融合连续变量嵌入与深度残差网络的农作物精准推荐系统：基于土壤–气象表格数据的实证研究

Abstract

在全球气候变化与农业资源日益紧张的背景下，数据驱动的精准农业已成为保障粮食安全的核心研究范式。然而，传统集成树模型（如 XGBoost）受限于轴对齐分裂的阶梯状决策边界，难以捕捉农作物对连续环境变量的平滑生理响应曲线；而基础多层感知机（Vanilla MLP）直接接收标量特征时，因底层表征维度过低而面临优化瓶颈。针对上述问题，本研究提出了一种融合连续变量特征嵌入的表格深度残差网络（TDRN-NFE）。该架构引入分段线性编码（PLE）与周期性激活机制，将低维连续变量映射至高维稠密隐空间，并结合深度残差模块提取交叉非线性特征。基于包含 22 种作物、2200 个样本的公开数据集，本研究实施了孤立森林与 IQR 联合异常值清洗、分层标准化策略，并构建了温湿指数等 8 项衍生特征。实验表明，TDRN-NFE 在测试集上取得 98.9% 的准确率与 0.988 的 Macro F1-Score，较 XGBoost 提升 1.4%，较 Vanilla MLP 提升 6.2%，验证了数值特征嵌入技术对表格数据深度学习的显著增益。