تجربة الذكاء الاصطناعي الثنائية لتحديد المخاطر على الأراضي الزراعية
تواجه الأنشطة الزراعية مخاطر مختلفة يمكن أن تؤثر على نمو النبات ونتائج الإنتاج. تعد التغيرات في الطقس، ورطوبة التربة غير المناسبة، ودرجات الحرارة القصوى، والظروف البيئية، واضطرابات النبات من بين الأشياء التي يجب مراعاتها أثناء عملية الزراعة.
يقوم المزارعون عادةً بإجراء المراقبة بناءً على الخبرة والملاحظة المباشرة. يلعب هذا النهج دورًا مهمًا، ولكن يمكن استخدام التكنولوجيا للمساعدة في إجراء المراقبة بطريقة أكثر تنظيماً.
يمكن أن يكون الذكاء الاصطناعي القائم على النظام الثنائي أحد الأساليب التي يتم اختبارها. ويمكن استخدام النظام لتصنيف ما إذا كانت الحالة تشير إلى وجود خطر أم لا.
مفهوم الكشف عن المخاطر
في النظام الثنائي، يمكن تقسيم المخاطر إلى فئتين.
يمكن استخدام القيمة 0 للإشارة إلى "المخاطر غير المكتشفة"، بينما يتم استخدام القيمة 1 للإشارة إلى "مؤشر المخاطر المكتشفة".
يجب تحديد كلا التصنيفين بناءً على أهداف النظام. إذا كان النظام يهدف إلى اكتشاف ظروف المصنع التي تتطلب الفحص، فيجب تصنيف البيانات بناءً على الملاحظات ذات الصلة.
يتعلم النموذج بعد ذلك الأنماط من البيانات.
مصادر البيانات الزراعية
يمكن للنظام استخدام مصادر بيانات متنوعة. يمكن لأجهزة استشعار رطوبة التربة توفير معلومات حول ظروف المياه في التربة. يمكن لأجهزة استشعار درجة الحرارة الإشارة إلى ظروف درجة الحرارة. ويمكن استخدام بيانات هطول الأمطار لتحديد التغيرات البيئية.
بالإضافة إلى ذلك، يمكن أيضًا استخدام السجلات التاريخية. يمكن أن تحتوي هذه الملاحظات على وقت الزراعة، وظروف النبات، والتسميد، والري، بالإضافة إلى الاضطرابات التي حدثت.
يمكن دمج البيانات من عدة مصادر لتكوين مجموعة بيانات أكثر اكتمالاً.
ومع ذلك، يجب أن يكون لكل متغير مستخدم سببًا واضحًا. قد يؤدي استخدام الكثير من البيانات غير ذات الصلة إلى تعقيد عملية تطوير النموذج.
مرحلة جمع البيانات وتصنيفها
المرحلة الأولى من تطوير النظام هي جمع البيانات. يتم جمع البيانات في ظل ظروف مختلفة حتى يتمكن النموذج من التعرف على التغيرات البيئية.
بعد توفر البيانات، يتم وضع العلامات. البيانات التي لا تظهر أي مؤشر للخطر تعطى قيمة 0، بينما البيانات التي تظهر حالة الخطر تعطى قيمة 1.
يجب أن يتم وضع العلامات بعناية لأن جودة الملصق ستؤثر على نتائج تعلم النموذج.
إذا أمكن، يمكن التحقق من الملصق من خلال الملاحظة المباشرة من قبل المزارع أو شخص يفهم حالة النبات.
نموذج عملية التدريب
يتم بعد ذلك تقسيم مجموعة البيانات الجاهزة إلى بيانات التدريب وبيانات الاختبار. يتم استخدام بيانات التدريب لبناء النموذج، بينما يتم استخدام بيانات الاختبار لتحديد قدرة النموذج على إجراء التصنيف.
يبحث نموذج التعلم عن العلاقات بين ميزات الإدخال والتسميات.
بمجرد اكتمال التدريب، يمكن استخدام النموذج على البيانات الجديدة. ثم ينتج النظام قيمة 0 أو 1.
يمكن عرض النتائج عبر لوحة التحكم أو نظام الإشعارات.
نظام الإنذار المبكر
أحد استخدامات الذكاء الاصطناعي الثنائي هو استخدامه كنظام إنذار مبكر. عندما ينتج النموذج قيمة 1، يمكن للنظام تقديم إشعار للمزارع.
ليس من الضروري أن يشير الإخطار بشكل مباشر إلى أن المصنع قد تعرض للتلف بالتأكيد. يمكن للنظام استخدام معلومات مثل "تم الكشف عن مؤشر الخطر، قم بإجراء الفحص الميداني".
يعد هذا النهج مهمًا لأن الذكاء الاصطناعي لديه إمكانية ارتكاب أخطاء في التنبؤ. لا تزال هناك حاجة للفحص البشري للتأكد من الظروف الفعلية.
تقييم الأداء
يمكن إجراء التقييم باستخدام مصفوفة الارتباك. تعرض مصفوفة الارتباك عدد التنبؤات الصحيحة وغير الصحيحة في كل فئة.
من هذه البيانات يمكن حساب الدقة والدقة والاستدعاء ودرجة F1.
ومع ذلك، فإن أرقام التقييم وحدها ليست كافية. يحتاج النموذج أيضًا إلى الاختبار في ظروف ميدانية مختلفة. النموذج الذي يؤدي أداءً جيدًا في مجموعة بيانات معينة قد لا يعطي بالضرورة نفس النتائج عند استخدامه في موقع مختلف.
لذلك، يجب إجراء الاختبارات الميدانية بشكل مستمر.
حدود النماذج الثنائية
يقوم النموذج الثنائي بتبسيط الظروف الزراعية إلى فئتين. في الواقع، يمكن أن تكون المخاطر الزراعية ذات مستويات مختلفة.
على سبيل المثال، يمكن أن تكون النباتات في ظروف طبيعية، أو تعاني من إجهاد خفيف، أو تعاني من إجهاد معتدل، أو تعاني من ظروف تتطلب علاجًا فوريًا.
إذا كان النظام يتطلب تصنيفًا أكثر تفصيلاً، فيمكن النظر في اتباع نهج متعدد الفئات. ومع ذلك، لا يزال من الممكن أن يكون التصنيف الثنائي مرحلة أولية لأنه من الأسهل اختباره وتقييمه.
الاستنتاج
يمكن استخدام الذكاء الاصطناعي القائم على النظام الثنائي كنهج لتحديد مؤشرات المخاطر على الأراضي الزراعية. يمكن للنظام الاستفادة من بيانات الاستشعار والبيانات التاريخية لإنتاج تصنيفات بسيطة.
يتمتع هذا التطبيق بالقدرة على مساعدة المزارعين على إجراء مراقبة أكثر استهدافًا. عندما يكتشف النظام مؤشرات الخطر، يمكن للمزارعين إجراء المزيد من الفحوصات.
لا يزال يتعين إجراء التجارب على مراحل من خلال الاهتمام بجودة البيانات وخصائص الأرض وظروف النبات. ومن خلال هذه العملية، يمكن الاستمرار في تطوير نماذج الذكاء الاصطناعي لتناسب الاحتياجات الزراعية بشكل أفضل.
<ديف>
