DOI: https://doi.org/10.1038/s41598-026-36106-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41526481
تاريخ النشر: 2026-01-13
المؤلف: Marran Al Qwaid وآخرون
الموضوع الرئيسي: دراسات أبحاث النخيل
نظرة عامة
تتناول هذه الدراسة التحديات التي تواجه الزراعة المستدامة في المناطق الجافة، مع التركيز بشكل خاص على زراعة نخيل التمر (Phoenix dactylifera). تقدم الدراسة إطار عمل ذكي للزراعة مدعوم بالذكاء الاصطناعي يستفيد من تقنيات التعلم الآلي (ML) وإنترنت الأشياء (IoT) لتحسين ممارسات الزراعة في ظل ندرة المياه وارتفاع درجات الحرارة. تم استخدام مجموعة بيانات متعددة الأنماط شاملة، تضم ميزات بيومترية مثل ارتفاع النخيل، وقطر الجذع، وعدد الأوراق، إلى جانب المعلمات البيئية مثل رطوبة التربة، ودرجة الحرارة، والرطوبة. استخدمت التحليلات أربعة خوارزميات تعلم آلي – الغابة العشوائية (RF)، وآلة تعزيز التدرج (GBM)، والشبكة العصبية الاصطناعية (ANN)، وآلة الدعم الناقل (SVM) – حيث حقق نموذج RF أعلى دقة تصنيف بنسبة 95.3%. تم تحديد المتغيرات الرئيسية المرتبطة بصحة النخيل، بما في ذلك رطوبة التربة، والرطوبة، وقطر الجذع، وعدد الأوراق.
يسهل إطار العمل المقترح AI-IoT المراقبة في الوقت الفعلي والتشخيصات التنبؤية، مما يدعم اتخاذ القرارات الآلية لاستخدام المياه المستدام وإدارة المحاصيل. يتماشى هذا مع أهداف رؤية السعودية 2030، مما يعزز الممارسات الزراعية المدفوعة بالتكنولوجيا والموفرة للموارد. يبرز دمج البيانات البيومترية والبيئية ضمن هذا الإطار إمكانيته في تعزيز استدامة وإنتاجية زراعة نخيل التمر في ظروف مناخية صعبة.
مقدمة
تسلط المقدمة الضوء على التحديات الملحة التي يواجهها القطاع الزراعي العالمي، خاصة في المناطق الجافة وشبه الجافة حيث تعتبر زراعة نخيل التمر ضرورية للاستقرار الاجتماعي والاقتصادي. إن الممارسات الزراعية التقليدية، التي تعتمد على الفحص اليدوي وخبرة المزارعين، غير كافية لمواجهة القضايا الحديثة مثل تقلب المناخ، وندرة المياه، وتدهور التربة. تستدعي هذه الحالة اعتماد أطر عمل ذكية مدفوعة بالبيانات لتعزيز الإدارة الدقيقة وضمان ممارسات الزراعة المستدامة. يشهد قطاع نخيل التمر نمواً كبيراً، حيث من المتوقع أن ترتفع قيمته السوقية من 8.3 مليار دولار أمريكي في 2021 إلى 14.2 مليار دولار أمريكي بحلول 2034، مدفوعة بزيادة الطلب من المستهلكين على منتجات التمر الطازجة والمضافة القيمة.
في المملكة العربية السعودية، ارتفعت قيمة صادرات نخيل التمر من 0.58 مليار ريال سعودي في 2016 إلى 1.70 مليار ريال سعودي في 2024، مما يعكس معدل نمو سنوي مركب (CAGR) يبلغ حوالي 12.7%. لقد حول دمج تقنيات إنترنت الأشياء (IoT) الممارسات الزراعية، مما أتاح تطوير نظم بيئية ذكية تستخدم شبكات الاستشعار والخوارزميات التنبؤية لمراقبة مستمرة للمعلمات الحرجة. في زراعة نخيل التمر، يمكن أن تعزز التحليلات المدفوعة بالذكاء الاصطناعي توقعات صحة النخيل والعائد من خلال تحليل البيانات البيومترية والبيئية. ومع ذلك، غالباً ما تكون الأبحاث الحالية مقيدة بمجموعات بيانات محدودة وتفتقر إلى أطر شاملة تدمج البيانات متعددة الأنماط. علاوة على ذلك، فإن عدد قليل من المبادرات في المملكة العربية السعودية قد نجحت في دمج الذكاء الاصطناعي وإنترنت الأشياء لإدارة الزراعة في الوقت الفعلي، مما يحد من قابلية التوسع وفعالية حلول الزراعة الذكية في البيئات الجافة.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج وموثوقيتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن التحليلات الإحصائية التي تم إجراؤها، مثل الاختبارات المستخدمة لتقييم الأهمية، وأحجام العينات، وأي ضوابط تم تنفيذها لتقليل التحيز. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على الإطار التجريبي، مما يمكّن القراء من فهم وتكرار نتائج الدراسة.
نتائج
تقدم نتائج الدراسة تحليلاً شاملاً لإطار العمل الذكي القائم على الذكاء الاصطناعي المقترح، والذي يشمل تحليل البيانات الاستكشافية، وتقييم النموذج، وتقييم الأداء المقارن. تشير النتائج إلى أن الإطار يعزز بشكل فعال الإنتاجية الزراعية وإدارة الموارد، مما يتماشى مع أهداف الاستدامة الموضحة في رؤية السعودية 2030.
في سياق أهداف التحول الزراعي في المملكة العربية السعودية، تؤكد النتائج على إمكانيات تقنيات الذكاء الاصطناعي في تحسين ممارسات الزراعة، وزيادة غلات المحاصيل، وتعزيز استخدام الموارد المستدام. تسلط المناقشة الضوء على تداعيات هذه النتائج على السياسات والممارسات، مع التأكيد على دور الحلول الزراعية المبتكرة في تحقيق المبادرات الوطنية للاستدامة.
مناقشة
تقدم هذه الدراسة إطار عمل ذكي مدعوم بالذكاء الاصطناعي مصمم لزراعة نخيل التمر المستدام في المناطق الجافة، حيث تتناول التحديات الحرجة مثل ندرة المياه وعدم انتظام غلات المحاصيل. يدمج الإطار بيانات بيومترية ومناخية للمراقبة في الوقت الفعلي، والتشخيصات التنبؤية، والتحكم الآلي في الري. تشمل الأهداف الرئيسية معالجة شاملة للبيانات لاكتشاف العلاقات بين الميزات البيومترية والبيئية، وتحسين نماذج التعلم الآلي (الغابة العشوائية، وتعزيز التدرج، والشبكة العصبية الاصطناعية، وآلة الدعم الناقل) لتصنيف صحة النخيل وتوقع العائد، وإنشاء بنية تحتية قابلة للتوسع للذكاء الاصطناعي وإنترنت الأشياء. يتماشى الإطار مع رؤية السعودية 2030، مما يعزز مرونة الزراعة والتحول الرقمي من خلال تحسين قدرات اتخاذ القرار.
تسلط الأبحاث الضوء على أهمية دمج مجموعات البيانات متعددة الأنماط، حيث تركز الطرق التقليدية غالباً على تحليلات ذات متغير واحد، مما يحد من قابلية تطبيق النماذج. يستخدم الإطار المقترح مجموعة بيانات منظمة تضم 500 سجل من ميزات النخيل والظروف البيئية، مما يمكّن من نمذجة تنبؤية قوية. تكشف تقييمات الأداء أن نموذج الغابة العشوائية حقق أعلى دقة تصنيف (95.3%) وأظهر قدرات تنبؤية قوية للمعلمات البيئية الرئيسية، مثل رطوبة التربة ودرجة الحرارة، مع معاملات تحديد تتجاوز 0.97. وهذا يبرز إمكانيات الإطار في تحسين ممارسات الري وتحسين إدارة الموارد في الأنظمة الزراعية الجافة، مما يساهم في النهاية في الزراعة المستدامة في المملكة العربية السعودية.
DOI: https://doi.org/10.1038/s41598-026-36106-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41526481
Publication Date: 2026-01-13
Author(s): Marran Al Qwaid et al.
Primary Topic: Date Palm Research Studies
Overview
This research addresses the challenges of sustainable agriculture in arid regions, particularly focusing on date palm (Phoenix dactylifera) cultivation. The study introduces an AI-enabled smart farming framework that leverages Machine Learning (ML) and Internet of Things (IoT) technologies to optimize farming practices amidst water scarcity and high temperatures. A comprehensive multimodal dataset was utilized, incorporating biometric features such as palm height, trunk diameter, and leaf number, alongside environmental parameters like soil moisture, temperature, and humidity. The analysis employed four ML algorithms—Random Forest (RF), Gradient Boosting Machine (GBM), Artificial Neural Network (ANN), and Support Vector Machine (SVM)—with the RF model achieving the highest classification accuracy of 95.3%. Key predictors identified for palm health included soil moisture, humidity, trunk diameter, and leaf number.
The proposed AI-IoT framework facilitates real-time monitoring and predictive diagnostics, thereby supporting automated decision-making for sustainable water use and crop management. This aligns with the objectives of Saudi Vision 2030, promoting technology-driven and resource-efficient agricultural practices. The integration of biometric and environmental data within this framework underscores its potential to enhance the sustainability and productivity of date palm farming in challenging climatic conditions.
Introduction
The introduction highlights the pressing challenges faced by the global agricultural sector, particularly in arid and semi-arid regions where date palm cultivation is crucial for socio-economic stability. Traditional farming practices, reliant on manual inspection and farmers’ experience, are insufficient to tackle modern issues such as climate variability, water scarcity, and soil degradation. This situation necessitates the adoption of intelligent, data-driven frameworks to enhance precision management and ensure sustainable farming practices. The date palm industry is experiencing significant growth, with its market value expected to rise from USD 8.3 billion in 2021 to USD 14.2 billion by 2034, driven by increasing consumer demand for fresh and value-added date products.
In Saudi Arabia, the export value of date palms has surged from SAR 0.58 billion in 2016 to SAR 1.70 billion in 2024, reflecting a compound annual growth rate (CAGR) of approximately 12.7%. The integration of Internet of Things (IoT) technologies has transformed agricultural practices, enabling the development of intelligent ecosystems that utilize sensor networks and predictive algorithms for continuous monitoring of critical parameters. In date palm cultivation, AI-driven analytics can enhance predictions of palm health and yield by analyzing biometric and environmental data. However, existing research is often constrained by limited datasets and lacks comprehensive frameworks that integrate multimodal data. Moreover, few initiatives in Saudi Arabia have successfully combined AI and IoT for real-time agricultural management, which limits the scalability and effectiveness of smart farming solutions in arid environments.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility and reliability of results.
Additionally, the section may include information on statistical analyses performed, such as the tests used to evaluate significance, sample sizes, and any controls implemented to mitigate bias. Overall, this section serves to provide a comprehensive overview of the experimental framework, enabling readers to understand and replicate the study’s findings.
Results
The results of the study present a comprehensive analysis of the proposed AI-based smart farming framework, encompassing exploratory data analysis, model evaluation, and a comparative performance assessment. The findings indicate that the framework effectively enhances agricultural productivity and resource management, aligning with the sustainability objectives outlined in Saudi Arabia’s Vision 2030.
In the context of Saudi Arabia’s agricultural transformation goals, the results underscore the potential of AI technologies to optimize farming practices, improve crop yields, and promote sustainable resource use. The discussion highlights the implications of these findings for policy and practice, emphasizing the role of innovative agricultural solutions in achieving national sustainability initiatives.
Discussion
This study introduces an AI-enabled Smart Farming Framework designed for sustainable date palm cultivation in arid regions, addressing critical challenges such as water scarcity and inconsistent crop yields. The framework integrates biometric and climatic data for real-time monitoring, predictive diagnostics, and automated irrigation control. Key objectives include comprehensive data preprocessing to uncover relationships between biometric and environmental features, optimization of machine learning models (Random Forest, Gradient Boosting, Artificial Neural Network, and Support Vector Machine) for palm health classification and yield prediction, and the establishment of a scalable AI-IoT architecture. The framework aligns with Saudi Vision 2030, promoting agricultural resilience and digital transformation through enhanced decision-making capabilities.
The research highlights the significance of integrating multimodal datasets, as traditional methods often focus on single-variable analyses, limiting model applicability. The proposed framework utilizes a structured dataset comprising 500 records of palm features and environmental conditions, enabling robust predictive modeling. Performance evaluations reveal that the Random Forest model achieved the highest classification accuracy (95.3%) and demonstrated strong predictive capabilities for key environmental parameters, such as soil moisture and temperature, with coefficients of determination exceeding 0.97. This underscores the framework’s potential to optimize irrigation practices and improve resource management in arid agricultural systems, ultimately contributing to sustainable agriculture in Saudi Arabia.