养分测试指标取未加权算术平均值，GBR和RFR的结果分别为：MAE 3.60对4.06，平均养分RMSE 4.22对4.90，平均养分R² 0.89对0.84。这些汇总值系根据四舍五入后的各养分指标计算得出，并非合并指标。该比较仅基于一次训练-测试划分，且未量化变异性，因为未保留折级评分，也无法进行重复随机种子评估。缺失的采集元数据和未经核实的养分单位进一步限制了结果解读。研究结果表明，在该数据集内GBR可作为养分估算的候选方法；在用于自动化施肥之前，仍需进行外部验证和运行评估。