الزراعة الذكية: تعزيز الزراعة الحضرية من خلال التحليلات التنبؤية وتحسين الموارد

تتطلّب الأساليب الزراعية المثلى مراقبة دقيقة لصحّة المحاصيل والتعرّض للضغوط البيئية. تقترح هذه الدراسة إستراتيجيةً مبتكرةً في علم البيانات لتحسين التنبؤ بصحّة المحصول وتقييم الإجهاد. يُعدُّ ResXceNet-HBA نموذجَ تصنيفٍ متقدّمًا يجمع بين كُتَل ResNet ووحدات Xception المزودة بعمليات التفاف عمودية قابلـة للتكيّف (Adaptive Depthwise Separable Convolutions) ومعايير محسَّنة بخوارزمية HBA. يعتمد النموذج على موازنة ديناميكية متوازنة بين الاستكشاف والاستغلال لضبط إعادة معايرة السمات ديناميكيًا، إلى جانب عمليات التفافٍ تكيّفية.

لمعالجة مشكلات البيانات، يستخدم النظام أوزان تعويض تصنيفات المحاصيل (WICL) لملء القيم المفقودة بدقة، وقياس السمات محليًا (LFS) وتقطيع السمات تكيّفيًا (AFD) لتوحيدها وتصنيفها، إضافةً إلى عامل الإجهاد البيئي (ESF) لتقييم إجهاد المحاصيل. كما تُحسِّن آلية الترجيح حسب تأثير المحصول على البيئة (ASRFS) والترجيح البيئي النوعي (Crop-Specific Environmental Impact Weighting) من أداء النموذج. ويستعين النظام أيضًا بإعادة العيّنة الاصطناعية التكيّفية المربوطة بالسياق البيئي.

باستخدام مقاييس مبتكرة مثل درجة التعميم حسب نوع المحصول (CTGS) ومؤشر الحساسية البيئية (ESI)، حقَّق نموذج ResXceNet-HBA دقّةً قدرها 98.5%، ودقّة إيجابية (Precision) 98.2%، واستدعاء (Recall) 98.7%، ومتوسّط توازُن (F1-Score) 98.4%. وتفوَّق بذلك على نماذج ResNet و CNN و Inception V2، كما نفَّذ التنبؤ في 50.9 ثانية، وهي فترة أسرع من البدائل المنافسة. تُظهر مصفوفة الالتباس عددًا ضئيلًا من الإيجابيات الكاذبة والسلبيات الكاذبة، ما يؤكد دقّة التنبؤ العالية. وعبر هذه الإحصاءات وتحسين استهلاك الموارد، يبرز نموذج ResXceNet-HBA كحلٍّ ذي قيمةٍ في الزراعة الدقيقة والزراعة المستدامة، بفضل تقييمه الفعّال للإجهاد البيئي وصحّة المحاصيل. المزيد