DOI: https://doi.org/10.3389/fpls.2024.1491493
PMID: https://pubmed.ncbi.nlm.nih.gov/39898259
تاريخ النشر: 2025-01-17
المؤلف: Abhasha Joshi وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تؤكد هذه الورقة البحثية على أهمية التنبؤ الدقيق والشفاف بعائدات المحاصيل لتعزيز الأمن الغذائي وإدارة الزراعة. تبرز فعالية طرق التعلم العميق (DL)، وخاصة الشبكات العصبية الذاكرة الطويلة القصيرة (LSTM)، في التنبؤ بالعائدات، مع الإشارة إلى أن الهياكل الأخرى من DL التسلسلي مثل الشبكات العصبية التلافيفية أحادية البعد (1D-CNN) وLSTM ثنائية الاتجاه (Bi-LSTM) لم يتم تطبيقها بشكل واسع على نطاق إقليمي. تهدف الدراسة إلى تطوير نموذج DL قابل للتفسير لا يتنبأ بعائدات المحاصيل بدقة فحسب، بل يوضح أيضًا الأسباب وراء هذه التنبؤات. تم تطوير ثلاثة نماذج DL متقدمة تسلسلية – LSTM و1D-CNN وBi-LSTM – وتم استخدام تقنيات التفسير مثل التفسيرات القابلة للتفسير المحلية (LIME) والتدرجات المتكاملة (IG) والتفسيرات الإضافية لشابلي (SHAP) لتعزيز شفافية النموذج.
تشير النتائج إلى أن نموذج Bi-LSTM تفوق على النماذج الأخرى، محققًا معامل تحديد ($R^2$) يصل إلى 0.88 ويظهر قدرة قوية على التعميم عبر مواقع مختلفة ونطاقات بيانات العائدات. تم تحديد العوامل الرئيسية المؤثرة على عائدات القمح الشتوي على أنها مؤشر الغطاء النباتي المعزز (EVI) ودرجة الحرارة وهطول الأمطار خلال المراحل المتأخرة من نمو المحاصيل، حيث أظهر EVI ارتباطًا إيجابيًا قويًا وظهرت درجة الحرارة وهطول الأمطار بارتباطات سلبية مع العائد. تؤكد الدراسة على فائدة طرق الذكاء الاصطناعي القابل للتفسير (XAI) في تفسير قرارات النموذج، وتحليل حالات العائد العالي والمنخفض، وتحديد المناطق المتأثرة بضغوط معينة. في النهاية، تسهم البحث في تقديم نموذج Bi-LSTM قوي وقابل للتفسير لتنبؤ عائدات المحاصيل الإقليمية، مما يعزز الثقة بين أصحاب المصلحة ويوفر رؤى قابلة للتنفيذ للمزارعين والشركات وصانعي السياسات. يُقترح أن تستكشف الأبحاث المستقبلية قابلية تطبيق النموذج عبر مناطق ومحاصيل مختلفة مع توسيع XAI للتحقيق في العلاقات السببية.
مقدمة
تؤكد مقدمة الورقة على الأهمية الحاسمة للتنبؤات الدقيقة بعائدات القمح للأمن الغذائي، خاصة مع تزايد النمو السكاني العالمي وتغير المناخ. تعتمد الحكومات والمزارعون والشركات الزراعية على هذه التنبؤات لاتخاذ قرارات تشغيلية متنوعة، مما يجعل تطوير نماذج تنبؤية موثوقة أمرًا ضروريًا. توضح الورقة نهجين رئيسيين لتنبؤ عائدات المحاصيل: النماذج القائمة على العمليات، التي تحاكي عمليات نمو المحاصيل ولكنها تتطلب بيانات محلية واسعة، والنماذج القائمة على البيانات التجريبية، التي تستفيد من البيانات التاريخية لتأسيس علاقات بين المتغيرات المدخلة والعائد. وقد اكتسبت الأخيرة، وخاصة نماذج التعلم العميق المتقدمة (DL) مثل الشبكات العصبية الذاكرة الطويلة القصيرة (LSTM)، زخمًا بسبب قدرتها على نمذجة العلاقات غير الخطية المعقدة وزيادة توفر البيانات والموارد الحاسوبية.
تهدف الدراسة إلى التحقيق في أداء هياكل DL المختلفة – تحديدًا LSTM و1D-CNN وBi-LSTM – مع معالجة قابلية تفسير هذه النماذج في سياق تنبؤ عائدات المحاصيل على نطاق إقليمي. تبرز جدوى استخدام نموذج Bi-LSTM لهذا الغرض وتقارن أدائه مع طرق التعلم الآلي التقليدية مثل الغابة العشوائية (RF). بالإضافة إلى ذلك، تتضمن الأبحاث تقنيات تفسير مستقلة عن النموذج مثل LIME وIntegrated Gradients (IG) وSHAP لتوضيح عمليات اتخاذ القرار لنماذج DL. لا يسعى هذا النهج فقط إلى تعزيز فهم التنبؤات النموذجية، بل يهدف أيضًا إلى تحديد التحيزات وتحسين بنية النموذج، مما يسهم في المجال الأوسع للذكاء الاصطناعي القابل للتفسير (XAI) في التطبيقات الزراعية.
طرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. تتفصل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية ومعدات وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لضمان قابلية إعادة الإنتاج وموثوقية النتائج. تشمل المنهجية التقنيات المستخدمة لجمع البيانات وتحليلها، بما في ذلك أي طرق إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الظروف التجريبية، مثل درجة الحرارة والمدة وأي ضوابط تم تنفيذها للتحقق من النتائج. يضمن هذا النهج الشامل أن تكون نتائج الدراسة قوية ويمكن تقييمها بدقة في سياق الأدبيات الحالية. بشكل عام، يعد قسم “المواد والطرق” أساسًا حاسمًا لفهم صلاحية نتائج البحث.
مناقشة
ركزت الدراسة على التنبؤ بعائدات القمح الشتوي عبر 606 مقاطعات في عشرة ولايات أمريكية، والتي تمثل مجتمعة حوالي 70% من إنتاج البلاد من القمح الشتوي. باستخدام مجموعة بيانات شاملة من 2008 إلى 2021، استخدم الباحثون نماذج مختلفة من التعلم الآلي (ML) والتعلم العميق (DL)، بما في ذلك الغابة العشوائية (RF) والشبكة العصبية التلافيفية أحادية البعد (1D CNN) والشبكات العصبية الذاكرة الطويلة القصيرة (LSTM) وBi-LSTM، لتحليل تأثير المؤشرات الجوية ومؤشرات الغطاء النباتي المستمدة من الأقمار الصناعية على عائدات المحاصيل. تم تدريب النماذج على بيانات تاريخية وتقييم أدائها التنبؤي، حيث أظهر نموذج Bi-LSTM أعلى دقة (قيم R² تتراوح من 0.73 إلى 0.88) وأقل خطأ مطلق متوسط (MAE) عبر سنوات الاختبار.
لزيادة قابلية التفسير، استخدمت الدراسة تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) مثل SHAP وLIME وIntegrated Gradients لتوضيح عمليات اتخاذ القرار للنماذج. كشفت التحليلات أن مؤشر الغطاء النباتي المعزز (EVI) خلال فترة ما قبل الحصاد، وخاصة في يونيو، كان الأكثر أهمية في التنبؤ بالعائد، تليه تراكم هطول الأمطار ودرجات الحرارة القصوى. أبرزت تصنيفات أهمية الميزات المتسقة عبر نماذج مختلفة وطرق XAI قوة النتائج، مما يشير إلى أن EVI والعوامل المناخية حاسمة للتنبؤات الدقيقة بالعائد. تؤكد النتائج على إمكانيات تقنيات ML وDL المتقدمة في التنبؤ الزراعي وأهمية دمج القابلية للتفسير في تطوير النماذج لتعزيز ثقة وفهم أصحاب المصلحة.
DOI: https://doi.org/10.3389/fpls.2024.1491493
PMID: https://pubmed.ncbi.nlm.nih.gov/39898259
Publication Date: 2025-01-17
Author(s): Abhasha Joshi et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
This research paper emphasizes the significance of accurate and transparent crop yield prediction for enhancing food security and agricultural management. It highlights the effectiveness of deep learning (DL) methods, particularly Long Short-Term Memory (LSTM) networks, in yield prediction, while noting that other sequential DL architectures like 1D Convolutional Neural Networks (1D-CNN) and Bidirectional LSTM (Bi-LSTM) have not been extensively applied at a regional scale. The study aims to develop an explainable DL model that not only predicts crop yields accurately but also elucidates the reasoning behind these predictions. Three advanced sequential DL models—LSTM, 1D-CNN, and Bi-LSTM—were developed, and interpretability techniques such as Local Interpretable Model-agnostic Explanations (LIME), Integrated Gradients (IG), and Shapley Additive Explanations (SHAP) were employed to enhance model transparency.
The findings indicate that the Bi-LSTM model outperformed the other models, achieving a coefficient of determination ($R^2$) of up to 0.88 and demonstrating strong generalizability across various locations and yield data ranges. Key factors influencing winter wheat yield were identified as the Enhanced Vegetation Index (EVI), temperature, and precipitation during the later stages of crop growth, with EVI showing a strong positive correlation and temperature and precipitation exhibiting negative correlations with yield. The study underscores the utility of explainable artificial intelligence (XAI) methods in interpreting model decisions, analyzing high- and low-yield instances, and identifying regions affected by specific stresses. Ultimately, the research contributes a robust and interpretable Bi-LSTM model for regional crop yield prediction, fostering trust among stakeholders and providing actionable insights for farmers, businesses, and policymakers. Future research is suggested to explore the model’s applicability across different regions and crops while expanding XAI to investigate causal relationships.
Introduction
The introduction of the paper emphasizes the critical importance of accurate wheat yield predictions for food security, particularly as global population growth and climate change intensify. Governments, farmers, and agribusinesses depend on these predictions for various operational decisions, making the development of reliable predictive models essential. The paper outlines two primary approaches to crop yield prediction: process-based models, which simulate crop growth processes but require extensive local data, and empirical data-driven models, which leverage historical data to establish relationships between input variables and yield. The latter, particularly advanced deep learning (DL) models like Long Short-Term Memory (LSTM) networks, have gained traction due to their ability to model complex nonlinear relationships and their increasing availability of data and computational resources.
The study aims to investigate the performance of different DL architectures—specifically LSTM, 1D-CNN, and Bi-LSTM—while also addressing the interpretability of these models in the context of regional-scale crop yield prediction. It highlights the novelty of employing a Bi-LSTM model for this purpose and benchmarks its performance against traditional machine learning methods like Random Forest (RF). Additionally, the research incorporates model-agnostic interpretability techniques such as LIME, Integrated Gradients (IG), and SHAP to elucidate the decision-making processes of the DL models. This approach not only seeks to enhance understanding of model predictions but also aims to identify biases and improve model architecture, thereby contributing to the broader field of Explainable Artificial Intelligence (XAI) in agricultural applications.
Methods
The section on “Materials and Methods” outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed to ensure reproducibility and reliability of the results. The methodology encompasses the techniques for data collection and analysis, including any statistical methods applied to interpret the findings.
Additionally, the section may describe the experimental conditions, such as temperature, duration, and any controls implemented to validate the results. This comprehensive approach ensures that the study’s findings are robust and can be accurately assessed in the context of existing literature. Overall, the “Materials and Methods” section serves as a critical foundation for understanding the validity of the research outcomes.
Discussion
The study focused on winter wheat yield prediction across 606 counties in ten U.S. states, which collectively account for approximately 70% of the nation’s winter wheat production. Utilizing a comprehensive dataset from 2008 to 2021, the researchers employed various machine learning (ML) and deep learning (DL) models, including Random Forest (RF), 1D Convolutional Neural Network (1D CNN), Long Short-Term Memory (LSTM), and Bidirectional LSTM (Bi-LSTM), to analyze the impact of meteorological and satellite-derived vegetation indices on crop yields. The models were trained on historical data and evaluated for their predictive performance, with the Bi-LSTM model demonstrating the highest accuracy (R² values ranging from 0.73 to 0.88) and the lowest mean absolute error (MAE) across the test years.
To enhance interpretability, the study employed explainable artificial intelligence (XAI) techniques such as SHAP, LIME, and Integrated Gradients to elucidate the decision-making processes of the models. The analyses revealed that the Enhanced Vegetation Index (EVI) during the pre-harvest period, particularly in June, was the most significant predictor of yield, followed by precipitation accumulation and maximum temperatures. The consistent feature importance rankings across different models and XAI methods highlighted the robustness of the findings, suggesting that EVI and climatic factors are critical for accurate yield predictions. The results underscore the potential of advanced ML and DL techniques in agricultural forecasting and the importance of integrating explainability into model development to enhance stakeholder trust and understanding.