DOI: https://doi.org/10.1038/s41598-026-53616-y
PMID: https://pubmed.ncbi.nlm.nih.gov/42174018
تاريخ النشر: 2026-05-22
المؤلف: Ibrahim Ahmad Cheema وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم ورقة البحث نموذجًا جديدًا، MHCNN-LSTM-MHA، مصممًا لتعزيز دقة توقعات إنتاج المحاصيل، وخاصة لمحاصيل فول الصويا في الولايات المتحدة. من خلال دمج الشبكات العصبية التلافيفية متعددة الرؤوس (CNNs) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) وآليات الانتباه متعددة الرؤوس (MHA)، يعالج النموذج التحديات مثل التدرجات غير المستقرة والقدرة المحدودة على التعميم التي تسود في أساليب التعلم العميق التقليدية. استخدمت الدراسة مجموعة بيانات شاملة تشمل ظروف الطقس وخصائص التربة وممارسات الإدارة والعوائد التاريخية، محققة خطأ الجذر التربيعي المتوسط (RMSE) قدره 3.75 بوشل لكل فدان ومعامل تحديد ($R^2 = 0.905$)، مما يمثل تحسينًا بنسبة 9.86% مقارنة بالمعايير السابقة.
لم يتفوق نموذج MHCNN-LSTM-MHA على النماذج المعتمدة فحسب، بل قدم أيضًا قابلية تفسير محسّنة من خلال تحليل قائم على SHAP، كاشفًا أن إنتاج المحاصيل حساس بشكل خاص لمتغيرات الطقس (مثل، الهطول، الإشعاع الشمسي) وحساس بشكل معتدل لخصائص التربة (مثل، الرقم الهيدروجيني، محتوى الطين). تعتبر هذه القابلية للتفسير حاسمة للتطبيقات العملية في الزراعة الذكية، حيث تتيح للمساهمين فهم العوامل الأساسية التي تؤثر على توقعات الإنتاج. تسهل الكفاءة الحسابية للنموذج ونسبة الدقة إلى التكلفة نشره عبر مختلف البيئات الزراعية، مما يضمن الوصول العادل إلى تحليلات تنبؤية متقدمة. تشمل الاتجاهات المستقبلية توسيع النموذج ليشمل محاصيل أخرى، ودمج بيانات المستشعرات في الوقت الحقيقي، واستخدام تقنيات التعلم المتقدمة لتعزيز التكيف والأداء في سياقات زراعية متنوعة.
مقدمة
تؤكد المقدمة على الدور الحاسم لتوقع إنتاج المحاصيل بدقة في مواجهة تحديات الأمن الغذائي وضمان إمدادات غذائية مستقرة. تسهل تقديرات العائد الموثوقة اتخاذ قرارات مستنيرة لصانعي السياسات بشأن الواردات والصادرات، وتمكن المزارعين من تحسين الإدارة المالية، وتساعد شركات البذور في تقييم أداء الأصناف الجديدة عبر بيئات مختلفة. نظرًا لضغوط زيادة عدد السكان، وتناقص الأراضي القابلة للزراعة، والآثار السلبية لتغير المناخ، فإن تعزيز توقعات إنتاج المحاصيل على نطاق أوسع وبكلفة أقل أمر ضروري.
على الرغم من التقدم في إنتاج المحاصيل على مدى الخمسين عامًا الماضية، لا يزال حوالي 800 مليون شخص يعانون من انعدام الأمن الغذائي على مستوى العالم. تؤكد أجندة الأمم المتحدة 2030 للتنمية المستدامة على ضرورة القضاء على الجوع وتحسين الأمن الغذائي. تعتبر توقعات العائد الدقيقة ضرورية لجميع أصحاب المصلحة في القطاع الزراعي، بما في ذلك المزارعين والتجار، حيث تؤثر بشكل مباشر على التخطيط المالي وتخصيص الموارد، بينما تتيح أيضًا التدخلات في الوقت المناسب في عمليات الإنتاج.
طرق البحث
تحدد قسم المنهجية نهجًا شاملاً لنمذجة عوائد فول الصويا في الولايات المتحدة باستخدام مجموعة بيانات متعددة المصادر تمتد على 39 عامًا. تبدأ العملية بتحليل البيانات الاستكشافية (EDA) لإبلاغ المعالجة المسبقة، تليها تقسيمات زمنية واعية لمجموعة البيانات إلى مجموعات فرعية. تستخدم الدراسة نماذج متنوعة، بما في ذلك النموذج المقترح MHCNN-LSTM-MHA، وCNN، وLSTM، وCNN-LSTM، جميعها تخضع لتحسين المعلمات وتقييمها باستخدام مقاييس متقدمة. يتم تقييم أهمية الميزات باستخدام تقنية تفسير SHAP.
في الإعداد التجريبي، يتم تدريب جميع النماذج على شبكة موحدة، مما ينتج عنه 14,400 شبكة مدربة من خلال التحقق المتقاطع 5-fold. يتم تنفيذ التوقف المبكر لمنع الإفراط في التكيف، مع انخفاض مستمر في خسارة التحقق وعدم وجود حالات من عدم استقرار التدرجات. تشير النتائج إلى تحسينات كبيرة في الدقة لنموذج MHCNN-LSTM-MHA مقارنة بـ CNN-LSTM وLSTM وCNN، مع اختلافات RMSE المقترنة yielding p-value قدره 0.031، مما يؤدي إلى رفض الفرضيات الصفرية. تركز التحليل على مقاييس الانحدار بسبب الطبيعة المستمرة لبيانات إنتاج المحاصيل، متجنبًا التصنيفات التعسفية التي قد تحجب رؤى زراعية قيمة. يتم تنفيذ العملية بالكامل في بايثون باستخدام TensorFlow، مما يضمن إمكانية إعادة الإنتاج من خلال بذور عشوائية محكومة وعمليات حتمية.
النتائج
تظهر نتائج الدراسة فعالية نموذج MHCNN-LSTM-MHA المقترح في توقع عوائد فول الصويا في الولايات المتحدة باستخدام مجموعة بيانات شاملة متعددة المصادر. تم تقييم النموذج مقابل نماذج متعددة المكونات ونماذج هجينة مختلفة، بما في ذلك CNN وLSTM وCNN-RNN، مما يكشف عن أداء متفوق. استقرت خسارة التدريب حول 2.5 بحلول العصر العشرين، مع استقرار كل من خسائر التدريب والتحقق عند حوالي 0.21، مما يشير إلى تعلم مثالي دون الإفراط في التكيف. حقق النموذج قيمة R² قدرها 0.905، موضحًا 90.5% من التباين في إنتاج المحاصيل، بينما تم تسجيل خطأ الجذر التربيعي المتوسط (RMSE) عند 3.75 بوشل/فدان، مما يشير إلى توقعات موثوقة للإنتاج.
عزز دمج الانتباه متعدد الرؤوس (MHA) بشكل كبير من دقة توقعات النموذج من خلال السماح له بالتركيز ديناميكيًا على الميزات والخطوات الزمنية الحرجة. كشفت تحليل رؤوس الانتباه عن أنماط مميزة: أعطت الرأس الأول الأولوية للعوامل الزراعية الحديثة، بينما التقط الرأس الثاني الاتجاهات طويلة الأجل، في حين أن الرأسين الثالث والرابع أكدا على الملاحظات المتوسطة، مما يبرز أهميتها خلال مراحل النمو الحرجة. أظهرت المتبقيات توزيعًا قريبًا من الطبيعي، مما يعزز دقة النموذج، على الرغم من ملاحظة بعض القيم الشاذة. بشكل عام، تؤكد النتائج على قوة وموثوقية نموذج MHCNN-LSTM-MHA في توقع إنتاج المحاصيل، مدعومة بمقاييس أداء متنوعة بما في ذلك R² وRMSE وMean Absolute Percentage Error (MAPE).
المناقشة
في هذه المناقشة، تؤكد الورقة على الدور الحاسم لتوقع إنتاج المحاصيل بدقة في تعزيز الاستدامة الزراعية والأمن الغذائي. تحدد مجموعة متنوعة من العوامل التي تؤثر على إنتاج المحاصيل، مثل ظروف الطقس وأنواع التربة وممارسات الإدارة، وتبرز الانتقال نحو الزراعة الدقيقة التي تسهلها التقنيات المتقدمة مثل الذكاء الاصطناعي (AI) وتعلم الآلة (ML). يجادل المؤلفون بأن التوقع الدقيق للإنتاج ضروري لإدارة الحقول بشكل فعال، مما يمكّن من تخصيص الموارد في الوقت المناسب وتقليل الآثار البيئية. يشيرون إلى أن أساليب التوقع التقليدية غير كافية، مما يستلزم اعتماد تقنيات حديثة لالتقاط البيانات ونماذج ML المتطورة لتحسين دقة التوقع.
يعالج نموذج MHCNN-LSTM-MHA المقترح التحديات الرئيسية في توقع الإنتاج من خلال الحفاظ على مسارات معالجة منفصلة لبيانات الطقس والتربة، مما يحافظ على الخصائص الفريدة لكل نوع إدخال. يتضمن هذا النموذج الانتباه متعدد الرؤوس (MHA) لإعطاء الأولوية ديناميكيًا للميزات عبر مراحل فينولوجية مختلفة، مما يعزز كل من القدرة على التعميم وقابلية التفسير. يناقش المؤلفون أيضًا أهمية تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI)، مثل SHAP، لتوضيح توقعات النموذج وتعزيز الثقة بين أصحاب المصلحة. بشكل عام، تدعو الدراسة إلى هياكل هجينة مبتكرة تستفيد من نقاط القوة في منهجيات متنوعة لتحسين توقع إنتاج المحاصيل، مما يسهم في النهاية في ممارسات زراعية أكثر ذكاءً وإدارة أفضل للموارد.
القيود
يواجه نموذج MHCNN-LSTM-MHA، على الرغم من ابتكاره في نهجه لتوقع إنتاج المحاصيل، عدة قيود تتعلق بشكل أساسي بجودة البيانات والوصول إليها. تؤدي الفجوات الزمنية ونقاط البيانات المفقودة إلى عدم اليقين الذي لا يمكن معالجته بالكامل من خلال الاستيفاء الإحصائي. بالإضافة إلى ذلك، فإن الاختلافات الإقليمية في المناخ وتصنيف التربة والممارسات الزراعية تشكل تحديات لتطبيق النموذج على مستوى عالمي. لمواجهة هذه القضايا، يستخدم النموذج ثلاث استراتيجيات قابلة للنقل: مشفرات مفصولة عن الوضعية تتعلم تمثيلات متسقة عبر محاصيل ومناطق مختلفة، ورؤوس انتباه تركز على التجريدات الفينولوجية بدلاً من تقاويم المحاصيل المحددة، وSHAP للتفسير لتشخيص أهمية الميزات عبر المجالات.
على الرغم من إظهار قابلية نقل واعدة، خاصة في استئصال الصفر للذرة والتحقق الزمني، يتطلب النموذج تقييمًا منهجيًا عبر محاصيل أخرى مثل الأرز والقمح والدخن، فضلاً عن أنواع التربة المختلفة. يجب أن تركز الأبحاث المستقبلية على تعزيز تكامل البيانات، وتحسين أنظمة التفسير، وتوسيع جهود التحقق لتعزيز تطبيق النموذج في الزراعة الذكية وإنتاج الغذاء المستدام. بالإضافة إلى ذلك، يمكن أن يؤدي استكشاف تقنيات الاستيفاء المتقدمة، مثل المشفرات التلقائية التباينية، إلى تحسين متانة النموذج في البيئات التي تعاني من نقص البيانات.
DOI: https://doi.org/10.1038/s41598-026-53616-y
PMID: https://pubmed.ncbi.nlm.nih.gov/42174018
Publication Date: 2026-05-22
Author(s): Ibrahim Ahmad Cheema et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper presents a novel model, MHCNN-LSTM-MHA, designed to enhance the accuracy of crop yield predictions, specifically for U.S. soybean crops. By integrating Multihead Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM) networks, and Multihead Attention Mechanisms (MHA), the model addresses challenges such as unstable gradients and limited generalizability that are prevalent in traditional deep learning approaches. The study utilized a comprehensive dataset encompassing weather conditions, soil properties, management practices, and historical yields, achieving a Root Mean Square Error (RMSE) of 3.75 bushels per acre and a coefficient of determination ($R^2 = 0.905$), representing a 9.86% improvement over previous benchmarks.
The MHCNN-LSTM-MHA model not only outperformed established models but also provided enhanced interpretability through SHAP-based analysis, revealing that crop yield is particularly sensitive to weather variables (e.g., precipitation, solar radiation) and moderately sensitive to soil characteristics (e.g., pH, clay content). This interpretability is crucial for practical applications in smart agriculture, as it allows stakeholders to understand the underlying factors influencing yield predictions. The model’s computational efficiency and accuracy-to-cost ratio facilitate its deployment across various agricultural settings, ensuring equitable access to advanced predictive analytics. Future directions include extending the model to other crops, integrating real-time sensor data, and employing advanced learning techniques to further enhance adaptability and performance in diverse agricultural contexts.
Introduction
The introduction emphasizes the critical role of accurate crop yield prediction in addressing food security challenges and ensuring a stable food supply. Reliable yield estimates facilitate informed decision-making for policymakers regarding imports and exports, enable farmers to optimize financial management, and assist seed companies in evaluating the performance of new varieties across different environments. Given the pressures of a growing population, diminishing arable land, and the adverse impacts of climate change, enhancing crop yield forecasting at broader scales and reduced costs is essential.
Despite advancements in crop production over the past fifty years, approximately 800 million individuals remain food insecure globally. The United Nations’ 2030 Agenda for Sustainable Development underscores the imperative to eradicate hunger and improve food security. Accurate yield predictions are vital for all stakeholders in the agricultural sector, including farmers and traders, as they directly influence financial planning and resource allocation, while also enabling timely interventions in production processes.
Methods
The methodology section outlines a comprehensive approach to modeling U.S. soybean yields using a multi-source dataset spanning 39 years. The process begins with exploratory data analysis (EDA) to inform preprocessing, followed by a temporal-aware partitioning of the dataset into subsets. The study employs various models, including the proposed MHCNN-LSTM-MHA, CNN, LSTM, and CNN-LSTM, all of which undergo hyperparameter optimization and are evaluated using advanced metrics. Feature importance is assessed using the SHAP interpretability technique.
In the experimental setup, all models are trained on a unified grid, resulting in 14,400 trained networks through 5-fold cross-validation. Early stopping is implemented to prevent overfitting, with validation loss consistently decreasing and no instances of gradient instability. The results indicate significant accuracy improvements for the MHCNN-LSTM-MHA model compared to CNN-LSTM, LSTM, and CNN, with paired RMSE differences yielding a p-value of 0.031, thus rejecting the null hypotheses. The analysis focuses on regression metrics due to the continuous nature of crop yield data, avoiding arbitrary classifications that could obscure valuable agronomic insights. The entire implementation is conducted in Python using TensorFlow, ensuring reproducibility through controlled random seeds and deterministic operations.
Results
The results of the study demonstrate the effectiveness of the proposed MHCNN-LSTM-MHA model in predicting U.S. soybean yields using a comprehensive multi-source dataset. The model was benchmarked against various single-component and hybrid models, including CNN, LSTM, and CNN-RNN, revealing superior performance. The training loss plateaued around 2.5 by the 20th epoch, with both training and validation losses stabilizing at approximately 0.21, indicating optimal learning without overfitting. The model achieved an R² value of 0.905, explaining 90.5% of the variance in crop yield, while the root mean square error (RMSE) was recorded at 3.75 bu/acre, suggesting reliable yield predictions.
The integration of Multi-Head Attention (MHA) significantly enhanced the model’s predictive accuracy by allowing it to dynamically focus on critical features and time steps. Analysis of the attention heads revealed distinct patterns: the first head prioritized recent agronomic factors, the second captured long-term trends, while the third and fourth heads emphasized mid-sequence observations, highlighting their importance during critical growth stages. The residuals exhibited a near-normal distribution, reinforcing the model’s accuracy, although some outliers were noted. Overall, the findings underscore the robustness and reliability of the MHCNN-LSTM-MHA model in agricultural yield prediction, supported by various performance metrics including R², RMSE, and Mean Absolute Percentage Error (MAPE).
Discussion
In this discussion, the paper emphasizes the critical role of accurate crop yield prediction in enhancing agricultural sustainability and food security. It identifies various factors influencing crop yields, such as weather conditions, soil types, and management practices, and highlights the transition towards precision agriculture facilitated by advanced technologies like Artificial Intelligence (AI) and Machine Learning (ML). The authors argue that precise yield forecasting is essential for effective field management, enabling timely resource allocation and minimizing environmental impacts. They note that traditional forecasting methods are inadequate, necessitating the adoption of modern data capture technologies and sophisticated ML models to improve prediction accuracy.
The proposed MHCNN-LSTM-MHA model addresses key challenges in yield prediction by maintaining separate processing pathways for weather and soil data, thus preserving the unique characteristics of each input type. This model incorporates Multi-Head Attention (MHA) to dynamically prioritize features across different phenological stages, enhancing both generalizability and interpretability. The authors also discuss the importance of explainable AI (XAI) techniques, such as SHAP, to elucidate the model’s predictions and foster trust among stakeholders. Overall, the study advocates for innovative hybrid architectures that leverage the strengths of various methodologies to improve crop yield forecasting, ultimately contributing to smarter agricultural practices and better resource management.
Limitations
The MHCNN-LSTM-MHA model, while innovative in its approach to crop yield prediction, faces several limitations primarily related to data quality and accessibility. Temporal gaps and missing data points introduce uncertainty that cannot be fully addressed through statistical imputation. Additionally, regional variations in climate, soil taxonomy, and agricultural practices pose challenges for the model’s global applicability. To counter these issues, the model employs three transferable strategies: modality-decoupled encoders that learn consistent representations across different crops and regions, attention heads that focus on phenological abstractions rather than specific crop calendars, and SHAP interpretability for diagnosing feature importance across domains.
Despite demonstrating promising transferability, particularly in the corn zero-shot ablation and chronological validation, the model requires systematic evaluation across other crops such as rice, wheat, and sorghum, as well as across different soil types. Future research should focus on enhancing data integration, refining explanation systems, and expanding validation efforts to bolster the model’s application in smart agriculture and sustainable food production. Additionally, exploring advanced imputation techniques, such as variational autoencoders, could further improve the model’s robustness in data-scarce environments.