DOI: https://doi.org/10.3389/fbloc.2026.1766232
تاريخ النشر: 2026-02-02
المؤلف: R. N. V. Jagan Mohan وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تتناول هذه الدراسة التحديات الحرجة في الزراعة، لا سيما بالنسبة للمزارعين الصغار الذين يشاركون في زراعة المحاصيل المتعددة، من خلال دمج تقنية البلوكشين مع التعلم المعزز (RL) المحسن باستخدام الانحدار المتعدد النيوترولوجي للتنبؤ الدقيق بخسائر المحاصيل. باستخدام بيانات من ستة محاصيل—الأرز، الموز، الكركم، يام الفيل، جوز الهند، والكاكاو—حققت الدراسة تقليصًا بنسبة 25%-35% في خسائر المحاصيل المتوقعة وحسنت تتبع سلسلة الإمداد. يعزز الإطار الذي تم تطويره للبلوكشين أمان المعاملات ويسهل تنفيذ العقود الذكية، مما يعزز الشفافية والثقة في المعاملات الزراعية.
تشير نتائج الدراسة إلى أن Neutrosophic-RL حقق متوسط خطأ مطلق (MAE) قدره 12.5% عبر المحاصيل الستة، مما يدل على إدارة فعالة لعدم اليقين في أنظمة المزارعين الصغار. من خلال اعتماد هذا النهج متعدد الأبعاد، تهدف الدراسة إلى تحسين الإنتاجية الزراعية والاستدامة مع معالجة قضايا مثل خصوصية البيانات، والثغرات الأمنية، وتكاليف المعاملات العالية. لا يعزز إطار الزراعة الذكية 5.0 الكفاءة التشغيلية بمعدل كفاءة معاملات يبلغ 85% فحسب، بل يدعو أيضًا إلى مزيد من التحقق الميداني لتقييم قابليته للتطبيق عبر ظروف المناخ الزراعي المتنوعة.
مقدمة
تستعرض مقدمة هذه الورقة البحثية التفاعل المعقد بين الزراعة كفن وعلم، مع التركيز بشكل خاص على التحديات التي يواجهها المزارعون الصغار. لقد قام هؤلاء المزارعون بتنوع محاصيلهم بشكل متزايد لتعزيز الغلات والقدرة على التكيف مع الظروف السلبية، مثل الأحداث الجوية القاسية وآثار تغير المناخ. ومع ذلك، يواجهون عقبات كبيرة، بما في ذلك تفشي الأمراض، و infestations الآفات، وقيود حيازات الأراضي المجزأة. تؤكد الورقة على الحاجة الملحة لتحسين الإنتاجية من خلال ممارسات مبتكرة، لا سيما تنويع المحاصيل واعتماد التقنيات الناشئة.
تركز الدراسة بشكل رئيسي على إمكانية تقنية البلوكشين لتحويل الممارسات الزراعية من خلال تعزيز أمان المعاملات وكفاءتها. تعالج الطبيعة اللامركزية والشفافة للبلوكشين العديد من القضايا المتأصلة في الأنظمة المركزية التقليدية، مثل نقاط الفشل الفردية، وتكاليف المعاملات العالية، ومخاوف خصوصية البيانات. تقترح الدراسة إطارًا يسمى الزراعة الذكية 5.0، الذي يدمج الانحدار المتعدد النيوترولوجي والتعلم المعزز لتنبؤ خسائر المحاصيل، جنبًا إلى جنب مع البلوكشين وإنترنت الأشياء للمعاملات الآمنة. يتم مناقشة المنهجية ونتائج التحقق في الأقسام التالية، مع تسليط الضوء على فعالية الإطار في تحسين كفاءة المعاملات ودقة التنبؤ في سيناريوهات زراعة المحاصيل المتعددة.
الطرق
تستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. توضح معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. نفذ الباحثون تجربة عشوائية محكومة لضمان موثوقية النتائج، مع اتخاذ تدابير محددة لتقليل التحيز والمتغيرات المربكة.
شملت جمع البيانات أدوات وبروتوكولات موحدة لضمان الاتساق عبر التجارب. استخدمت التحليلات أساليب إحصائية متقدمة، بما في ذلك نماذج الانحدار واختبار الفرضيات، لتقييم أهمية النتائج. يبرز القسم صرامة المنهجية، مع تسليط الضوء على كيفية مساهمة هذه الأساليب في صلاحية وعمومية النتائج التي تم الحصول عليها في الدراسة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطور الزراعة الذكية من الزراعة 4.0، التي تركز على إنترنت الأشياء والزراعة الدقيقة، إلى الزراعة 5.0، التي تتميز باتخاذ القرارات المدفوعة بالذكاء الاصطناعي والحوكمة الأخلاقية. يدمج الإطار المقترح المنطق النيوترولوجي مع التعلم المعزز (RL) وتقنية البلوكشين لمعالجة عدم اليقين في توقع خسائر المحاصيل وتعزيز نزاهة سلسلة الإمداد. يهدف هذا النهج المبتكر إلى تحسين ممارسات زراعة المحاصيل المتعددة للمزارعين الصغار، مع ضمان معاملات آمنة وقابلة للتتبع من خلال البلوكشين، مع الاستفادة أيضًا من الذكاء الاصطناعي لتحسين اتخاذ القرارات.
تؤكد الورقة على الإمكانات التحويلية للبلوكشين في الزراعة، مع تسليط الضوء على قدراته في توفير الشفافية، واللامركزية، والأمان. تناقش التحديات التي تواجهها الأنظمة المركزية التقليدية، مثل خصوصية البيانات وتكاليف التشغيل، وتدعو إلى دور البلوكشين في التخفيف من هذه القضايا. يتم تقديم دمج التعلم المعزز لتحسين المعلمات في النماذج النيوترولوجية كتحسين كبير، مما يمكّن من توقعات أكثر دقة لخسائر المحاصيل بسبب عوامل مختلفة، بما في ذلك تغير المناخ. تشير النتائج إلى أن تنويع اختيار المحاصيل يمكن أن يعزز الإنتاجية والقدرة على التكيف، مما يساهم في النهاية في ممارسات زراعية مستدامة. تشمل اتجاهات البحث المستقبلية استكشاف نماذج قابلة للتوسع لاستيعاب التعقيدات المتطورة للعمليات الزراعية.
القيود
تتمثل قيود هذه الدراسة في ثلاثة جوانب. أولاً، مجموعة البيانات مقيدة بستة محاصيل، تتكون من 720 ملاحظة تم جمعها من منطقة بهيمفارام بين عامي 2022 و2024. لتعزيز عمومية النتائج، من الضروري إجراء تحقق متعدد السنوات عبر أكثر من 20 محصولًا في الهند. ثانيًا، تعتبر قابلية توسيع تنفيذ البلوكشين مصدر قلق؛ حيث يدعم شبكة Ganache الحالية 1,000 معاملة فقط، مما يتطلب مزيدًا من الاختبار على الشبكة الرئيسية أو Polygon. بالإضافة إلى ذلك، قد تحد الرسوم المرتبطة من تكاليف المعاملات إلى أقل من ₹100، مما قد يشكل تحديات للمزارعين الصغار. أخيرًا، بينما حقق تحسين التعلم المعزز في المختبر متوسط خطأ مطلق (MAE) قدره 12.5%، فإنه يفتقر إلى التكامل مع أنظمة إنترنت الأشياء في الوقت الحقيقي ولا يأخذ في الاعتبار بيانات اعتماد المزارعين. علاوة على ذلك، تظل أنماط التفاعل بين الإنسان والذكاء الاصطناعي غير مستكشفة، مما يشير إلى فجوة في فهم تفاعل المستخدمين مع الحلول المقترحة.
DOI: https://doi.org/10.3389/fbloc.2026.1766232
Publication Date: 2026-02-02
Author(s): R. N. V. Jagan Mohan et al.
Primary Topic: Smart Agriculture and AI
Overview
The research addresses critical challenges in agriculture, particularly for smallholder farmers engaged in multicropping, by integrating blockchain technology with reinforcement learning (RL)-optimized Neutrosophic multi-regression for accurate crop loss prediction. Utilizing real-world data from six crops—rice, banana, turmeric, elephant foot yam, coconut, and cocoa—the study achieved a 25%-35% reduction in predicted crop losses and improved supply chain traceability. The developed blockchain framework enhances transaction security and facilitates smart contract execution, thereby promoting transparency and trust within agricultural transactions.
The study’s findings indicate that Neutrosophic-RL achieved a mean absolute error (MAE) of 12.5% across the six crops, demonstrating effective uncertainty management for smallholder systems. By employing this multidimensional approach, the research aims to improve agricultural productivity and sustainability while addressing issues such as data privacy, security vulnerabilities, and high transaction costs. The proposed Smart Agriculture 5.0 framework not only enhances operational efficiency with an 85% transaction efficiency rate but also calls for further field validation to assess its applicability across diverse agro-climatic conditions.
Introduction
The introduction of this research paper outlines the complex interplay between agriculture as both an art and a science, particularly focusing on the challenges faced by smallholder farmers. These farmers have increasingly diversified their crop portfolios to enhance yields and resilience against adverse conditions, such as severe weather events and the impacts of climate change. However, they encounter significant obstacles, including disease outbreaks, pest infestations, and the limitations of fragmented land holdings. The paper emphasizes the critical need for improved productivity through innovative practices, notably crop diversification and the adoption of emerging technologies.
A key focus of the study is the potential of blockchain technology to transform agricultural practices by enhancing transaction security and efficiency. Blockchain’s decentralized and transparent nature addresses several issues inherent in traditional centralized systems, such as single points of failure, high transaction costs, and data privacy concerns. The research proposes a framework termed Smart Agriculture 5.0, which integrates Neutrosophic multi-regression and reinforcement learning for crop loss prediction, alongside blockchain and IoT for secure transactions. The methodology and validation results are discussed in subsequent sections, highlighting the framework’s effectiveness in improving transaction efficiency and predictive accuracy in multi-cropping scenarios.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used to analyze the data. The researchers implemented a randomized controlled trial to ensure the reliability of the results, employing specific measures to minimize bias and confounding variables.
Data collection involved standardized instruments and protocols to ensure consistency across trials. The analysis utilized advanced statistical methods, including regression models and hypothesis testing, to evaluate the significance of the findings. The section emphasizes the rigor of the methodology, highlighting how these approaches contribute to the validity and generalizability of the results obtained in the study.
Discussion
The discussion section of the research paper highlights the evolution of smart agriculture from Agriculture 4.0, which emphasizes IoT and precision farming, to Agriculture 5.0, characterized by AI-driven decision-making and ethical governance. The proposed framework integrates Neutrosophic logic with Reinforcement Learning (RL) and blockchain technology to address uncertainties in crop loss prediction and enhance supply chain integrity. This innovative approach aims to optimize multicropping practices for smallholder farmers, ensuring secure and traceable transactions through blockchain, while also leveraging AI for improved decision-making.
The paper underscores the transformative potential of blockchain in agriculture, emphasizing its capabilities in providing transparency, decentralization, and security. It discusses the challenges faced by traditional centralized systems, such as data privacy and operational costs, and advocates for blockchain’s role in mitigating these issues. The integration of RL for hyperparameter optimization in Neutrosophic models is presented as a significant advancement, enabling more accurate predictions of crop loss due to various factors, including climate change. The findings suggest that diversifying crop selection can enhance productivity and resilience, ultimately contributing to sustainable agricultural practices. Future research directions include exploring scalable models to accommodate the evolving complexities of agricultural operations.
Limitations
The limitations of this study are threefold. First, the dataset is restricted to six crops, comprising 720 observations collected from the Bhimavaram region between 2022 and 2024. To enhance the generalizability of the findings, a multi-year validation across more than 20 crops across India is necessary. Second, the scalability of the blockchain implementation is a concern; the current Ganache testnet supports only 1,000 transactions, necessitating further testing on the mainnet or Polygon. Additionally, the associated gas fees may restrict transaction costs to below ₹100, which could pose challenges for smallholder farmers. Lastly, while the laboratory reinforcement learning optimization achieved a mean absolute error (MAE) of 12.5%, it lacks integration with real-time IoT systems and does not account for farmer adoption data. Furthermore, the patterns of human-AI interaction remain unexplored, indicating a gap in understanding user engagement with the proposed solutions.