Explainable Machine Learning Framework for Soil Moisture Stress Assessment and Irrigation Decision Support

方法

用线性回归、决策树、随机森林对比，结合SHAP与RMSI分析历史土壤湿度、降雨和

发现

线性回归结合多源历史数据效果最佳，RMSE为1.7977，R²为0.7819。

机会点

可引入时序深度学习与多源遥感数据，提升跨区域泛化能力并实现实时灌溉决策。

水分管理是农业中的关键活动之一，而土壤湿度是灌溉规划中的重要参数之一。本研究提出了一种可解释机器学习框架，用于土壤水分胁迫评估与灌溉决策支持，并使用与马哈拉施特拉邦浦那（Pune, Maharashtra）相关的数据。实验中使用土壤湿度、降雨量和季节性因素的历史数据来预测次日土壤湿度。采用时间顺序拆分方式，对线性回归（Linear Regression）、决策树（Decision Tree）和随机森林（Random Forest）进行了对比分析，并使用MAE、RMSE和R²对三种模型进行评估。将线性回归算法应用于土壤湿度历史、降雨历史与季节性因素的组合数据，取得了最佳结果，RMSE为1.7977，R²为0.7819。基于SHAP的分析突出了当前土壤湿度的重要性，而RMSI则对土壤湿度预测结果进行分类，以支持相对灌溉规划和决策。