DOI: https://doi.org/10.67334/cds21202625
تاريخ النشر: 2026-06-05
المؤلف: Tahira Karamat وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تتناول هذه الورقة البحثية مشاكل اتخاذ القرار متعددة السمات (MADM) باستخدام مجموعات ضبابية كروية (SF) لتقييم واختيار تقنيات الذكاء الاصطناعي (AI) في الزراعة الذكية. تبرز الدراسة التعقيد المتزايد وعدم اليقين في اتخاذ القرارات الزراعية بسبب التغيرات البيئية والتقدم التكنولوجي. لتعزيز منهجيات دعم القرار، يقدم المؤلفون مشغلين جديدين للتجميع: مشغل التجميع الهندسي الضبابي الكروي لأكزيل-ألسينا (SFAAG) ومشغل التجميع المتوسط الضبابي الكروي لأكزيل-ألسينا (SFAAA)، اللذان يستندان إلى قاعدة (AA) t-norm وt-conorm. يتم تحليل الخصائص الرياضية لهذه المشغلين، مثل التكرارية، والتزايد، والحدود، بشكل دقيق، مما يثبت صلاحيتها لتجميع معلومات SF.
تقيم دراسة حالة عملية خمس تقنيات ذكاء اصطناعي—أنظمة الري الذكي، أنظمة تحديد أمراض المحاصيل، مراقبة الطائرات الزراعية، الروبوتات الذكية للحصاد، وأنظمة التنبؤ بالطقس المعتمدة على الذكاء الاصطناعي—باستخدام معايير مثل تحسين الإنتاجية، وتقليل التكاليف، والاستدامة البيئية، والموثوقية التقنية. تظهر النتائج أن الإطار المقترح يدير عدم اليقين بشكل فعال ويوفر تصنيفات موثوقة، حيث تم تحديد نظام تحديد أمراض المحاصيل كأفضل خيار. تعترف الدراسة بالقيود، بما في ذلك التعقيد الحسابي المحتمل والذاتية في أحكام الخبراء، وتقترح اتجاهات بحث مستقبلية، مثل توسيع الإطار ليشمل بيئات ضبابية أخرى ودمج تقنيات التعلم الآلي. تمتد قابلية تطبيق المنهجية إلى ما هو أبعد من الزراعة الذكية لتشمل مجالات متنوعة، بما في ذلك الرعاية الصحية وإدارة البيئة.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في الزراعة الحديثة، مع التأكيد على إمكانيته في تعزيز الإنتاجية، وتقليل التكاليف، وتسهيل اتخاذ القرارات المعتمدة على البيانات. ومع ذلك، فإن اختيار تقنيات الذكاء الاصطناعي المناسبة للزراعة الذكية يمثل تحديًا معقدًا في اتخاذ القرار متعدد السمات (MADM)، مما يزيد من تعقيد عدم اليقين وسرعة تغير المشهد التكنولوجي. لمعالجة ذلك، تقترح الدراسة إطار عمل جديد لـ MADM يدمج مشغلات التجميع الضبابية الكروية لأكزيل-ألسينا مع عملية التحليل الهرمي (AHP)، بهدف تحسين تقييم تقنيات الذكاء الاصطناعي في السياقات الزراعية.
يستفيد الإطار من المرونة والدقة لمجموعات الضبابية الكروية (SFSs)، التي تسمح بالتمثيل المستقل لدرجات العضوية، والامتناع، وعدم العضوية، مما يؤدي إلى نمذجة فعالة لعدم اليقين الكامن في عمليات اتخاذ القرار. يتم توضيح قابلية تطبيق هذا النهج من خلال دراسة حالة تقيم تقنيات زراعية مختلفة تعتمد على الذكاء الاصطناعي، مثل أنظمة الري الذكي وأنظمة الكشف عن أمراض المحاصيل. كما تضع المقدمة سياق تطور نظرية المجموعات الضبابية، من المجموعات الضبابية التقليدية إلى البنى الأكثر تقدمًا مثل المجموعات الضبابية الحدسية والمجموعات الضبابية البيثاغورية، مما يؤدي إلى اعتماد SFSs كأداة قوية لمعالجة عدم اليقين المعقد في التطبيقات الواقعية.
مناقشة
في قسم المناقشة من الورقة، يستعرض المؤلفون مساهمات مختلفة في منهجيات اتخاذ القرار الضبابي، مع التركيز بشكل خاص على مشغلات التجميع لأكزيل-ألسينا (AA) وتطبيقاتها في سياقات اتخاذ القرار متعددة السمات (MADM). يبرزون التقدم الكبير الذي حققه الباحثون مثل عمران وآخرون وغارغ، الذين قدموا مشغلات تجميع جديدة لمعلومات ضبابية حدسية ذات قيم فاصلة وبيئات ضبابية بيثاغورية، على التوالي. يشير المؤلفون إلى أنه على الرغم من التقدم الكبير الذي تم إحرازه في تطوير هذه المنهجيات، لا يزال هناك فجوة في دمج قوانين التشغيل لأكزيل-ألسينا ضمن البيئات الضبابية الكروية، خاصة لتقييم تقنيات الذكاء الاصطناعي في الزراعة الذكية.
لمعالجة هذه الفجوات، تقترح الدراسة مشغلات تجميع جديدة مثل مشغل التجميع المتوسط الضبابي الكروي لأكزيل-ألسينا (SFAAA) ومشغل التجميع الهندسي الضبابي الكروي لأكزيل-ألسينا (SFAAG)، والتي يتم تحليلها بدقة لخصائصها الرياضية، بما في ذلك التكرارية والتزايد. كما يطور المؤلفون إطار عمل MADM متكامل يجمع بين هذه المشغلين وعملية التحليل الهرمي (AHP) لتقييم تقنيات الذكاء الاصطناعي في الزراعة الذكية. توضح دراسة حالة التطبيق العملي لهذا الإطار، مما يكشف أن نظام تحديد أمراض المحاصيل هو البديل الأكثر تفضيلًا بين تقنيات الذكاء الاصطناعي التي تم تقييمها. يختتم المؤلفون بالاعتراف بحدود نهجهم، مثل التعقيد الحسابي والذاتية المحتملة في أحكام الخبراء، بينما يقترحون اتجاهات بحث مستقبلية قد تعزز من قوة وقابلية تطبيق منهجياتهم المقترحة عبر مجالات متنوعة.
DOI: https://doi.org/10.67334/cds21202625
Publication Date: 2026-06-05
Author(s): Tahira Karamat et al.
Primary Topic: Multi-Criteria Decision Making
Overview
This research paper addresses multi-attribute decision-making (MADM) problems using spherical fuzzy (SF) sets to evaluate and select artificial intelligence (AI) technologies in smart agriculture. The study highlights the increasing complexity and uncertainty in agricultural decision-making due to environmental variability and technological advancements. To enhance decision-support methodologies, the authors introduce two novel aggregation operators: the Spherical Fuzzy Aczel-Alsina Geometric (SFAAG) operator and the Spherical Fuzzy Aczel-Alsina Averaging (SFAAA) operator, which are grounded in the Aczel-Alsina (AA) t-norm and t-conorm. The mathematical properties of these operators, such as idempotency, monotonicity, and boundedness, are rigorously analyzed, establishing their validity for aggregating SF information.
A practical case study evaluates five AI technologies—smart irrigation systems, crop disease identification systems, agricultural drone surveillance, smart harvesting robots, and AI-based weather forecasting systems—using criteria like productivity improvement, cost reduction, environmental sustainability, and technical reliability. The results demonstrate that the proposed framework effectively manages uncertainty and provides reliable rankings, with the Crop Disease Identification System identified as the most favorable option. The study acknowledges limitations, including potential computational complexity and subjectivity in expert judgments, and suggests future research directions, such as extending the framework to other fuzzy environments and integrating machine learning techniques. The methodology’s applicability extends beyond smart agriculture to various fields, including healthcare and environmental management.
Introduction
The introduction of the research paper highlights the transformative role of Artificial Intelligence (AI) in modern agriculture, emphasizing its potential to enhance productivity, reduce costs, and facilitate data-driven decision-making. However, the selection of suitable AI technologies for smart agriculture presents a complex multi-attribute decision-making (MADM) challenge, exacerbated by uncertainty and rapidly changing technological landscapes. To address this, the study proposes a novel MADM framework that integrates spherical fuzzy Aczel-Alsina aggregation operators with the Analytic Hierarchy Process (AHP), aiming to improve the evaluation of AI technologies in agricultural contexts.
The framework leverages the flexibility and accuracy of spherical fuzzy sets (SFSs), which allow for independent representation of membership, abstinence, and non-membership degrees, thereby effectively modeling the inherent uncertainties in decision-making processes. The applicability of this approach is illustrated through a case study assessing various AI-based agricultural technologies, such as smart irrigation systems and crop disease detection systems. The introduction also contextualizes the evolution of fuzzy set theory, from traditional fuzzy sets to more advanced constructs like intuitionistic fuzzy sets and Pythagorean fuzzy sets, culminating in the adoption of SFSs as a robust tool for addressing complex uncertainty in real-world applications.
Discussion
In the discussion section of the paper, the authors review various contributions to fuzzy decision-making methodologies, particularly focusing on Aczel-Alsina (AA) aggregation operators and their applications in multi-attribute decision-making (MADM) contexts. They highlight significant advancements made by researchers such as Imran et al. and Garg, who introduced novel aggregation operators for interval-valued intuitionistic fuzzy information and Pythagorean fuzzy environments, respectively. The authors note that while substantial progress has been made in developing these methodologies, there remains a gap in integrating Aczel-Alsina operational laws within spherical fuzzy environments, particularly for evaluating artificial intelligence technologies in smart agriculture.
To address these gaps, the study proposes new Spherical Fuzzy Aczel-Alsina Averaging (SFAAA) and Spherical Fuzzy Aczel-Alsina Geometric (SFAAG) aggregation operators, which are rigorously analyzed for their mathematical properties, including idempotency and monotonicity. The authors also develop an integrated MADM framework that combines these operators with the Analytic Hierarchy Process (AHP) to assess AI technologies in smart agriculture. A case study demonstrates the practical application of this framework, revealing that the Crop Disease Identification System is the most favorable alternative among evaluated AI technologies. The authors conclude by acknowledging the limitations of their approach, such as computational complexity and potential subjectivity in expert judgments, while suggesting future research directions that could enhance the robustness and applicability of their proposed methodologies across various domains.