CROPINTEL DATASET: A COMPREHENSIVE AGROENVIRONMENTAL RESOURCE FOR CROP CLASSIFICATION, IRRIGATION PLANNING, AND YIELD ANALYSIS

对可持续农业集约化的需求日益增长，亟需先进工具来优化作物选择与资源管理。本研究提出一个集成的分析框架，利用机器学习从综合性的CropIntel数据集中提取农业环境智能信息。我们针对三个关键精准农业任务评估了超过十五种机器学习算法：作物分类、季节性灌溉需求预测和产量潜力预报。结果表明，基于树的模型在该领域具有卓越能力。值得注意的是，决策树、装袋法和高斯朴素贝叶斯分类器在基于气候和土壤条件识别适宜作物方面达到了近乎完美的准确率（Acc≈99.7%）。在回归任务中，LightGBM和直方图梯度提升模型最为有效，分别解释了约84%的灌溉需求方差（R²≈0.84）和约70%的产量潜力方差（R²≈0.696）。这些发现凸显了机器学习在构建强大决策支持系统方面的潜力，可指导作物选择、优化水资源分配并提供可靠的产量预报。本研究为一种整体性、数据驱动的方法论做出了贡献，有助于提升农业实践的效率与可持续性。