چارچوب یادگیری ماشین، پیش‌بینی دقیق و قابل‌اعتماد شاخص‌های کشاورزی را برای کشاورزی دقیق امکان‌پذیر می‌کند

کشاورزی دقیق سال‌هاست بر پایه ایده‌ای ساده شکل گرفته است: به‌جای حدس و گمان، از داده‌ها برای تعیین نیازهای محصولات کشاورزی، محل تأمین این نیازها و زمان مناسب اقدام استفاده شود. بااین‌حال، تبدیل این ایده به روشی قابل‌اعتماد در عمل، بسیار دشوارتر از آن چیزی بوده که در ابتدا تصور می‌شد. داده‌های مربوط به خاک و شرایط محیطی معمولاً پیچیده‌اند، روابط غیرخطی دارند و به ویژگی‌های هر منطقه وابسته‌اند. به همین دلیل، مدلی که در یک مزرعه عملکرد مطلوبی دارد، ممکن است در مزرعه‌ای دیگر کاملاً ناکارآمد باشد. پژوهش تازه‌ای که تی. سوبا و کی. لاکشمی جوشیتا از کالج مهندسی سری سایرام در شهر چنای هند در مجله Scientific Reports منتشر کرده‌اند، برای حل این مشکل چارچوبی بهینه‌شده مبتنی بر یادگیری ماشین ارائه می‌دهد. هدف این چارچوب، پیش‌بینی دقیق و قابل‌اعتماد شاخص‌های کشاورزی و حفظ کیفیت عملکرد مدل در شرایط مختلف اعتبارسنجی است.

این پژوهش که ۱۲ سپتامبر ۲۰۲۶ به‌صورت دسترسی آزاد منتشر شد، به یکی از مشکلات دیرینه متخصصان علوم داده کشاورزی می‌پردازد. روش‌های متداول پیش‌بینی اغلب نمی‌توانند عملکرد خود را هنگام مواجهه با داده‌های جدید کشاورزی حفظ کنند؛ زیرا این داده‌ها تغییرپذیری زیادی دارند، متغیرهای آن‌ها روابط غیرخطی پیچیده‌ای با یکدیگر برقرار می‌کنند و مجموعه‌داده‌های مختلف نیز تفاوت‌های چشمگیری دارند. برای مثال، مدلی که با داده‌های مربوط به مواد مغذی خاک در یک فصل آموزش دیده است، ممکن است در فصل بعد کاملاً ناموفق باشد. همچنین رابطه میان ویژگی‌های خاک و نتایج رشد محصولات، به‌ندرت از الگوهای خطی ساده‌ای پیروی می‌کند که روش‌های آماری ابتدایی بر آن‌ها متکی هستند. پژوهشگران معتقدند راه‌حل این مشکل، استفاده از یک الگوریتم خاص نیست؛ بلکه باید مجموعه‌ای از مراحل دقیق و هماهنگ شامل پیش‌پردازش نظام‌مند داده‌ها، انتخاب ویژگی‌های مؤثر و بهینه‌سازی ابرپارامترها طراحی شود.

پیش‌پردازش داده‌ها، هرچند بخش کم‌جلوه‌تری از این چارچوب است، زیربنای اصلی عملکرد آن محسوب می‌شود. پیش از آنکه مدل بتواند الگوهای معناداری را از مجموعه‌داده‌های عددی و ساختاریافته مربوط به خاک و محیط استخراج کند، این داده‌ها باید پاک‌سازی، نرمال‌سازی و آماده شوند. داده‌های خام کشاورزی اغلب دارای واحدهای اندازه‌گیری ناسازگار، مقادیر ثبت‌نشده و داده‌های پرت هستند؛ مشکلاتی که می‌توانند به‌شکلی نامحسوس اما جدی، فرایند آموزش مدل را منحرف کنند. پژوهشگران با استانداردسازی مرحله پیش‌پردازش اطمینان حاصل می‌کنند که الگوریتم‌های یادگیری در مراحل بعد، داده‌هایی یکدست و قابل‌مقایسه دریافت کنند. این کار مستقیماً به افزایش پایداری پیش‌بینی‌ها کمک می‌کند. در مرحله بعد، انتخاب ویژگی‌ها دامنه متغیرهای ورودی را محدود می‌کند؛ به این صورت که متغیرهای خاک و محیط که واقعاً در پیش‌بینی نقش دارند شناسایی می‌شوند و متغیرهایی که به‌جای اطلاعات مفید، نویز ایجاد می‌کنند کنار گذاشته می‌شوند.

سومین رکن این چارچوب، بهینه‌سازی ابرپارامترهاست؛ فرایندی که در آن تنظیمات داخلی تعیین‌کننده نحوه یادگیری مدل، به‌صورت نظام‌مند اصلاح می‌شوند. پژوهشگران به‌جای استفاده از تنظیمات پیش‌فرض، ترکیب‌های مختلف پارامترها را بررسی می‌کنند تا مجموعه‌ای را بیابند که بهترین عملکرد پیش‌بینی را روی داده‌های اعتبارسنجی داشته باشد. اهمیت این مرحله در کاربردهای عملی بسیار زیاد است؛ زیرا حتی دو مدل مبتنی بر یک الگوریتم یکسان نیز ممکن است بسته به تنظیمات ابرپارامترهایشان رفتار کاملاً متفاوتی داشته باشند. تنظیم‌نشدن مناسب این پارامترها یکی از دلایل رایج ناتوانی مدل‌های یادگیری ماشین کشاورزی در تعمیم نتایج به داده‌های جدید است. به گفته نویسندگان، ترکیب این بهینه‌سازی با پیش‌پردازش داده‌ها و انتخاب ویژگی‌ها، مدل‌هایی ایجاد می‌کند که در مقایسه با روش‌های متداول، پایداری و قابلیت اعتماد بیشتری دارند.

پژوهشگران برای ارزیابی واقع‌بینانه عملکرد مدل‌ها از روش اعتبارسنجی متقابل پنج‌بخشی استفاده کردند. در این روش دقیق، داده‌ها به پنج بخش تقسیم می‌شوند و مدل در پنج نوبت جداگانه آموزش می‌بیند و آزمایش می‌شود؛ به‌گونه‌ای که در هر نوبت، یکی از بخش‌ها برای آزمون کنار گذاشته می‌شود. این روش از بروز نتایج ظاهراً مطلوب اما گمراه‌کننده‌ای جلوگیری می‌کند که ممکن است هنگام ارزیابی مدل با داده‌هایی که قبلاً در فرایند آموزش دیده است، به دست آیند. پژوهشگران نتایج را با سه معیار استاندارد رگرسیون گزارش کردند: ضریب تعیین یا R² که نشان می‌دهد مدل چه سهمی از تغییرپذیری شاخص مورد پیش‌بینی را توضیح می‌دهد؛ ریشه میانگین مربعات خطا یا RMSE که خطاهای بزرگ پیش‌بینی را بیشتر جریمه می‌کند؛ و میانگین قدر مطلق خطا یا MAE که متوسط اندازه خطاها را بدون توجه به مثبت یا منفی بودن آن‌ها نشان می‌دهد.

نتایج عددی از توان پیش‌بینی قابل‌قبول این چارچوب حکایت دارند، هرچند عملکرد آن بی‌نقص نیست. میانگین ضریب تعیین در بخش‌های مختلف اعتبارسنجی برابر با ۰٫۶۹۶ و انحراف معیار آن ۰٫۱۴۸ بود. همچنین مقدار RMSE برابر با ۵٫۱۶۰ با پراکندگی مثبت و منفی ۱٫۵۷۱ و مقدار MAE برابر با ۴٫۶۳۶ با پراکندگی مثبت و منفی ۱٫۵۴۵ گزارش شد. ضریب تعیین نزدیک به ۰٫۷ به این معناست که مدل می‌تواند حدود ۷۰ درصد از تغییرات شاخص‌های کشاورزی مورد پیش‌بینی را توضیح دهد؛ نتیجه‌ای قابل‌توجه برای داده‌های اندازه‌گیری‌شده در مزارع که معمولاً با نویز زیاد و ناهمگونی قابل‌ملاحظه همراه هستند. انحراف معیار گزارش‌شده برای هر معیار نیز نشان می‌دهد عملکرد مدل در بخش‌های مختلف اعتبارسنجی تا چه اندازه تغییر کرده است. به این ترتیب، خواننده به‌جای مشاهده صرفاً بهترین نتیجه انتخاب‌شده، تصویری واقع‌بینانه از ثبات عملکرد مدل به دست می‌آورد.

این پژوهش علاوه بر پیش‌بینی مقادیر عددی با استفاده از رگرسیون، چارچوب پیشنهادی را در یک مسئله طبقه‌بندی با کاربرد مستقیم کشاورزی نیز بررسی کرده است: تشخیص مراحل رشد اسفناج. پژوهشگران برای این منظور از یک مدل ترکیبی تجمیعی استفاده کردند؛ روشی که چند الگوریتم یادگیری را با یکدیگر ترکیب می‌کند تا نقاط قوت هر الگوریتم، ضعف‌های الگوریتم‌های دیگر را جبران کند. روش‌های تجمیعی به‌ویژه برای داده‌های کشاورزی مناسب‌اند؛ زیرا الگوریتم‌های مختلف می‌توانند جنبه‌های متفاوتی از روابط غیرخطی میان مواد مغذی خاک، شرایط محیطی و رشد گیاه را شناسایی کنند. مدل ترکیبی توانست مراحل رشد اسفناج را با صحت ۸۴٫۶۳ درصد و معیار دقت مثبت یا Precision برابر با ۸۵ درصد طبقه‌بندی کند. این نتایج نشان می‌دهند که مدل تقریباً در پنج مورد از هر شش مورد، مرحله رشد را به‌درستی تشخیص داده و درعین‌حال، میزان پیش‌بینی‌های مثبت نادرست را پایین نگه داشته است.

اما چرا تشخیص مرحله رشد محصول اهمیت دارد؟ در سامانه‌های کشاورزی دقیق، اطلاع از اینکه گیاه دقیقاً در کدام مرحله از چرخه رشد خود قرار دارد، تقریباً بر تمام تصمیم‌های بعدی اثر می‌گذارد؛ از میزان آب موردنیاز برای آبیاری و مقدار نیتروژن مصرفی گرفته تا زمان مناسب مقابله با آفات و برنامه‌ریزی برداشت محصول. سامانه‌ای خودکار که بتواند داده‌های حسگرهای خاک و محیط را دریافت کند و مرحله رشد گیاه را با اطمینان قابل‌قبولی تشخیص دهد، اطلاعاتی مبتنی بر داده در اختیار کشاورزان قرار می‌دهد تا زمان اجرای این اقدامات را بهتر تعیین کنند. ترکیب این قابلیت طبقه‌بندی با توانایی چارچوب در پیش‌بینی مقادیر پیوسته شاخص‌های کشاورزی نشان می‌دهد که چنین سامانه‌ای می‌تواند علاوه بر تحلیل داده‌های گذشته، در تصمیم‌گیری‌های عملی و روزمره کشاورزی نیز نقش داشته باشد.

نویسندگان پژوهش در بیان دامنه اعتبار نتایج خود احتیاط کرده‌اند. این چارچوب با استفاده از مجموعه‌داده‌های عددی و ساختاریافته مربوط به خاک و شرایط محیطی توسعه یافته و ارزیابی شده است. همچنین معیارهای عملکرد گزارش‌شده از اعتبارسنجی متقابل به دست آمده‌اند، نه از استقرار عملی سامانه در چندین مزرعه مستقل یا در فصل‌های زراعی مختلف. تغییرپذیری مشاهده‌شده در انحراف معیار شاخص‌های عملکرد نیز یادآور این واقعیت است که پیش‌بینی ویژگی‌های کشاورزی همچنان مسئله‌ای دشوار است و هیچ مدلی نمی‌تواند در این حوزه به دقت کاملاً بی‌نقص آزمایشگاهی دست یابد. بااین‌حال، نتایج به‌دست‌آمده در تمام بخش‌های اعتبارسنجی از ادعای اصلی پژوهش حمایت می‌کنند: ترکیب پیش‌پردازش نظام‌مند، انتخاب ویژگی‌ها و بهینه‌سازی ابرپارامترها می‌تواند مدل‌هایی ایجاد کند که داده‌های غیرخطی کشاورزی را به‌شکلی مؤثر تحلیل و پیش‌بینی کنند.

اهمیت گسترده‌تر این پژوهش به نقشی مربوط می‌شود که چنین فناوری‌هایی می‌توانند در آینده کشاورزی ایفا کنند. با افزایش حجم داده‌هایی که مزارع از طریق حسگرهای اندازه‌گیری رطوبت خاک، سطح مواد مغذی، دما و وضعیت محصولات جمع‌آوری می‌کنند، چالش اصلی به‌تدریج از گردآوری داده‌ها به تفسیر آن‌ها منتقل می‌شود. چارچوب‌هایی مانند روش پیشنهادی سوبا و لاکشمی جوشیتا با هدف تبدیل انبوه اندازه‌گیری‌های خام به پیش‌بینی‌هایی طراحی می‌شوند که کشاورزان و متخصصان زراعت بتوانند با اطمینان بر اساس آن‌ها اقدام کنند. اگر مدل‌های بهینه‌شده و ارزیابی‌شده با اعتبارسنجی متقابل بتوانند با محصولات، خاک‌ها و اقلیم‌های دیگر نیز سازگار شوند، ممکن است به یکی از اجزای استاندارد سامانه‌های کشاورزی دقیق تبدیل شوند. چنین کاربردی می‌تواند ضمن افزایش عملکرد محصولات، به کاهش هدررفت کود و آب کمک کند. این مطالعه که با مجوز کریتیو کامنز منتشر شده و به‌رایگان در دسترس است، هم الگویی عملی برای توسعه مدل‌های مشابه ارائه می‌دهد و هم معیاری واقع‌بینانه برای سنجش عملکرد در این حوزه فراهم می‌کند. پژوهش ضمن پذیرش دشواری‌های پیش‌بینی شاخص‌های کشاورزی نشان می‌دهد که طراحی دقیق سامانه‌های یادگیری ماشین می‌تواند قابلیت اعتماد پیش‌بینی‌ها را به‌طور معناداری افزایش دهد.

موضوع پژوهش: یادگیری ماشین بهینه‌شده برای پیش‌بینی شاخص‌های زراعی خاک و محصولات در کشاورزی دقیق

عنوان مقاله علمی: رویکرد بهینه‌شده یادگیری ماشین برای پیش‌بینی قابل‌اعتماد شاخص‌های کشاورزی در سامانه‌های کشاورزی دقیق

منبع علمی مقاله: سوبا، تی. و لاکشمی جوشیتا، کی. (۲۰۲۶). «رویکرد بهینه‌شده یادگیری ماشین برای پیش‌بینی قابل‌اعتماد شاخص‌های کشاورزی در سامانه‌های کشاورزی دقیق». مجله Scientific Reports. https://doi.org/10.1038/s41598-026-71592-1

اعتبار تصویر: تولیدشده با هوش مصنوعی

شناسه دیجیتال مقاله (DOI): 10.1038/s41598-026-71592-1

کلیدواژه‌ها: کشاورزی دقیق، یادگیری ماشین، مدل‌های ترکیبی تجمیعی، پیش‌بینی شاخص‌های کشاورزی، برآورد مواد مغذی خاک، اعتبارسنجی متقابل، مراحل رشد اسفناج، بهینه‌سازی ابرپارامترها، انتخاب ویژگی‌ها، کشاورزی پایدار، ساینتیفیک ریپورتس، بهینه‌سازی

منبع خبر: آلن مورگان، ۱۵ اکتبر ۲۰۲۶، «چارچوب یادگیری ماشین، پیش‌بینی قابل‌اعتماد شاخص‌های کشاورزی را برای کشاورزی دقیق فراهم می‌کند»، Scienmag.