融合物理机制与机器学习的两阶段混合建模用于多离子混合肥液电导率预测（附英文原标题：A Two-Stage Hybrid Modeling Approach Integrating Physical Mechanisms and Machine Learning for EC Prediction in Multi-Ion Mixed Fertilizer Solutions）

方法

Debye-Hückel理论结合梯度提升回归树，基于537个样本建模。

发现

测试集R²达0.9999、RMSE为5.17μS/cm，误差较基准降低89.7%–93.9%。

机会点

可探索该混合建模框架向在线EC传感校准及多养分动态配肥决策的迁移。

提出融合Debye-Hückel物理机制与梯度提升回归树的两阶段混合模型，预测多离子混合肥液电导率。基于537个样本，测试集R²达0.9999、RMSE为5.17μS/cm，误差较基准降低89.7%–93.9%。