面向农作物选择优化的混合机器学习框架
计算机视觉与模式识别
2026-02-23 v4 机器学习
机器人学
摘要
发展中国家如印度卡纳塔纳州的农民面临双重挑战：面对极端市场和气候波动，同时因识字率低而被排除在数字化浪潮之外。本文提出了一种新型决策支持系统，通过机器学习与人机交互的独特融合来解决这两个挑战。我们提出了一种混合推荐引擎，集成了两个预测模型：一种随机森林分类器用于基于土壤、气候和实时天气数据评估作物的农业适宜性，另一种长短期记忆网络（Long Short-Term Memory, LSTM）用于预测农业可行作物的市场价格。这种集成方法将范式从“哪些作物可以生长？”转变为“哪些作物最能带来盈利？”，为减轻经济风险提供了显著优势。该系统通过面向低识字用户的语音界面实现，利用针对当地 Kannada 语言微调的语音识别和高保真语音合成模型确保了可及性。我们的结果表明，随机森林模型在适宜性预测方面达到98.5%的准确率，而LSTM模型对收获时价格的预测误差很小。通过提供数据驱动、经济优化的建议，并通过一个包容性的界面实现，这一工作为提升边缘化农业社区的财务韧性提供了可扩展且具有影响力的解决方案。
引用
@article{arxiv.2507.08831,
title = {View Invariant Learning for Vision-Language Navigation in Continuous Environments},
author = {Josh Qixuan Sun and Huaiyuan Weng and Xiaoying Xing and Chul Min Yeum and Mark Crowley},
journal= {arXiv preprint arXiv:2507.08831},
year = {2026}
}
备注
This paper is accepted to RA-L 2026