DOI: https://doi.org/10.1038/s41598-025-93417-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40097589
تاريخ النشر: 2025-03-17
المؤلف: Gurpreet Singh وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نموذج توصية المحاصيل التحويلي (TCRM)، وهو نهج مبتكر يستفيد من تقنيات التعلم الآلي المتقدمة والتكنولوجيا السحابية لتقديم توصيات مخصصة للمحاصيل تهدف إلى تعزيز الإنتاجية الزراعية. يستخدم TCRM بيانات في الوقت الحقيقي، ويشمل عوامل بيئية وزراعية، لتحسين التوصيات للمزارعين، خاصة في المناطق النائية، من خلال تنبيهات SMS. يظهر النموذج أداءً متفوقًا مقارنة بالخوارزميات التقليدية، حيث حقق دقة 94%، و دقة 94.46%، ودرجة F1 تبلغ 93.97%، مما يمكّن المزارعين من الحصول على رؤى قابلة للتنفيذ تقلل من هدر الموارد وتحسن الغلة.
في الخاتمة، يؤكد المؤلفون على إمكانية TCRM في إحداث ثورة في الزراعة الدقيقة من خلال دمج تقنيات التعلم الآلي العلمي وتقنيات التعلم العميق. يسمح نشر النموذج على منصة سحابية بتقديم توصيات قابلة للتوسع وواعية للسياق، مما يعزز صحة المياه والتربة بينما يحسن غلة المحاصيل تحت قيود الموارد، كما يتضح من دراسة حالة في بنجاب، الهند. يمكن أن تشمل التحسينات المستقبلية تطوير نماذج محددة للمنطقة، ودمج أجهزة إنترنت الأشياء لجمع البيانات في الوقت الحقيقي، ودمج تدابير الاستدامة. بالإضافة إلى ذلك، يقترح المؤلفون أن استخدام تقنيات الشرح مثل SHAP و LIME يمكن أن يعزز الثقة بين أصحاب المصلحة، مما يزيد من فعالية النموذج وملاءمته في سياقات زراعية متنوعة.
طرق
في هذا القسم، يصف المؤلفون تطوير نموذج توصية المحاصيل التحويلي (TCRM) القائم على السحابة والذي يهدف إلى تحسين دقة توصيات المحاصيل. يدمج TCRM تقنيات التعلم العميق المتقدمة مع خوارزميات التعلم الآلي التقليدية لتقديم توقعات محددة للسياق تتناسب مع الاحتياجات الزراعية. تم تصميم بنية TCRM لتعزيز دقة التوصيات من خلال الجمع بين هذه المنهجيات، بالإضافة إلى نظام توليد تنبيهات SMS للإشعارات في الوقت المناسب.
تشمل تحليل البيانات والمنهجية المستخدمة في هذه الدراسة عملية جمع بيانات شاملة واستخدام أدوات حوسبة متنوعة، وهي ضرورية لتحقيق أهداف الدراسة. يشير المؤلفون إلى شكل (الشكل 2) الذي يوضح المنهجيات المستخدمة، على الرغم من عدم تقديم تفاصيل محددة بشأن تقنيات جمع البيانات وتحليلها في هذا المقتطف.
النتائج
تظهر نتائج الدراسة فعالية نموذج توصية المحاصيل التحويلي (TCRM) المقترح مقارنة بالخوارزميات التقليدية مثل الانحدار اللوجستي، وجيران K الأقرب (KNN)، وAdaBoost. حقق TCRM مقاييس مثيرة للإعجاب، بما في ذلك دقة 94.46%، واسترجاع 94.00%، ودرجة F1 تبلغ 93.97%، بالإضافة إلى درجة تحقق عبر التحقق المتقاطع الخماسي تبلغ 97.67%. تشير هذه النتائج إلى تحسين كبير في الأداء مقارنة بالخوارزميات الأساسية، مع تسليط الضوء بشكل خاص على أوجه القصور في AdaBoost، الذي حقق فقط 11.50% في الدقة. يؤكد الأداء القوي لنموذج TCRM ملاءمته لاتخاذ القرارات الزراعية في الوقت الحقيقي، حيث يقدم توصيات دقيقة وفي الوقت المناسب للمحاصيل، وهو أمر حاسم لتحسين الغلة واستخدام الموارد.
بالإضافة إلى ذلك، تؤكد البحث على أهمية الرؤى المستندة إلى البيانات المستمدة من مجموعة بيانات شاملة تشمل معلمات زراعية رئيسية مثل مستويات النيتروجين، والفوسفور، والبوتاسيوم، ودرجة الحرارة، والرطوبة، ودرجة الحموضة، وهطول الأمطار. كشفت تحليل الارتباط عن علاقات قوية بين هذه الميزات، والتي تعتبر حاسمة لتحديد توصيات المحاصيل المثلى. يعزز نشر TCRM على منصة سحابية إمكانية الوصول للمزارعين، مما يمكّن من تقديم توصيات في الوقت الحقيقي وتنبيهات SMS مصممة لتناسب ظروف زراعية محددة. لا تدعم هذه التكاملات التكنولوجية فقط ممارسات الزراعة الفعالة ولكنها تساهم أيضًا في الأهداف الأوسع للاستدامة والأمن الغذائي، مما يجعل TCRM أداة قيمة للزراعة الحديثة.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على دمج تقنيات التعلم الآلي (ML) وإنترنت الأشياء (IoT) في تطوير نظام توصية المحاصيل القائم على السحابة، والذي يُطلق عليه نموذج توصية المحاصيل التحويلي (TCRM). يستفيد هذا النظام من البيانات من العديد من أجهزة إنترنت الأشياء التي تراقب المتغيرات الزراعية الحرجة مثل رطوبة التربة، ودرجة الحرارة، والرطوبة. من خلال استخدام خوارزميات ML، يمكن لـ TCRM تحديد العوامل الرئيسية التي تؤثر على غلة المحاصيل وتقديم توصيات مخصصة بناءً على الظروف المحلية، والبيانات التاريخية، والتغيرات البيئية. يسمح تكيف هذه الخوارزميات بتقديم توصيات ديناميكية، مثل اقتراح محاصيل مقاومة للجفاف خلال المواسم الجافة أو تقديم نصائح حول تدوير المحاصيل لتعزيز خصوبة التربة.
تؤكد الورقة على قابلية التوسع وسهولة الوصول إلى الأنظمة المدعومة بالتعلم الآلي، مما يتيح ممارسات زراعية مستندة إلى البيانات للمزارعين على مستوى العالم، بما في ذلك أولئك في البيئات المحدودة الموارد. علاوة على ذلك، يعزز TCRM ممارسات الزراعة المستدامة من خلال تقديم استراتيجيات مثل تدوير المحاصيل وزراعة المحاصيل المغطاة، مما يساهم في الاستدامة الزراعية العالمية. تشمل المنهجية إطار عمل قوي لمعالجة البيانات لضمان جودة البيانات وموثوقيتها، تليها تطبيق تقنيات ML متنوعة، بما في ذلك التعلم العميق، لتعزيز دقة التنبؤ. يسهل نشر النموذج كتطبيق قائم على السحابة تقديم توصيات في الوقت الحقيقي، مما يحسن عمليات اتخاذ القرار للمزارعين ويزيد من غلة المحاصيل مع تقليل الأثر البيئي.
DOI: https://doi.org/10.1038/s41598-025-93417-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40097589
Publication Date: 2025-03-17
Author(s): Gurpreet Singh et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents the Transformative Crop Recommendation Model (TCRM), a novel approach that leverages advanced machine learning and cloud technology to provide personalized crop recommendations aimed at enhancing agricultural productivity. TCRM utilizes real-time data, incorporating environmental and agronomic factors, to optimize recommendations for farmers, particularly in remote areas, through SMS alerts. The model demonstrates superior performance compared to traditional algorithms, achieving 94% accuracy, 94.46% precision, and a 93.97% F1 score, thereby empowering farmers with actionable insights that reduce resource wastage and improve yield.
In the conclusion, the authors emphasize TCRM’s potential to revolutionize precision agriculture by integrating scientific machine learning and deep learning techniques. The model’s deployment on a cloud platform allows for scalable and context-aware recommendations, enhancing water and soil health while optimizing crop yields under resource constraints, as evidenced by a case study in Punjab, India. Future enhancements could include the development of region-specific models, the integration of IoT devices for real-time data collection, and the incorporation of sustainability measures. Additionally, the authors suggest that employing explainability techniques like SHAP and LIME could foster trust among stakeholders, further refining the model’s effectiveness and relevance in diverse agricultural contexts.
Methods
In this section, the authors describe the development of a cloud-based Transformative Crop Recommendation Model (TCRM) aimed at improving the accuracy of crop recommendations. The TCRM integrates advanced deep learning techniques with traditional machine learning algorithms to provide context-specific predictions tailored to agricultural needs. The architecture of TCRM is designed to enhance the precision of recommendations through a combination of these methodologies, alongside an SMS alert generation system for timely notifications.
The data analysis and methodology employed in this study involve a comprehensive database collection process and the use of various computing tools, which are essential for achieving the study’s objectives. The authors reference a figure (Fig. 2) that illustrates the methodologies employed, although specific details regarding the data collection and analysis techniques are not provided in this excerpt.
Results
The results of the study demonstrate the effectiveness of the proposed Transformative Crop Recommendation Model (TCRM) in comparison to traditional algorithms such as logistic regression, K-nearest neighbors (KNN), and AdaBoost. TCRM achieved impressive metrics, including a precision of 94.46%, recall of 94.00%, and an F1-score of 93.97%, alongside a fivefold cross-validation score of 97.67%. These results indicate a significant improvement in performance over the baseline algorithms, particularly highlighting the shortcomings of AdaBoost, which scored only 11.50% in accuracy. The TCRM model’s robust performance underscores its suitability for real-time agricultural decision-making, providing accurate and timely crop recommendations that are crucial for optimizing yield and resource use.
Additionally, the research emphasizes the importance of data-driven insights derived from a comprehensive dataset that includes key agricultural parameters such as nitrogen, phosphorus, potassium levels, temperature, humidity, pH, and rainfall. The correlation analysis revealed strong relationships among these features, which are critical for determining optimal crop recommendations. The deployment of TCRM on a cloud-based platform enhances accessibility for farmers, enabling real-time recommendations and SMS alerts tailored to specific agricultural conditions. This integration of technology not only supports efficient farming practices but also contributes to broader goals of sustainability and food security, making TCRM a valuable tool for modern agriculture.
Discussion
The discussion section of the paper highlights the integration of machine learning (ML) and Internet of Things (IoT) technologies in developing a cloud-based crop recommendation system, termed the Transformative Crop Recommendation Model (TCRM). This system leverages data from numerous IoT devices that monitor critical agricultural variables such as soil moisture, temperature, and humidity. By employing ML algorithms, the TCRM can identify key factors influencing crop yield and provide tailored recommendations based on local conditions, historical data, and environmental changes. The adaptability of these algorithms allows for dynamic recommendations, such as suggesting drought-resistant crops during dry seasons or advising on crop rotation to enhance soil fertility.
The paper emphasizes the scalability and accessibility of ML-powered systems, democratizing data-driven agricultural practices for farmers globally, including those in resource-limited settings. Furthermore, the TCRM promotes sustainable farming practices by recommending strategies like crop rotation and cover cropping, ultimately contributing to global agricultural sustainability. The methodology includes a robust data preprocessing framework to ensure data quality and reliability, followed by the application of various ML techniques, including deep learning, to enhance predictive accuracy. The deployment of the model as a cloud-based application facilitates real-time recommendations, thereby improving decision-making processes for farmers and potentially increasing crop yields while minimizing environmental impact.