تجعل البيانات المكانية تنبؤات عائد المحاصيل بالذكاء الاصطناعي أفضل

هذه المقالة جزء من سلسلة IEEE Journal Watch الحصرية بالشراكة مع IEEE Xplore.

قام باحثون من جامعة Zhejiang وشركة Tongdun Technology لإدارة المخاطر ، وكلاهما مقرهما في Hangzhou ، الصين ، بتحسين توقعات إنتاجية المحاصيل باستخدام تقنيات التعلم العميق. إنها طريقة واعدة يمكن أن تفسر الطريقة التي يتأثر بها غلة المحاصيل بموقع الأراضي الزراعية ، ويمكن أن تساعد في إنتاج تنبؤات أكثر دقة للمزارعين وصانعي السياسات.

يعد توقع غلة المحاصيل جزءًا مهمًا من الزراعة التي كانت تتألف تاريخيًا من عوامل التتبع مثل أحوال الطقس والتربة. إن إجراء تنبؤات دقيقة يمنح المزارعين ميزة عند اتخاذ القرارات المالية لأعمالهم ويساعد الحكومات على تجنب الكوارث مثل المجاعات. لقد جعل تغير المناخ وزيادة إنتاج الغذاء تنبؤات دقيقة أكثر أهمية من أي وقت مضى نظرًا لوجود مجال أقل للخطأ. يؤدي تغير المناخ إلى زيادة مخاطر انخفاض غلة المحاصيل في مناطق متعددة ، مما قد يتسبب في أزمة عالمية.

لا تزال العديد من المتغيرات المستخدمة للتنبؤ بإنتاجية المحاصيل – مثل المناخ وجودة التربة وطرق إدارة المحاصيل – كما هي ، ولكن تقنيات النمذجة أصبحت أكثر تعقيدًا في السنوات الأخيرة. لا يمكن لتقنيات التعلم العميق فقط حساب كيفية تأثير المتغيرات مثل هطول الأمطار ودرجة الحرارة على غلة المحاصيل ، ولكن أيضًا كيفية تأثيرها على بعضها البعض. يمكن إلغاء فوائد زيادة هطول الأمطار ، على سبيل المثال ، بسبب درجات الحرارة الشديدة الارتفاع. يمكن أن تؤدي الطريقة التي تتفاعل بها المتغيرات إلى نتائج مختلفة عن النظر إلى كل متغير بشكل مستقل.

استخدم الباحثون في دراستهم شبكة عصبية متكررة ، وهي تقنية تعلم عميق تتعقب علاقات المتغيرات المختلفة بمرور الوقت ، للمساعدة في التقاط “التبعيات الزمنية المعقدة” التي تؤثر على إنتاجية المحاصيل. قال تشاو وو ، الباحث في جامعة تشجيانغ وأحد مؤلفي الورقة البحثية ، إن المتغيرات المتعلقة بإنتاجية المحاصيل التي تتأثر بالوقت تشمل درجة الحرارة وضوء الشمس وهطول الأمطار. قال وو إن هذه العوامل “تتغير بمرور الوقت ، وتتفاعل مع بعضها البعض بطرق معقدة ، وعادة ما يكون تأثيرها على غلة المحاصيل تراكميًا”.

وقال وو إن هذه التقنية قادرة أيضًا على إبطال تأثير المتغيرات التي يصعب قياسها ، مثل التحسينات المستمرة في تقنيات التربية والزراعة. نتيجة لذلك ، استفاد نموذجهم من التقاط اتجاهات أكبر امتدت إلى ما بعد عام واحد.

أراد الباحثون أيضًا دمج المعلومات المكانية ، مثل المعلومات حول القرب بين منطقتين من الأراضي الزراعية ، للمساعدة في تحديد ما إذا كان من المحتمل أن تكون غلات محاصيلهم متشابهة. للقيام بذلك ، قام الباحثون بدمج شبكتهم العصبية المتكررة مع شبكة عصبية بيانية تمثل المسافة الجغرافية لتحديد كيفية تأثر التنبؤات لمواقع معينة بالمنطقة المحيطة بها. بعبارة أخرى ، يمكن للباحثين تضمين معلومات حول المناطق المجاورة لكل منطقة من الأراضي الزراعية ، ومساعدة النموذج على التعلم من العلاقات عبر الزمان والمكان.

اختبر الباحثون طريقتهم الجديدة على بيانات إنتاجية فول الصويا في الولايات المتحدة التي نشرتها دائرة الإحصاءات الزراعية الوطنية. يقومون بإدخال بيانات المناخ بما في ذلك هطول الأمطار وضوء الشمس وضغط البخار ؛ بيانات التربة مثل التوصيل الكهربائي والحموضة وتكوين التربة ؛ وبيانات الإدارة مثل نسبة الحقول المزروعة. تم تدريب النموذج على بيانات إنتاجية فول الصويا بين عامي 1980 و 2013 ، وتم اختباره باستخدام بيانات من 2015 إلى 2017. مقارنة بالنماذج الحالية ، كان أداء الطريقة المقترحة أفضل بكثير من النماذج المدربة باستخدام أساليب التعلم غير العميق ، وأفضل من نماذج التعلم العميق الأخرى . التي لم تأخذ في الاعتبار العلاقات المكانية.

يرغب الباحثون في عملهم المستقبلي في جعل بيانات التدريب أكثر ديناميكية وإضافة ميزات أمان إلى عملية التدريب النموذجية. حاليًا ، يتم تدريب النموذج على البيانات التي تم تجميعها ، والتي لا تسمح بإمكانية الحفاظ على خصوصية بيانات الملكية. وقال وو إن هذه قد تكون مشكلة إذا رأى المنافسون بيانات مثل غلات المحاصيل وممارسات إدارة المزارع واستخدامها لاكتساب ميزة غير عادلة في السوق. يمكن أن تجعل البيانات الزراعية مثل موقع المزرعة وغلات المحاصيل المزارعين عرضة للخداع والسرقة. قد تؤدي إمكانية الكشف عن البيانات أيضًا إلى ردع المشاركة ، وتقليل كمية البيانات المتاحة للتدريب والتأثير سلبًا على دقة النماذج المدربة.

يأمل الباحثون في استخدام نهج التعلم الموحد لتدريب نماذج غلة المحاصيل المستقبلية ، مما سيسمح بالتدريب لتحديث نموذج عالمي مع الاحتفاظ بمصادر البيانات المختلفة معزولة عن بعضها البعض.

قدم الباحثون النتائج التي توصلوا إليها في المؤتمر الدولي السادس والعشرين للعمل التعاوني المدعوم بالحاسوب في التصميم ، الذي عقد في الفترة من 24 إلى 26 مايو في ريو دي جانيرو ، البرازيل.