スマートな作物推奨:栄養と気候データをKrill Herd Optimizationと説明可能なAIで融合
Smart crop recommendation: fusing nutrient and climate data with Krill Herd Optimization and explainable AI
本論文は、精度農業における作物推奨フレームワークを提案する。まず、Multi-Layer Perceptron (MLP)、XGBoost、Tab Transformerをベースラインモデルとして評価し、その後、説明可能な人工知能(XAI)と統合されたKrill Herd Optimization(KHO)ベースの説明可能なフレームワークを提案する。11のパラメータ(窒素、リン、カリウム、銅、鉄、マグネシウム、硫黄、温度、降雨量、pH、湿度)が使用される。モデルの透明性を高め、情報に基づいた意思決定を支援するため、SHAPとLIMEを用いたモデル説明により、特徴量が作物予測に与える影響を特定する。実験の結果、Tab Transformerは精度0.99、適合率0.98、再現率0.99、F1スコア0.98で他のモデルを大幅に上回った。提案フレームワークはKHOを組み込み、最適化された栄養と気候プロファイルを生成する。さらに、遺伝的アルゴリズム(GA)、粒子群最適化(PSO)、焼きなまし法(SA)を最適化性能の比較評価に使用する。説明可能なAIと最適化手法を組み合わせることで、作物適合性予測を改善し、作物推奨に影響を与える要因に関する透明な洞察を提供する。
- Tab Transformerが精度0.99、適合率0.98、再現率0.99、F1スコア0.98でMLPやXGBoostなどのベースラインを大幅に上回った
- Krill Herd Optimization(KHO)と説明可能なAI(XAI)を統合した作物推奨フレームワークを提案し、最適化性能を遺伝的アルゴリズム・粒子群最適化・焼きなまし法と比較評価
- SHAPとLIMEを用いたモデル説明により、窒素・リン・カリウムなど11の栄養・気候パラメータが作物予測に与える影響を特定
精度農業向け作物推奨にXAIとメタヒューリスティック最適化(KHO)を組み合わせた研究で、Tab Transformerが精度0.99と高い性能を示した点は、農業テック領域でのAI応用の実用化余地を示す。ただし論文発表段階であり、商用サービスや企業の採用事例ではないため、直接の投資対象としては限定的。XAI(SHAP/LIME)による説明性確保は、規制・実運用での採用を左右する要素として中長期で注目したい。