الذكاء الاصطناعي في التنبؤ بإنتاجية المحاصيل
يتنبأ التنبؤ بإنتاجية المحاصيل باستخدام الذكاء الاصطناعي بكمية الحصاد التي سيحصدها الحقل أو المنطقة من خلال التعلم من صور الأقمار الصناعية وبيانات الطقس والتربة.
نظرة عامة
It matters for food security, helping farmers, traders, and governments plan ahead and respond to drought or shortages.
الغوص العميق
يمزج التنبؤ بالعائد بين الهندسة الزراعية والتعلم الآلي. تستوعب النماذج بيانات الأقمار الصناعية متعددة الأطياف من بعثات مثل Sentinel-2 وLandsat، والتي تكشف منها مؤشرات الغطاء النباتي مثل NDVI (مؤشر الاختلاف الطبيعي للغطاء النباتي) عن خضرة المحاصيل وإجهادها. يضيفون متغيرات الطقس (هطول الأمطار، ودرجة الحرارة، وأيام درجة النمو)، ورطوبة التربة، والعائدات التاريخية. تستخدم الأساليب الكلاسيكية الأشجار المعززة بالتدرج مثل XGBoost على الميزات الهندسية، بينما تستخدم الأساليب الأحدث الشبكات التلافيفية والمتكررة أو المحولات التي تعالج السلاسل الزمنية للصور مباشرة عبر موسم النمو. والأهم من ذلك، أن هذه النماذج تتنبأ قبل الحصاد، وفي بعض الأحيان بعد أسابيع أو أشهر، لذا فإن التنبؤات في بداية الموسم تحمل قدرًا أكبر من عدم اليقين. تختلف الدقة حسب المحصول والمنطقة ومدى تغطية بيانات التدريب للطقس غير المعتاد مثل الجفاف الشديد.
البصيرة الفنية
يقوم التصميم المتكرر بتغذية سلسلة زمنية من المؤشرات المشتقة من الأقمار الصناعية والطقس في نموذج تسلسلي حتى يتمكن من معرفة كيفية تطور المحاصيل من خلال خرائط الموسم إلى العائد النهائي. نظرًا لأن التسميات (العائد الفعلي المحصود) محدودة وغالبًا ما تكون على مستوى المقاطعة أو المستوى الإقليمي فقط، فإن النماذج تعتمد على هندسة الميزات الدقيقة والتنظيم، ويتم التحقق من صحتها من خلال السنوات المتبقية بدلاً من التقسيمات العشوائية لاختبار مهارة التنبؤ الحقيقية.
التأثير الاستراتيجي
خيارات البناء
يحدد التصميم على مستوى التطبيق ما إذا كان الذكاء الاصطناعي سيحسن النتائج الحقيقية.
الفريق وسير العمل
يؤدي التكامل الجيد لسير العمل إلى تحقيق مكاسب إنتاجية يمكن للمستخدمين الوثوق بها.
المخاطر والسلامة
تعمل حالات الاستخدام ذات النطاق الجيد على تقليل إجهاد التغيير ومخاطر التنفيذ.
مستقبل الذكاء الاصطناعي في التنبؤ بإنتاجية المحاصيل
توقع تنبؤات ذات دقة أعلى على المستوى الميداني مع تقصير أوقات إعادة زيارة الأقمار الصناعية وانتشار أجهزة الاستشعار والطائرات بدون طيار الرخيصة. ومن شأن الجمع بين نماذج محاكاة المحاصيل القائمة على العمليات والتعلم الآلي (النمذجة "الهجينة") أن يؤدي إلى تحسين النقل إلى مناطق ومناخات جديدة. وبينما يدفع تغير المناخ المحاصيل إلى ظروف غير مألوفة، فإن الأولوية هي النماذج التي تشير إلى عدم اليقين الخاص بها وتظل موثوقة في السنوات القصوى بدلا من مجرد السنوات المتوسطة.
التنفيذ في العالم الحقيقي
تقوم الحكومات بتقدير إنتاج الحبوب الوطني في منتصف الموسم لتخطيط الواردات واحتياطيات المساعدات الغذائية
تستخدم شركات تأمين المحاصيل تقديرات إنتاجية الأقمار الصناعية للكشف عن الخسائر وتسريع دفع التعويضات للمزارعين
يتنبأ تجار السلع الأساسية بالمحاصيل الإقليمية لتوقع تحركات الأسعار في القمح أو الذرة
يحدد المزارعون المناطق ذات الأداء الضعيف داخل الحقل لاستهداف الأسمدة والري
المخاطر والدرابزين
يمكن أن تؤدي أتمتة عملية معطلة إلى تضخيم المشاكل الموجودة.
قد تقوم الفرق بالإفراط في أتمتة وإزالة الحكم البشري المطلوب.
يمكن أن تنحرف الجودة إذا لم يتم تقييم المخرجات بشكل مستمر.
خارطة طريق التنفيذ
قم بتخطيط سير العمل الحالي وحدد خطوة الاحتكاك الأعلى.
تحديد نقاط التفتيش البشرية قبل الأتمتة الكاملة.
تدريب المستخدمين على المطالبات ومسارات التصعيد ومعايير الجودة.
تتبع النتائج على مستوى المهمة لتأكيد القيمة المستدامة.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Crop Yield Prediction quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
الذكاء الاصطناعي في التنبؤ بانتشار الهشيم
الأسئلة المتداولة
What is AI in Crop Yield Prediction?
يتنبأ التنبؤ بإنتاجية المحاصيل باستخدام الذكاء الاصطناعي بكمية الحصاد التي سيحصدها الحقل أو المنطقة من خلال التعلم من صور الأقمار الصناعية وبيانات الطقس والتربة. إنه أمر مهم بالنسبة للأمن الغذائي، حيث يساعد المزارعين والتجار والحكومات على التخطيط المسبق والاستجابة للجفاف أو النقص.
ما الذي يشير إليه مؤشر الغطاء النباتي NDVI في المقام الأول؟
يقارن مؤشر NDVI بين انعكاس الأشعة تحت الحمراء القريبة والضوء الأحمر لقياس مدى خضرة وصحة النباتات، وهي إشارة رئيسية لحالة المحاصيل.
لماذا تحمل توقعات العائدات في بداية الموسم قدرًا أكبر من عدم اليقين مقارنة بتنبؤات أواخر الموسم؟
إن التنبؤ قبل الحصاد يعني أن الظروف المستقبلية الرئيسية مثل تأخر هطول الأمطار أو الحرارة لا تزال غير معروفة، مما يوسع نطاق الخطأ.
لماذا يتم التحقق من صحة نماذج إنتاجية المحاصيل في كثير من الأحيان باستخدام السنوات المعلقة بدلاً من تقسيم البيانات العشوائية؟
يحاكي حجب سنوات كاملة التنبؤ الحقيقي، مما يمنع النموذج من الغش من خلال المعلومات المتسربة عبر التواريخ القريبة.
ما هو مصدر البيانات الذي يوفر الصور متعددة الأطياف شائعة الاستخدام في هذه النماذج؟
توفر أقمار مراقبة الأرض مثل Sentinel-2 وLandsat الصور متعددة الأطياف التي يتم من خلالها حساب مؤشرات الغطاء النباتي.
ما هو الهدف من النمذجة "المختلطة" التي تجمع بين محاكاة المحاصيل والتعلم الآلي؟
تعمل أجهزة المحاكاة القائمة على العمليات على تشفير فسيولوجيا النبات، والتي يمكنها توجيه النماذج المستندة إلى البيانات ومساعدتها على التعميم خارج مناطق التدريب الخاصة بها.