DOI: https://doi.org/10.1038/s41598-025-11780-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40691684
تاريخ النشر: 2025-07-21
المؤلف: Muhammad Ashfaq وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تقدم هذه البحث DeepAgroNet، وهو إطار عمل للتعلم العميق ذو ثلاثة فروع مصمم لتعزيز دقة توقعات إنتاج القمح الشتوي في جنوب باكستان من خلال دمج صور الأقمار الصناعية، والبيانات المناخية، وخصائص التربة. يستخدم الإطار ثلاثة نماذج متقدمة من التعلم العميق – الشبكات العصبية التلافيفية (CNN)، الشبكات العصبية المتكررة (RNN)، والشبكات العصبية الاصطناعية (ANN) – تم تدريبها على بيانات الإنتاج غير المتجهة من 2017 إلى 2022. استخدمت الدراسة منصة Google Earth Engine لمعالجة البيانات، حيث أظهرت CNN أعلى فعالية، محققة قيمة $R^2$ تبلغ 0.77 ودقة توقع تبلغ 98% قبل شهر من الحصاد. حافظت جميع النماذج على معدلات خطأ في الإنتاج أقل من 10%، مما يبرز قدرتها على دمج أنواع البيانات المتنوعة بشكل فعال.
تشير النتائج إلى أنه بينما توفر النماذج توقعات إنتاجية دقيقة إلى حد معقول، فإن الدقة تختلف حسب الخوارزمية وتتأثر بالعوامل الإقليمية. تسلط الدراسة الضوء على إمكانيات DeepAgroNet لتحسين الزراعة الدقيقة والمساهمة في الأمن الغذائي في باكستان، مع آثار على التطبيقات الأوسع في مناطق زراعية أخرى. ومع ذلك، تشمل القيود الاعتماد على مجموعة بيانات محددة، والتي قد لا تلتقط التنوع الكامل للظروف البيئية، والتحديات المتعلقة بالتعقيد الحسابي وقابلية تفسير النموذج. يُوصى بإجراء أبحاث مستقبلية لتوسيع مجموعات البيانات، واستكشاف أساليب النمذجة الهجينة، وتعزيز شفافية النموذج، وتطوير حلول قابلة للتوسع للبيئات ذات الموارد المحدودة.
الطرق
في هذا القسم، يوضح المؤلفون المنهجيات المستخدمة لتحليل الخصائص المناخية ومجموعات البيانات ذات الصلة بتوقع إنتاج القمح في ملتان، البنجاب، باكستان، من 2017 إلى 2022. تقارن الدراسة أداء ثلاثة نماذج من التعلم العميق: الشبكات العصبية التلافيفية (CNN)، الشبكات العصبية الاصطناعية (ANN)، والشبكات العصبية المتكررة (RNN). تشير النتائج إلى أن CNN تفوقت على كل من ANN و RNN في توقع إنتاج القمح، محققة دقة تبلغ 97% وخطأ متوسط الجذر التربيعي (RMSE) قدره 0.2667، كما هو موضح في الجدول 12. يُعزى هذا الأداء المتفوق إلى قدرة CNN على التقاط الأنماط والعلاقات المكانية المعقدة في البيانات، والتي تعتبر حاسمة لفهم تأثير العوامل البيئية مثل درجة الحرارة وهطول الأمطار على نمو القمح.
تؤكد النتائج تأثير الظروف المناخية على إنتاج القمح، مشيرة إلى أن درجات الحرارة المثلى للنمو تتراوح بين 15 و 25 درجة مئوية، مع انخفاض الإنتاج بنسبة 10% لكل درجة مئوية فوق 25 درجة مئوية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على أهمية هطول الأمطار، حيث يؤثر الهطول المفرط أو غير الكافي سلبًا على الإنتاج. يناقش المؤلفون أيضًا دور العوامل الاجتماعية والاقتصادية، مثل تطبيق الأسمدة وممارسات المزارعين، في التأثير على إنتاج القمح. بشكل عام، تؤكد الأبحاث على إمكانيات نماذج التعلم الآلي، وخاصة CNN، في تعزيز دقة توقع الإنتاج من خلال دمج البيانات البيئية والاجتماعية والاقتصادية، مما يوفر رؤى قيمة لإدارة الزراعة وصنع السياسات.
النتائج
تشير نتائج الدراسة إلى أن أداء الشبكة العصبية الاصطناعية (ANN)، والشبكة العصبية التلافيفية (CNN)، والشبكة العصبية المتكررة (RNN) في توقع إنتاج القمح الشتوي على مستوى المقاطعة تم تقييمه باستخدام خطأ متوسط الجذر التربيعي (RMSE) ومعامل التحديد ($R^2$) كما هو ملخص في الجدول 6. كشفت التحليلات أن قيم RMSE و $R^2$ ظلت مستقرة نسبيًا عبر السنوات، حيث أظهرت جميع النماذج الستة قدرات تنبؤية قوية، محققة متوسط $R^2 \geq 0.85$ و RMSE ≤ 768 كجم/هكتار من 2017 إلى 2022.
من الجدير بالذكر أن نموذج CNN أظهر RMSE كبير قدره 2.2667 (39.05 لكل فدان، مما يمثل 15.8% من متوسط الإنتاج) في عام 2017، مما يشير إلى تباين في أداء النموذج خلال ذلك العام. تم حساب النتائج كمتوسط عبر عدة جولات لتخفيف آثار التهيئة العشوائية والانقطاع أثناء تدريب نموذج التعلم العميق، مما يضمن قوة النتائج. بشكل عام، تؤكد الدراسة فعالية هذه النماذج من التعلم العميق في توقع الإنتاج في القمح الشتوي على مستوى المقاطعة.
المناقشة
تستكشف الدراسة توقع إنتاج القمح في منطقة ملتان في باكستان، باستخدام بيانات من 2017 إلى 2022. تؤكد على أهمية العوامل البيئية، مثل درجة الحرارة وهطول الأمطار، بالإضافة إلى خصائص التربة، في التأثير على إنتاج القمح. تستخدم الأبحاث صور الأقمار الصناعية ومؤشر الفرق النباتي المعدل (NDVI) لتقييم صحة النباتات وربطها بنتائج الإنتاج. تم معالجة NDVI، المستمد من بيانات الأقمار الصناعية Landsat 8، باستخدام ArcGIS و Google Earth Engine لإنشاء مجموعة بيانات شاملة تدمج البيانات المناخية وبيانات التربة، مما يسهل توقعًا أكثر دقة لإنتاج القمح.
لتحسين توقع الإنتاج، تستخدم الدراسة نماذج تعلم عميقة متنوعة، بما في ذلك الشبكات العصبية التلافيفية (CNN)، والشبكات العصبية المتكررة (RNN)، والشبكات العصبية الاصطناعية (ANN). تم تصميم كل نموذج لالتقاط جوانب مختلفة من البيانات: تحلل CNN الأنماط المكانية من صور الأقمار الصناعية، تركز RNN على الاعتماد الزمني في بيانات الإنتاج، وتستوعب ANN البيانات الجدولية التي تمثل عوامل زراعية متنوعة. تشير النتائج إلى أن نموذج CNN تفوق على نموذج RNN، متوقعًا الإنتاج بدقة أكبر. تؤكد النتائج على ضرورة دمج البيانات المناخية والتربة المحلية في النماذج التنبؤية لدعم الممارسات الزراعية المستدامة في المنطقة، خاصة في ضوء الآثار المتوقعة لتغير المناخ على إنتاجية المحاصيل.
DOI: https://doi.org/10.1038/s41598-025-11780-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40691684
Publication Date: 2025-07-21
Author(s): Muhammad Ashfaq et al.
Primary Topic: Remote Sensing in Agriculture
Overview
This research presents DeepAgroNet, a three-branch deep learning framework designed to enhance the accuracy of winter wheat yield predictions in southern Pakistan by integrating satellite imagery, meteorological data, and soil characteristics. The framework employs three advanced deep learning models—Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Artificial Neural Networks (ANN)—trained on detrended yield data from 2017 to 2022. The study utilized the Google Earth Engine platform for data processing, with CNN demonstrating the highest effectiveness, achieving an $R^2$ value of 0.77 and a forecast accuracy of 98% one month prior to harvest. All models maintained yield error rates below 10%, underscoring their capability to synthesize diverse data types effectively.
The findings indicate that while the models provide reasonably accurate yield predictions, the accuracy varies by algorithm and is influenced by regional factors. The study highlights the potential of DeepAgroNet to improve precision agriculture and contribute to food security in Pakistan, with implications for broader applications in other agricultural regions. However, limitations include reliance on a specific dataset, which may not capture the full diversity of environmental conditions, and challenges related to computational complexity and model interpretability. Future research is recommended to expand datasets, explore hybrid modeling approaches, enhance model transparency, and develop scalable solutions for resource-constrained environments.
Methods
In this section, the authors detail the methodologies employed to analyze the meteorological characteristics and datasets relevant to wheat yield prediction in Multan, Punjab, Pakistan, from 2017 to 2022. The study compares the performance of three deep learning models: Convolutional Neural Networks (CNN), Artificial Neural Networks (ANN), and Recurrent Neural Networks (RNN). Results indicate that CNN outperformed both ANN and RNN in predicting wheat yields, achieving an accuracy of 97% and a Root Mean Square Error (RMSE) of 0.2667, as shown in Table 12. This superior performance is attributed to CNN’s capability to capture complex spatial patterns and relationships in the data, which are critical for understanding the effects of environmental factors such as temperature and rainfall on wheat growth.
The findings emphasize the impact of climatic conditions on wheat yields, noting that optimal temperatures for growth range between 15 and 25 °C, with yields decreasing by 10% for each degree Celsius above 25 °C. Additionally, the study highlights the importance of rainfall, with excessive or insufficient precipitation adversely affecting yields. The authors also discuss the role of socioeconomic factors, such as fertilizer application and farmer practices, in influencing wheat production. Overall, the research underscores the potential of machine learning models, particularly CNN, in enhancing yield prediction accuracy by integrating environmental and socioeconomic data, thereby providing valuable insights for agricultural management and policy-making.
Results
The results of the study indicate that the performance of the artificial neural network (ANN), convolutional neural network (CNN), and recurrent neural network (RNN) models in predicting winter wheat yields at the district level was evaluated using root mean square error (RMSE) and coefficient of determination ($R^2$) metrics, as summarized in Table 6. The analysis revealed that the RMSE and $R^2$ values remained relatively stable across the years, with all six models demonstrating strong predictive capabilities, achieving an average $R^2 \geq 0.85$ and RMSE ≤ 768 kg/ha from 2017 to 2022.
Notably, the CNN model exhibited a significant RMSE of 2.2667 (39.05 per acre, representing 15.8% of the average yield) in 2017, indicating variability in model performance during that year. The results were averaged over multiple runs to mitigate the effects of random initialization and dropout during deep learning model training, ensuring robustness in the findings. Overall, the study confirms the efficacy of these deep learning models for yield prediction in winter wheat at the district level.
Discussion
The study investigates wheat yield forecasting in the Multan district of Pakistan, utilizing data from 2017 to 2022. It emphasizes the importance of environmental factors, such as temperature and precipitation, as well as soil characteristics, in influencing wheat production. The research employs satellite imagery and the normalized difference vegetation index (NDVI) to assess vegetation health and correlate it with yield outcomes. The NDVI, derived from Landsat 8 satellite data, was processed using ArcGIS and Google Earth Engine to create a comprehensive dataset that integrates meteorological and soil data, facilitating a more accurate prediction of wheat yields.
To enhance yield forecasting, the study employs various deep learning models, including Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Artificial Neural Networks (ANN). Each model is tailored to capture different aspects of the data: CNNs analyze spatial patterns from satellite images, RNNs focus on temporal dependencies in yield data, and ANNs accommodate tabular data representing various agricultural factors. The results indicate that the CNN model outperformed the RNN model, predicting yields with greater accuracy. The findings underscore the necessity of integrating local climatic and soil data into predictive models to support sustainable agricultural practices in the region, particularly in light of projected climate change impacts on crop productivity.