Digital Decision Support for Smallholder Farmers using Explainable Multi Criteria Agricultural Intelligence

方法

模糊生态适宜性、水分胁迫产量模型、蒙特卡洛冲击、AHP权重与TOPSIS排序，模

发现

推荐作物平均净收益210美元/公顷、损失概率18.7%，显著优于传统经验法则。

机会点

可解释性与稳定性度量尚缺真实田间验证，可结合农户实测数据与参与式评估开展实证研究。

在天气不确定、价格波动、流动性受限以及获取建议渠道有限的情况下，小农户必须就种植何种作物做出决策，但许多数字咨询服务提供的是单一的、黑箱式的答案，农民和推广人员无法对其提出质疑。本文介绍了一种可解释的多准则决策支持系统，该系统为每个地块的候选作物进行排序，用通俗语言解释选择某一特定作物的理由，并提供排序的置信度。该系统将模糊农业生态适宜性与水分胁迫产量模型相结合，后者纳入蒙特卡洛降雨和价格冲击，并结合七项收益与成本准则、层次分析法（AHP）权重和TOPSIS排序。推荐作物与次优作物之间的接近度边际按各单项准则分配于饼图中，权重的狄利克雷扰动用于衡量推荐稳定性。所有数据均为模拟：20个由40×40地块（2.5公里网格单元）构成的合成景观、六种具有指示性参数的作物，以及一个假设的专家组（AHP一致性比率0.013）。各景观的推荐作物为花生占37.5%、高粱占31.0%、珍珠粟占17.4%。在样本外季节中，降雨和价格冲击比设计过程中假设的高出25%，该推荐产生了210美元/公顷的平均净收益，损失概率为18.7%；而传统经验法则的平均净收益为67美元/公顷，损失概率为38.9%。Shapley归因值精确加总至接近度边际（最大误差5.6e-16），平均稳定性为0.84，53.3%的地块高于0.9。这些结果展示了该框架在受控环境中的机制和行为；它们并非田间证据。