DOI: https://doi.org/10.1007/s11119-026-10344-7
تاريخ النشر: 2026-03-18
المؤلف: Dan Li وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
هدفت الدراسة إلى تطوير استراتيجية مبتكرة لتوصيات النيتروجين (N) خلال الموسم لمحصول الذرة (Zea mays L.) باستخدام تقنيات التعلم الآلي (ML) المجمعة ودمج البيانات من مصادر متعددة. قامت الدراسة بتحليل بيانات من 49 سنة موقعية من تجارب معدلات النيتروجين عبر حزام الذرة في الولايات المتحدة، مع تقييم أداء خمسة خوارزميات تعلم آلي فردية—منحدر الغابة العشوائية (RFR)، منحدر دعم المتجهات (SVR)، منحدر تعزيز التدرج المتطرف (XGBR)، منحدر كات بوست (CBR)، ومنحدر متعدد الطبقات (MLP)—في توقع إنتاجية الذرة وتقدير معدل النيتروجين الاقتصادي الأمثل المحدد للموقع (EONR). أظهر نموذج الانحدار المجمّع (STR2)، الذي جمع بين هذه الخوارزميات، أداءً متفوقًا مع $R^2$ قدره 0.82 وخطأ الجذر التربيعي المتوسط (RMSE) قدره 27.50 كجم N هكتار$^{-1}$.
تشير النتائج إلى أن نهج الانحدار المجمّع، المعزز ببيانات متعددة المصادر، يتنبأ بشكل فعال بإنتاجية الذرة ويوفر توصيات موثوقة للنيتروجين الجانبي. تشمل المتغيرات الرئيسية المحددة معدل النيتروجين قبل الزراعة، ومعدل النيتروجين الجانبي، والفارق الأحمر الطبيعي (NDRE). بينما يقتصر متانة الدراسة إلى حد ما على العدد النسبي الصغير من السنوات الموقعية، إلا أنها تقترح أن توسيع مجموعة البيانات مع تجارب إضافية على الحقول يمكن أن يعزز من قابلية تطبيق النموذج عبر ظروف متنوعة. يظهر الإطار وعدًا في تحسين كفاءة استخدام النيتروجين وربحية المزارع، ويمكن تكييفه لمحاصيل ومناطق أخرى باستخدام تقنيات الاستشعار عن بعد المتقدمة وواجهات التعلم الآلي سهلة الاستخدام.
مقدمة
تؤكد المقدمة على الحاجة الملحة لتحسين إدارة النيتروجين (N) لتعزيز إنتاجية المحاصيل وكفاءة استخدام النيتروجين مع تقليل التكاليف والآثار البيئية. يمكن أن يؤثر تطبيق الأسمدة النيتروجينية غير الكافي أو المفرط سلبًا على إنتاجية المحاصيل وجودتها، مما يستلزم استراتيجيات إدارة نيتروجين دقيقة (PNM) تتماشى مع متطلبات المحاصيل. الطرق التقليدية، مثل اختبار التربة والنبات، تتطلب جهدًا كبيرًا ولا تأخذ في الاعتبار التغيرات البيئية الديناميكية. نهج العائد الأقصى للنيتروجين (MRTN)، على الرغم من فائدته على المستوى الإقليمي، لا يعالج بشكل كافٍ التباين في معدلات النيتروجين المثلى بسبب اختلاف الجينات، والعوامل البيئية، وممارسات الإدارة.
تظهر التطورات الحديثة في تقنيات الاستشعار القريبة وغير المدمرة، وخاصة أجهزة استشعار الغطاء النشط، وعدًا في إدارة النيتروجين الدقيقة المحددة للموقع خلال الموسم. ومع ذلك، غالبًا ما تفتقر الخوارزميات المعتمدة على المستشعرات الموجودة إلى القدرة على التكيف مع الظروف المحلية وتفشل في دمج المتغيرات الحيوية مثل جينات المحاصيل وممارسات الإدارة. ظهرت نماذج التعلم الآلي (ML) كأدوات قوية لتوقع إنتاجية المحاصيل ومعدلات النيتروجين الاقتصادية المثلى (EONR)، لكن معظم الأساليب الحالية لا تستخدم مجموعات بيانات شاملة تشمل أسعار السوق المتقلبة وظروف بيئية متنوعة. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تطوير استراتيجية جديدة لإدارة النيتروجين لمحصول الذرة في الغرب الأوسط الأمريكي، مستفيدة من تقنيات التعلم الآلي المجمعة ودمج البيانات من مصادر متعددة لتعزيز توقعات الإنتاج وتقديرات EONR. تشمل أهداف الدراسة تقييم خوارزميات ML المختلفة ومحاكاة استجابات الإنتاج لمعدلات تطبيق النيتروجين عبر ظروف متنوعة.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات والبروتوكولات المتبعة لجمع البيانات وتحليلها، مع تسليط الضوء على أي طرق إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، بما في ذلك ظروف التحكم وأي متغيرات تم التلاعب بها خلال الدراسة. يضمن هذا النهج الشامل أن تكون النتائج مستندة إلى إطار منهجي قوي، مما يسمح باستخلاص استنتاجات صحيحة من البيانات المجمعة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يبرز الاتجاهات البيانية الهامة، والنتائج الإحصائية، وأي علاقات ملحوظة بين المتغيرات. عادةً ما يتم توضيح النتائج من خلال الجداول، والرسوم البيانية، أو الأشكال، التي توفر تمثيلًا بصريًا للبيانات وتسهّل التفسير.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم بالنسبة للأدبيات الموجودة، مع التأكيد على كيفية مساهمة نتائجهم في الفهم الأوسع للموضوع. بالإضافة إلى ذلك، يتم تناول أي شذوذ أو نتائج غير متوقعة، مما يوفر رؤى حول المجالات المحتملة لمزيد من البحث أو تحسين المنهجيات. بشكل عام، تعتبر النتائج أساسًا للنقاشات والاستنتاجات اللاحقة المستخلصة في الورقة.
النقاش
تقدم الدراسة استراتيجية مبتكرة لإدارة النيتروجين (N) المحددة للموقع خلال الموسم لمحصول الذرة، تم تطويرها من خلال التعاون بين Corteva Agrisciences وعدد من الجامعات. تستخدم هذه الاستراتيجية نهج التعلم الآلي المجمّع، حيث تدمج بيانات أجهزة استشعار الغطاء النشط التي تم جمعها حول مرحلة النمو V9 مع المعلومات الجينية، والتربة، والطقس، والإدارة. الميزة الرئيسية لهذه الطريقة هي قدرتها على توقع استجابات إنتاجية الذرة لمعدلات النيتروجين الجانبي المختلفة مع دمج بيانات أسعار الذرة والأسمدة النيتروجينية في الوقت الحقيقي، مما يسمح بتوصيات محسّنة اقتصاديًا. يتناقض هذا مع الاستراتيجيات السابقة التي غالبًا ما اعتمدت على تسعير ثابت أو لم تأخذ في الاعتبار الربحية.
قيمت الدراسة نماذج متعددة من التعلم الآلي، بما في ذلك انحدار الغابة العشوائية (RFR)، ومنحدر متعدد الطبقات (MLP)، ونماذج الانحدار المجمّع (STR1 وSTR2)، من بين آخرين. أظهرت نماذج الانحدار المجمّع أداءً متفوقًا في توقعات الإنتاج عبر مجموعات بيانات متنوعة، خاصة في تقدير معدلات النيتروجين الاقتصادية المثلى (EONR). بينما تفوقت بعض النماذج في المعايرة، واجهت صعوبات في التحقق، مما يبرز تعقيد التقاط العلاقة غير الخطية بين إنتاجية الذرة وتطبيق النيتروجين. بشكل عام، تؤكد النتائج على إمكانيات تقنيات التعلم الآلي المتقدمة في تعزيز الزراعة الدقيقة، خاصة في تحسين استراتيجيات إدارة النيتروجين المخصصة لظروف بيئية واقتصادية محددة.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حيوية لتحسين تطبيق دمج البيانات من مصادر متعددة ونماذج التعلم الآلي (ML) لتوصيات النيتروجين (N) في إنتاج الذرة. أولاً، يحد تركيز التجارب عبر ثماني ولايات فقط من 2014 إلى 2016 من التباين المكاني والزماني الملتقط، مما يستلزم مجموعة بيانات أوسع تشمل ظروف بيئية متنوعة لتعزيز متانة النموذج. بالإضافة إلى ذلك، بينما أدت النماذج المبسطة عمومًا أداءً جيدًا، إلا أنها أظهرت انحرافات كبيرة في بعض السنوات الموقعية، مما يشير إلى أن الاعتماد على مثل هذه النماذج في ظروف متغيرة قد يؤدي إلى توصيات غير دقيقة. تؤكد الدراسة على الحاجة إلى نهج متوازن يأخذ في الاعتبار العوامل الرئيسية التي تؤثر على استجابات الذرة لتطبيق النيتروجين مع مراعاة إمكانية الوصول إلى البيانات العملية.
علاوة على ذلك، تعترف الدراسة بأن النماذج المبسطة أو الكاملة لم تؤدِ أداءً جيدًا باستمرار عبر جميع المواقع، خاصة في الظروف التي تتسم بتشبع المياه أو عدم توافق توقيت امتصاص النيتروجين. استخدام SHAP لتحليل أهمية الميزات، على الرغم من فائدته، لا يثبت العلاقات السببية، مما يشير إلى الحاجة لمزيد من البحث في طرق الاستدلال السببي. يُوصى بدمج تقنيات التعلم الآلي المتقدمة، مثل الشبكات العصبية الرسومية أو النماذج المعتمدة على المحولات، لتحسين التوقعات. أخيرًا، تدعو الدراسة إلى تطوير أدوات دعم القرار المعتمدة على الويب لتسهيل التطبيق العملي لهذه النتائج، مما يسد الفجوة بين منهجيات التعلم الآلي المتقدمة واتخاذ القرارات الزراعية في العالم الحقيقي.
DOI: https://doi.org/10.1007/s11119-026-10344-7
Publication Date: 2026-03-18
Author(s): Dan Li et al.
Primary Topic: Smart Agriculture and AI
Overview
The research aimed to develop an innovative in-season nitrogen (N) recommendation strategy for corn (Zea mays L.) utilizing stacking ensemble machine learning (ML) and multi-source data fusion. The study analyzed data from 49 site-years of N rate experiments across the U.S. Corn Belt, evaluating the performance of five individual ML algorithms—Random Forest Regressor (RFR), Support Vector Regressor (SVR), Extreme Gradient Boosting Regressor (XGBR), CatBoost Regressor (CBR), and Multi-Layer Perceptron (MLP)—in predicting corn yield and estimating site-specific economic optimal N rate (EONR). The stacking regression model (STR2), which combined these algorithms, demonstrated superior performance with an $R^2$ of 0.82 and a root mean square error (RMSE) of 27.50 kg N ha$^{-1}$.
The findings indicate that the stacking regression approach, enhanced by multi-source data, effectively predicts corn yield and provides reliable sidedress N recommendations. Key predictors identified include preplant N rate, sidedress N rate, and normalized difference red edge (NDRE). While the study’s robustness is somewhat limited by the relatively small number of site-years, it suggests that expanding the dataset with additional plot and on-farm N experiments could enhance the model’s applicability across diverse conditions. The framework shows promise for improving N use efficiency and farm profitability, and it could be adapted for other crops and regions using advanced remote sensing technologies and user-friendly ML interfaces.
Introduction
The introduction emphasizes the critical need for optimizing nitrogen (N) management to enhance crop yields and N use efficiency while minimizing costs and environmental impacts. Insufficient or excessive N fertilizer application can adversely affect crop yield and quality, necessitating precision N management (PNM) strategies that align N supply with crop requirements. Traditional methods, such as soil and plant testing, are labor-intensive and fail to account for dynamic environmental changes. The maximum return to N (MRTN) approach, although useful regionally, does not adequately address the variability in optimal N rates due to differing genotypes, environmental factors, and management practices.
Recent advancements in non-destructive proximal and remote sensing technologies, particularly active canopy sensors, show promise for in-season site-specific PNM. However, existing sensor-based algorithms often lack adaptability to local conditions and fail to incorporate critical variables such as crop genetics and management practices. Machine learning (ML) models have emerged as powerful tools for predicting crop yield and economically optimal N rates (EONR), but most current approaches do not utilize comprehensive datasets that include fluctuating market prices and diverse environmental conditions. This research aims to fill this gap by developing a novel PNM strategy for corn in the U.S. Midwest, leveraging stacking ensemble ML techniques and multi-source data fusion to enhance yield predictions and EONR estimations. The study’s objectives include evaluating various ML algorithms and simulating yield responses to N application rates across diverse conditions.
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, ensuring reproducibility of the experiments. The methodology encompasses the techniques and protocols followed for data collection and analysis, highlighting any statistical methods applied to interpret the results.
Additionally, the section may describe the experimental setup, including control conditions and any variables manipulated during the study. This comprehensive approach ensures that the findings are grounded in a robust methodological framework, allowing for valid conclusions to be drawn from the data collected.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights significant data trends, statistical outcomes, and any observed relationships between variables. The results are typically illustrated through tables, graphs, or figures, which provide a visual representation of the data and facilitate interpretation.
In this section, the authors may also discuss the implications of their findings in relation to existing literature, emphasizing how their results contribute to the broader understanding of the topic. Additionally, any anomalies or unexpected outcomes are addressed, offering insights into potential areas for further investigation or refinement of methodologies. Overall, the results serve as a foundation for the subsequent discussion and conclusions drawn in the paper.
Discussion
The research presents an innovative in-season site-specific nitrogen (N) management strategy for corn, developed through collaboration between Corteva Agrisciences and several universities. This strategy employs a stacking ensemble machine learning (ML) approach, integrating active canopy sensor data collected around the V9 growth stage with genetic, soil, weather, and management information. The primary advantage of this method is its ability to predict corn yield responses to various sidedress N rates while incorporating real-time corn and N fertilizer price data, allowing for economically optimized recommendations. This contrasts with previous strategies that often relied on fixed pricing or did not consider profitability.
The study evaluated multiple ML models, including Random Forest Regression (RFR), Multi-Layer Perceptron (MLP), and Stacking Regression models (STR1 and STR2), among others. The stacking ensemble models demonstrated superior performance in yield predictions across diverse datasets, particularly in estimating economically optimal N rates (EONR). While some models excelled in calibration, they struggled with validation, highlighting the complexity of capturing the nonlinear relationship between corn yield and N application. Overall, the findings underscore the potential of advanced ML techniques in enhancing precision agriculture, particularly in optimizing N management strategies tailored to specific environmental and economic conditions.
Limitations
The limitations of this study highlight several critical areas for improvement in the application of multi-source data fusion and machine learning (ML) models for nitrogen (N) recommendations in corn production. Firstly, the concentration of experiments across only eight states from 2014 to 2016 limits the spatial and temporal variability captured, necessitating a broader dataset that encompasses diverse environmental conditions to enhance model robustness. Additionally, while simplified models generally performed well, they exhibited significant deviations in certain site-years, indicating that reliance on such models in variable conditions could lead to inaccurate recommendations. The study emphasizes the need for a balanced approach that incorporates key factors influencing corn responses to N application while considering practical data accessibility.
Moreover, the study acknowledges that neither simplified nor full models consistently performed well across all sites, particularly in conditions characterized by waterlogging or misalignment of N uptake timing. The use of SHAP for feature importance analysis, while beneficial, does not establish causal relationships, suggesting the need for further research into causal inference methods. The integration of advanced ML techniques, such as Graph Neural Networks or Transformer-based models, is recommended to optimize predictions. Lastly, the study calls for the development of web-based decision support tools to facilitate the practical application of these findings, bridging the gap between advanced ML methodologies and real-world agricultural decision-making.