DOI: https://doi.org/10.1007/s10791-026-09952-8
تاريخ النشر: 2026-02-03
المؤلف: S. China Ramu وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
يتناول القسم التحديات الملحة لإنتاجية الزراعة واستدامتها في سياق تقلب المناخ وقيود الموارد. إن الممارسات الزراعية التقليدية، التي غالبًا ما تعتمد على الحدس، غير كافية لتحسين استخدام الموارد وتحقيق غلات المحاصيل المتسقة. هناك حاجة متزايدة لأنظمة ذكية قادرة على معالجة بيانات متنوعة لتعزيز اتخاذ القرار في الزراعة.
يتم تقديم نموذج AgriCLWO-Net كحل للمجتمعات الزراعية ذات الموارد المحدودة، حيث يقدم إطار دعم قرار منخفض التعقيد متوافق مع أجهزة استشعار إنترنت الأشياء (IoT) والأجهزة الطرفية الميسورة التكلفة. تقلل هيكله الخفيف من متطلبات الحوسبة والطاقة بينما تسهل التقييمات الدقيقة لصحة المحاصيل وإدارة الموارد بكفاءة. أظهر النموذج دقة تصنيف تبلغ 98.54% في تحديد صحة المحاصيل باستخدام بيانات استشعار مكانية زمنية، مما أدى إلى زيادة بنسبة 27.93% في كفاءة استخدام المياه وتقليل بنسبة 21.64% في استخدام الأسمدة. وبالتالي، تحسن مؤشر الاستدامة من 0.54 إلى 0.76 بعد التنفيذ. قد تعزز الأبحاث المستقبلية AgriCLWO-Net من خلال دمج مصادر بيانات إضافية، مثل صور الأقمار الصناعية وتوقعات الطقس، لتحسين الاستدامة الزراعية والدقة بشكل أكبر.
طرق
تدمج المنهجية المقترحة، AgriCLWO-Net، ثلاثة مكونات أساسية لتعزيز الزراعة الدقيقة من خلال ممارسات ذكية وفعالة من حيث الموارد. أولاً، يتم استخدام شبكة عصبية تلافيفية خفيفة الوزن (CNN) لاستخراج الميزات المكانية من صور المحاصيل، مما يتيح التعرف الفعال على المؤشرات المرئية لصحة النبات. ثانيًا، تلتقط شبكة الذاكرة طويلة وقصيرة المدى (LSTM) الاعتماديات الزمنية في بيانات الاستشعار المتعددة المتغيرات، مما يسهل النمذجة الدقيقة للظروف البيئية والتربة المتغيرة مع الزمن. أخيرًا، يتم استخدام خوارزمية تحسين الحيتان (WOA) لتحسين المعلمات الفائقة الحرجة وعوامل القرار، مما يحسن دقة التنبؤ واستخدام الموارد مع ضمان التكيف مع البيئات الزراعية المتغيرة.
تقدم الدراسة منصة ذكاء اصطناعي للأشياء (AIoT) في الوقت الحقيقي للزراعة الدقيقة المستدامة، والتي تدمج بيانات استشعار البيئة مع نموذج التعلم العميق الهجين، AgriCLWO-Net. يتكون هيكل AIoT من خمس مراحل وظيفية: اكتساب بيانات الاستشعار، النقل اللاسلكي، المعالجة المسبقة على الحافة، النمذجة الزمنية المعتمدة على التعلم العميق، وتوصية العمل، كما هو موضح في الشكل 1. يتم توضيح كل مرحلة في الأقسام التالية، مع تسليط الضوء على النهج الشامل لتعزيز الممارسات الزراعية من خلال التكنولوجيا المتقدمة.
مناقشة
تسلط المناقشة الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) وتعلم الآلة (ML) على الزراعة، مع التأكيد على دورها في تعزيز الإنتاجية والاستدامة من خلال اتخاذ القرار القائم على البيانات. تمكّن تقنيات الذكاء الاصطناعي المزارعين من تحسين استخدام الموارد من خلال تقديم رؤى حول المعلمات الزراعية الحرجة مثل جودة التربة، وتوافر المياه، والظروف المناخية. يسهل دمج أنظمة الذكاء الاصطناعي وإنترنت الأشياء (IoT) المراقبة في الوقت الحقيقي والتحليلات التنبؤية، مما يسمح بإجراء تعديلات ديناميكية في الممارسات الزراعية، وهو ما يعد مفيدًا بشكل خاص في المناطق النامية مثل الهند. تؤكد الدراسة على ضرورة تقييم أداء حلول AIoT لضمان فعاليتها في معالجة تحديات الأمن الغذائي واستدامة البيئة.
توضح الأبحاث أيضًا إطار عمل AgriCLWO-Net، الذي يجمع بين بيانات الاستشعار وصور المحاصيل لتحسين الزراعة الدقيقة. يستخدم هذا النموذج الهجين شبكات الذاكرة طويلة وقصيرة المدى (LSTM) لتحليل البيانات الزمنية وشبكة عصبية تلافيفية خفيفة الوزن (CNN) لاستخراج الميزات المكانية. يتم استخدام خوارزمية تحسين الحيتان (WOA) لتحسين المعلمات الفائقة، مما يعزز أداء النموذج وكفاءة الموارد. يقوم نظام دعم القرار (DSS) داخل AgriCLWO-Net بأتمتة إدارة الري والمغذيات بناءً على التنبؤات في الوقت الحقيقي، متكيفًا مع الظروف الزراعية المتغيرة. يتم قياس فعالية النظام باستخدام مؤشر الاستدامة (SI)، الذي يتضمن مقاييس مثل زيادة الغلة، وتقليل الطاقة، وتوفير المياه، مما يوفر تقييمًا شاملاً لتأثير النموذج على الزراعة المستدامة.
DOI: https://doi.org/10.1007/s10791-026-09952-8
Publication Date: 2026-02-03
Author(s): S. China Ramu et al.
Primary Topic: Smart Agriculture and AI
Overview
The section discusses the pressing challenges of agricultural productivity and sustainability in the context of climate variability and resource limitations. Traditional agricultural practices, often based on intuition, are insufficient for optimizing resource use and achieving consistent crop yields. There is a growing need for intelligent systems capable of processing diverse data to enhance decision-making in agriculture.
The AgriCLWO-Net model is presented as a solution for resource-limited agricultural communities, offering a low-complexity decision-support framework compatible with affordable IoT sensors and edge devices. Its lightweight architecture reduces computational and energy demands while facilitating accurate assessments of crop health and efficient resource management. The model demonstrated a classification accuracy of 98.54% in determining crop health using spatiotemporal sensor data, resulting in a 27.93% increase in water use efficiency and a 21.64% reduction in fertilizer use. Consequently, the Sustainability Index improved from 0.54 to 0.76 post-implementation. Future research may enhance AgriCLWO-Net by integrating additional data sources, such as satellite imagery and weather forecasts, to further improve agricultural sustainability and precision.
Methods
The proposed methodology, AgriCLWO-Net, integrates three essential components to enhance precision agriculture through intelligent and resource-efficient practices. First, a lightweight Convolutional Neural Network (CNN) is utilized to extract spatial features from crop images, effectively identifying visible indicators of plant health. Second, a Long Short-Term Memory (LSTM) network captures temporal dependencies in multivariate sensor data, facilitating the accurate modeling of time-varying environmental and soil conditions. Lastly, the Whale Optimization Algorithm (WOA) is employed to optimize critical hyperparameters and decision thresholds, thereby improving prediction accuracy and resource utilization while ensuring adaptability to changing agricultural environments.
The study introduces a real-time Artificial Intelligence of Things (AIoT) platform for sustainable precision agriculture, which integrates environmental sensor data with the hybrid deep learning model, AgriCLWO-Net. The AIoT architecture comprises five functional phases: sensor data acquisition, wireless transmission, edge preprocessing, deep learning-based temporal modeling, and action recommendation, as illustrated in Figure 1. Each phase is elaborated upon in the subsequent sections, highlighting the comprehensive approach to enhancing agricultural practices through advanced technology.
Discussion
The discussion highlights the transformative impact of artificial intelligence (AI) and machine learning (ML) on agriculture, emphasizing their role in enhancing productivity and sustainability through data-driven decision-making. AI technologies enable farmers to optimize resource use by providing insights into critical agricultural parameters such as soil quality, water availability, and climatic conditions. The integration of AI and Internet of Things (IoT) systems facilitates real-time monitoring and predictive analytics, allowing for dynamic adjustments in farming practices, which is particularly beneficial in developing regions like India. The study underscores the necessity of evaluating the performance of AIoT solutions to ensure their effectiveness in addressing food security and environmental sustainability challenges.
The research also details the AgriCLWO-Net framework, which combines sensor data and crop images to improve precision farming. This hybrid model employs Long Short-Term Memory (LSTM) networks for temporal data analysis and a lightweight convolutional neural network (CNN) for spatial feature extraction. The Whale Optimization Algorithm (WOA) is utilized to optimize hyperparameters, enhancing model performance and resource efficiency. The decision support system (DSS) within AgriCLWO-Net automates irrigation and nutrient management based on real-time predictions, adapting to varying agricultural conditions. The effectiveness of the system is quantified using a Sustainability Index (SI), which incorporates metrics such as yield increase, energy reduction, and water savings, thereby providing a comprehensive assessment of the model’s impact on sustainable agriculture.