Multi-Crop Irrigation Need Classification Based on Machine Learning with an Indonesian-Language GenAI-UX Recommendation Layer
Muhammad Rusdi · Zaenuddin Zaenuddin · Hendra Sanjaya
构建融合可解释机器学习与印尼语GenAI推荐层的智能灌溉决策支持系统。
六种分类算法、回归、孤立森林异常检测与遗传算法优化规则推荐层。
梯度提升分类F1达0.980，GenAI界面可用性最佳，降低非技术用户使用门槛。
可探索多语言本地化GenAI推荐层与边缘部署，并开展真实农户田间验证。
方法组合完整、指标扎实的农业AI决策支持论文，但属印尼小农户场景的实验室级研究，公共影响有限，适合作为技术参考而非每日精选头条。
灌溉用水效率低下仍是印度尼西亚农业面临的一项关键挑战，而原始传感器数据的复杂性阻碍了缺乏数据分析技能的小农户采用相关技术。本研究开发了一种智能灌溉决策支持系统（Decision Support System），将可解释的机器学习与印度尼西亚语生成式人工智能用户体验（GenAI-UX）推荐层相结合，使用公开可用的多作物灌溉调度数据集（501条记录，九种作物），并以水稻和玉米为分析重点。四个组件被整合为一条流水线：（i）在六种算法之间比较灌溉需求分类；（ii）对连续需水量得分进行回归；（iii）使用孤立森林（Isolation Forest）进行传感器异常检测，并与四分位距（IQR）方法交叉验证；（iv）基于规则的自然语言推荐层，其操作点由遗传算法优化。通过分层五折交叉验证和防泄漏预处理保障了有效性。梯度提升（Gradient Boosting）取得了最佳分类性能（F1分数0.980；交叉验证F1为0.963），随机森林回归器（Random Forest Regressor）达到R平方0.807，孤立森林与IQR异常值的一致率为95.2%，遗传算法在现实农艺范围内达到0.993的置信度。在一项示例性可用性评估中，GenAI-UX界面获得了最高的系统可用性量表（System Usability Scale）得分（良好类别）。结果表明，将准确、可解释的模型与基于语言的交付层相结合，能够将复杂的传感器数据转化为可操作的灌溉建议，从而降低非技术用户的采用门槛。与真实受访者进行田间验证以及边缘部署被确定为下一步工作。