DOI: https://doi.org/10.1038/s41598-026-39472-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41720874
تاريخ النشر: 2026-02-20
المؤلف: N L Padma Swati وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نظام توقعات الزراعة الذكية المدعوم بالذكاء الاصطناعي مصمم لتعزيز إنتاجية المحاصيل من خلال معالجة عدم الكفاءة في استخدام الأسمدة، والتعامل، واختيار المحاصيل. يستخدم النظام وكلاء ذكيين لتصنيف التربة، وتقدير معلمات التربة، واقتراح المحاصيل، وتوصية الأسمدة. حقق نموذج الشبكة العصبية التلافيفية (CNN) دقة تصنيف بلغت 92.88% لأنواع التربة المختلفة، بينما قدم نموذج الغابة العشوائية دقة 92.4% في توصيات المحاصيل استنادًا إلى مجموعة بيانات تتكون من 2,200 عينة. بالنسبة لتوقع الأسمدة، تفوق نموذج XGBoost على الآخرين بدقة بلغت 94.7%. كما يدمج النظام بيانات المناخ في الوقت الحقيقي عبر واجهات برمجة التطبيقات (APIs) ويستخدم تقنيات الذكاء الاصطناعي القابل للتفسير، مثل SHAP وLIME، لتعزيز شفافية النموذج وثقة المستخدم.
في الختام، يجمع نظام توقعات الزراعة الذكية بشكل فعال بين التعلم العميق، والتعلم الآلي، والذكاء الاصطناعي القابل للتفسير لإنشاء أداة دعم قرار قوية للزراعة الحديثة. تضمن الطريقة المنظمة – من تصنيف صور التربة إلى توصيات المحاصيل والأسمدة – رؤى ذات مغزى لتحسين العوائد الزراعية. تجعل الدقة العالية للنظام، وقابليته للتفسير، ومرونته مناسبة للتطبيقات الزراعية العملية، مما يمكّن المزارعين والباحثين من اتخاذ قرارات مستنيرة. بالإضافة إلى ذلك، يسهل دمج الذكاء الاصطناعي الوكيني اتخاذ قرارات تكيفية استنادًا إلى البيانات في الوقت الحقيقي، بينما تعزز واجهة الويب سهلة الاستخدام الوصول للمستخدمين، مما يخلق نظامًا بيئيًا شاملاً يتماشى مع قدرات الذكاء الاصطناعي المتقدمة مع احتياجات الزراعة في العالم الحقيقي.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للزراعة في الاستقرار الاقتصادي والتحديات التي يواجهها المزارعون في إدارة محتوى التربة، واختيار المحاصيل، وتطبيق الأسمدة. تعتبر طرق تحليل التربة التقليدية، رغم دقتها، غالبًا ما تكون كثيفة العمالة، وتستغرق وقتًا طويلاً، وغير ملائمة لاتخاذ القرارات السريعة المطلوبة في الزراعة الدقيقة الحديثة. تشمل هذه الطرق اختبارات مختبرية فيزيائية كيميائية وتقنيات تصنيف يدوية، والتي تقتصر على قابلية التوسع والاستجابة للظروف في الوقت الحقيقي.
يقدم ظهور الذكاء الاصطناعي (AI) والتعلم الآلي (ML) فرصة تحويلية لاتخاذ القرارات الزراعية. يمكن لوكلاء الذكاء الاصطناعي أتمتة العمليات مثل تصنيف التربة، وتقدير العناصر الغذائية، وتوقع المحاصيل، مما يعزز الدقة والاستجابة. يستخدم النظام المقترح نماذج قائمة على الذكاء الاصطناعي لتحليل صور التربة والبيانات البيئية، مما يمكّن من تقديم توصيات ذكية لإدارة المحاصيل والأسمدة. على وجه التحديد، يتم استخدام خوارزميات التعلم العميق، بما في ذلك الشبكات العصبية التلافيفية والنماذج الخفيفة مثل MobileNet، لتحديد أنواع التربة تلقائيًا من الصور، مما يلغي الحاجة لاختيار الميزات يدويًا. تشير الأبحاث الحديثة إلى أن هذه الأساليب في التعلم العميق تقدم بديلاً أكثر كفاءة ودقة لتصنيف التربة مقارنة بالطرق التقليدية.
طرق
يقدم البحث إطار عمل شامل لتوقعات الزراعة المعتمدة على الذكاء الاصطناعي مصمم لتعزيز كفاءة التربة والعائد الزراعي من خلال معالجة القيود الشائعة مثل تحليل التربة غير الدقيق، واختيار المحاصيل غير المناسب، واستخدام الأسمدة غير الفعال. يتكون الإطار من ثلاثة وكلاء رئيسيين: وكيل تصنيف التربة، وكيل توصية المحاصيل، ووكيل توقع الأسمدة، جميعها مدربة باستخدام تقنيات التعلم الآلي والتعلم العميق لضمان توقعات دقيقة. تبدأ العملية بالتقاط صورة للتربة، حيث تصنف شبكة عصبية تلافيفية نوع التربة (مثل، السوداء، الحمراء، الطينية، أو الطميية). بعد ذلك، يقوم وكيل معلمات التربة بتقييم قيم العناصر الغذائية الأساسية – النيتروجين (N)، الفوسفور (P)، البوتاسيوم (K) – ومستويات الحموضة من خلال تحليل الانحدار، مع دمج بيانات الطقس في الوقت الحقيقي من واجهة برمجة تطبيقات خارجية.
يستخدم وكيل توصية المحاصيل البيانات المعالجة للتربة والبيئة لاقتراح المحاصيل المثلى، بينما يحدد وكيل توصية الأسمدة خلطات الأسمدة المناسبة بناءً على النقص المتوقع. لتعزيز القابلية للتفسير والشفافية، يدمج النظام نماذج الذكاء الاصطناعي القابل للتفسير (XAI) مثل SHAP وLIME، التي توضح مساهمات ميزات الإدخال الفردية في التوقعات. يعزز هذا الدمج عملية اتخاذ القرار الشفافة، مما يسمح للزراعيين والمزارعين بالتحقق من الرؤى التي يولدها الذكاء الاصطناعي. تشمل بنية الإطار وحدة إدخال أمامية لتفاعل المستخدم ووحدة معالجة خلفية تجمع وتقوم بمعالجة بيانات الطقس في الوقت الحقيقي، مما يضمن أن تكون القرارات الزراعية مصممة لتناسب أطر زمنية وظروف إقليمية محددة، مما يعزز في النهاية الممارسات الزراعية المستدامة ويحسن كفاءة العائد.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على التقدم الكبير في تطبيق الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في الزراعة، مع التأكيد على إمكاناتهم التحويلية في تعزيز عمليات اتخاذ القرار. توضح الدراسات المختلفة المذكورة فعالية التعلم الآلي في تحسين إنتاج المحاصيل، وتخصيص الموارد، وإدارة البيئة. على سبيل المثال، لاحظ تريباتي وآخرون التطبيقات الواسعة للتعلم الآلي في الزراعة، بينما عرض أكبنبيون وآخرون كيف تحسن النماذج المعتمدة على البيانات استقرار المناخ الدفيئي. بالإضافة إلى ذلك، يتم التأكيد على دمج الذكاء الاصطناعي في الممارسات الزراعية المستدامة، مع التأكيد على Liu على الأتمتة وإدارة الدقة كفوائد رئيسية.
تناقش الورقة أيضًا نماذج التعلم الآلي المحددة والأطر التي تم تطويرها لتصنيف التربة، وتوصية المحاصيل، وتحسين الأسمدة. تشمل المساهمات البارزة استخدام نماذج التجميع مثل الغابة العشوائية وXGBoost، التي أظهرت دقة متفوقة في توقع ملاءمة المحاصيل واحتياجات الأسمدة. توضح الأبحاث أهمية الأساليب المعتمدة على البيانات، مع دراسات تظهر التطبيق الناجح للذكاء الاصطناعي التوليدي والنماذج الذكية الهجينة لتعزيز الإنتاجية الزراعية. بشكل جماعي، تؤكد هذه النتائج الاعتماد المتزايد على تقنيات الذكاء الاصطناعي والتعلم الآلي لتعزيز الممارسات الزراعية المستدامة وتحسين كفاءة الزراعة بشكل عام.
DOI: https://doi.org/10.1038/s41598-026-39472-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41720874
Publication Date: 2026-02-20
Author(s): N L Padma Swati et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents an AI-powered Smart Agriculture Prediction System designed to enhance crop productivity by addressing inefficiencies in fertilizer use, handling, and crop selection. The system employs intelligent agents for soil classification, soil parameter estimation, crop suggestion, and fertilizer recommendation. A custom Convolutional Neural Network (CNN) achieved a classification accuracy of 92.88% for various soil types, while a Random Forest model provided a 92.4% accuracy in crop recommendations based on a dataset of 2,200 samples. For fertilizer prediction, the XGBoost model outperformed others with an accuracy of 94.7%. The system also integrates real-time climatic data via APIs and utilizes Explainable AI techniques, such as SHAP and LIME, to enhance model transparency and user trust.
In conclusion, the Smart Agriculture Prediction System effectively combines deep learning, machine learning, and Explainable AI to create a robust decision-support tool for modern agriculture. The structured approach—from soil image classification to crop and fertilizer recommendations—ensures meaningful insights for optimizing agricultural yields. The system’s high accuracy, explainability, and adaptability make it suitable for practical agricultural applications, empowering farmers and researchers to make informed decisions. Additionally, the incorporation of Agentic AI facilitates adaptive decision-making based on real-time data, while the user-friendly web interface enhances accessibility for users, creating a comprehensive ecosystem that aligns advanced AI capabilities with real-world agricultural needs.
Introduction
The introduction highlights the critical role of agriculture in economic stability and the challenges faced by farmers in managing soil content, crop selection, and fertilizer application. Traditional soil analysis methods, while accurate, are often labor-intensive, time-consuming, and not conducive to rapid decision-making required in modern precision agriculture. These methods include physicochemical laboratory tests and manual classification techniques, which are limited in scalability and responsiveness to real-time conditions.
The emergence of Artificial Intelligence (AI) and Machine Learning (ML) presents a transformative opportunity for agricultural decision-making. AI agents can automate processes such as soil categorization, nutrient estimation, and crop forecasting, enhancing accuracy and responsiveness. The proposed system utilizes AI-based models to analyze soil images and environmental data, enabling smart recommendations for crop and fertilizer management. Specifically, deep learning algorithms, including Convolutional Neural Networks and lightweight models like MobileNet, are employed to automatically identify soil types from images, eliminating the need for manual feature selection. Recent research indicates that these deep learning approaches offer a more efficient and accurate alternative for soil classification compared to traditional methods.
Methods
The research presents a comprehensive AI-Based Agriculture Prediction Framework designed to enhance soil efficiency and agricultural yield by addressing common constraints such as inaccurate soil analysis, inappropriate crop selection, and inefficient fertilizer use. The framework consists of three primary agents: the Soil Classification Agent, Crop Recommendation Agent, and Fertilizer Prediction Agent, all of which are trained using machine learning and deep learning techniques to ensure precise predictions. The process initiates with soil image capture, where a convolutional neural network classifies the soil type (e.g., black, red, clay, or alluvial). Subsequently, the Soil Parameter Agent assesses essential nutrient values—Nitrogen (N), Phosphorus (P), Potassium (K)—and pH levels through regression analysis, integrating real-time weather data from an external API.
The Crop Recommendation Agent utilizes the processed soil and environmental data to suggest optimal crops, while the Fertilizer Recommendation Agent determines suitable fertilizer mixtures based on predicted deficiencies. To enhance interpretability and transparency, the system incorporates Explainable AI (XAI) models such as SHAP and LIME, which elucidate the contributions of individual input features to the predictions. This integration fosters a transparent decision-making process, allowing agronomists and farmers to validate AI-generated insights. The framework’s architecture includes a frontend input module for user interaction and a backend processing module that gathers and preprocesses real-time weather data, ensuring that agricultural decisions are tailored to specific timeframes and regional conditions, ultimately promoting sustainable agricultural practices and improving yield efficiency.
Discussion
The discussion section of the research paper highlights significant advancements in the application of Artificial Intelligence (AI) and Machine Learning (ML) within agriculture, emphasizing their transformative potential in enhancing decision-making processes. Various studies cited demonstrate the effectiveness of ML in optimizing crop yield, resource allocation, and environmental management. For instance, Tripathi et al. noted the broad applications of ML in agriculture, while Akpenpuun et al. showcased how data-driven models improve greenhouse microclimatic stability. Additionally, the integration of AI in sustainable farming practices is underscored, with Liu emphasizing automation and precision management as key benefits.
The paper also discusses specific ML models and frameworks developed for soil classification, crop recommendation, and fertilizer optimization. Notable contributions include the use of ensemble models like Random Forest and XGBoost, which have shown superior accuracy in predicting crop suitability and fertilizer needs. The research illustrates the importance of data-driven approaches, with studies demonstrating the successful application of generative AI and hybrid intelligent models to enhance agricultural productivity. Collectively, these findings underscore the growing reliance on AI and ML technologies to foster sustainable agricultural practices and improve overall farming efficiency.