基于机器学习的作物推荐：利用环境与经济因素进行最优作物选择

农业是印度食品生产、经济增长和就业的主要来源，但该部门面临着低农业生产率和产量的问题，且因自然资源压力增加和气候变化的不利影响而加剧。涉及绿色革命、土地灌溉、改良种子和有机农业的努力已产生了次优结果。采用作物推荐系统等计算工具提供了一种提供见解并帮助农民应对低生产率的新途径。然而，印度大多数农业推荐系统仅狭隘地关注环境因素和地区，限制了对高产、盈利作物的准确预测。本研究利用环境和经济因素，涵盖 15 个州的 19 种作物，使用 10 折交叉验证、时间序列划分和滞后变量来开发和评估 Random Forest 和 SVM 模型。10 折交叉验证显示出高准确率（RF: 99.96%, SVM: 94.71%），但引发了对过拟合的担忧。引入能更好反映现实世界条件的时间顺序后，时间序列划分中的性能下降（RF: 78.55%, SVM: 71.18%）。为了在保持时间顺序的同时进一步提高模型准确率，采用了滞后变量方法，与 10 折交叉验证方法相比，其性能有所提升（RF: 83.62%, SVM: 74.38%）。总体而言，时间序列划分和滞后变量方法中的模型通过处理时间依赖性并增强其对随时间变化的农业条件的适应性，提供了实用的见解。因此，研究表明基于滞后变量开发的 Random Forest 模型是在印度背景下进行最优作物推荐的最首选算法。