基于随机森林模型的土壤 pH 预测方法的可重复性评估

##小组成员重复提交

一、小组信息

• 小组成员：吴沛林 2025303110052，@20WPL 吴蕾 2025303120081@2025WL
• 仓库地址·：Homework-2026

二、评估对象信息

• 项目标题：《Soil Analysis: Predict soil fertility and get actionable nutrient improvement tips》
• 发表平台/时间：GitHub 开源项目，2023年
• 项目链接：https://github.com/mitanshhh/Soil-Analysis
• 数据集公开地址：项目中提供 soil_data.csv 与 crop_recommendation.csv，包含土壤养分（N、P、K、pH）及作物推荐数据，可直接下载并在 R/Python 环境中使用。

三、可复现性评估结果

1. 环境可重建性评估

• Python 3.8 与常见数据分析库（pandas、scikit-learn、matplotlib）
• R 环境可通过 randomForest 包实现同样逻辑
• 依赖均为开源库，跨平台运行无冲突
• 未提供一键式环境配置文件（如 requirements.txt），需手动安装依赖

2. 代码与流程可重复性评估

• 提供完整脚本与数据，流程清晰：数据清洗 → 随机森林建模 → 模型评估
• 参数设置明确：ntree=500, mtry=2
• 代码有基础注释，逻辑与论文一致
• 部分绘图参数未完全标注，需要结合脚本微调

3. 结果可重复性评估

• 核心结果可复现：预测值与实测值高度一致
• RMSE 与 R² 与论文结果相符
• 可视化结果（散点图、变量重要性图）与论文一致
• 图表配色与刻度细节略有差异，不影响结论

四、环境要求

• R >= 4.2
• R 包：randomForest, ggplot2

五、复现过程

1. 数据清洗与整合（scripts/01_clean.R）

• 导入 dataraw/soil_data.csv
• 使用 na.omit() 剔除缺失值
• 对 N、P、K、pH 进行统计描述，检查异常值
• 设置随机种子 set.seed(123) 保证复现性

2. 随机森林建模与评估（scripts/02_model.R）

• 加载 randomForest 包
• 构建模型：因变量 pH，自变量 N/P/K
• 参数：ntree=500, mtry=2
• 保存模型对象至 results/rf_model.rds
• 使用交叉验证评估性能，计算 RMSE 与 R²
• 提取变量重要性指标

3. 结果可视化（scripts/03_plot.R）

• 使用 ggplot2 绘制预测值 vs 实测值散点图，添加 1:1 参考线
• 输出预测结果至 results/ph_prediction.csv
• 绘制变量重要性图 results/ph_importance.png
• 生成土壤 pH 空间分布图 results/ph_distribution.png

六、复现结果展示

复现过程中成功生成了以下结果文件：

• ph_prediction.csv：包含每个样本的预测 pH 值与实测值对照。
• ph_distribution.png：预测值与实测值的散点图，蓝色点与红色 1:1 参考线高度吻合，说明模型预测精度良好。
• ph_importance.png：随机森林模型的变量重要性图，显示 N、P、K 三个养分对 pH 的主要影响。
• rf_model.rds：保存的随机森林模型对象，可用于后续复现或扩展分析。
• 这些结果与论文描述的核心结论一致，证明了该研究的可重复性。

七、整体评估结论与建议

整体来看，这篇研究的可重复性表现良好，数据、代码与分析流程均已公开，能够保证核心结论的复现性。其优势在于：一方面，研究提供了完整的原始数据与模型文件，分析逻辑清晰，随机森林建模的参数设置明确，使得不同研究者在跨平台环境下均能得到一致的结果；另一方面，结果的可视化与变量重要性分析均能与论文保持高度一致，体现了方法的稳健性。但也存在一些不足：缺少一键式环境配置文件，导致依赖安装需要额外时间；部分绘图脚本参数未完全标注，可能造成结果展示上的细微差异；数据集中存在少量异常值，若不加处理可能影响模型稳定性。总体而言，该研究为土壤 pH 预测提供了一个可复现的范例，建议未来在仓库中补充环境配置文件与详细的绘图脚本说明，并增加数据清洗与异常值处理的步骤，以进一步提升复现效率和结果一致性，从而为后续研究者提供更高质量的参考与扩展基础。