التنبؤ بمحصول المحاصيل باستخدام خوارزميات التعلم الآلي الخاضعة للإشراف
DOI:
https://doi.org/10.59994/ajbtme.2025.1.43الكلمات المفتاحية:
التنبؤ بمحصول المحاصيل، التعلم الآلي الخاضع للإشراف، معالجة البيانات المسبقةالملخص
تتناول هذه الورقة البحثية نماذج مختلفة للتعلم الآلي الخاضع للإشراف بهدف تطوير نموذج تنبؤي لمحصول المحاصيل، بالاستفادة من خصائص التربة والبيئة. البيانات المستخدمة هي نتاج مشروع هاكاثون سامرودها على منصة كاجل، وتهدف إلى دعم تطبيقات الذكاء الاصطناعي في الزراعة الذكية والمستدامة. خضعت البيانات لمعالجة مسبقة دقيقة، شملت استبعاد القيم الشاذة، ومعالجة البيانات المكررة والمفقودة. تم استخدام واختبار خوارزميات انحدار متنوعة، مثل خوارزمية أقرب الجيران (KNN)، والانحدار الخطي، وانحدار ريدج ولاسو، وانحدار متجه الدعم (SVR)، وأشجار القرار، والغابات العشوائية. استُخدم معامل التحديد (R²) ومتوسط مربع الخطأ (MSE) كمقياسين للأداء. وقد حقق نموذج الغابات العشوائية أفضل أداء بين جميع النماذج المختبرة، حيث بلغ معامل التحديد(R²) 0.9394 ومتوسط مربع الخطأ (MSE) 4.0840. يدل هذا على قوة وفاعلية تعميم أساليب التنبؤ الجماعي في أنشطة التنبؤ بمحاصيل الزراعة. تتجلى أصالة هذا البحث في المقارنة المنهجية والشاملة بين عدة نماذج تعلم آلي خاضعة للإشراف لتنبؤ إنتاجية المحاصيل اعتمادًا على بيانات بيئية وتربوية حقيقية بعد معالجتها بدقة عالية. كما يبرز البحث القيمة التطبيقية لاستخدام نماذج التجميع، وبخاصة الغابات العشوائية، في دعم الزراعة الذكية والمستدامة بنماذج تنبؤية عالية الدقة وقابلة للتعميم.
المراجع
Abbas, F., Afzaal, H., Farooque, A. A., & Tang, S. (2020). Crop yield prediction through proximal sensing and machine learning algorithms. Agronomy, 10(7), 1046.
Agarwal, S., & Tarar, S. (2021). A hybrid approach for crop yield prediction using machine learning and deep learning algorithms. Journal of Physics: Conference Series, 1714(1), 012012.
Awad, M., & Khanna, R. (2015). Support vector machines for classification. In Efficient learning machines: Theories, concepts, and applications for engineers and system designers (pp. 39–66). Springer.
Champaneri, M., Chachpara, D., Chandvidkar, C., & Rathod, M. (2016). Crop yield prediction using machine learning. Technology, 9(38).
Iniyan, S., Varma, V. A., & Naidu, C. T. (2023). Crop yield prediction using machine learning techniques. Advances in Engineering Software, 175, 103326.
Jhajharia, K., Mathur, P., Jain, S., & Nijhawan, S. (2023). Crop yield prediction using machine learning and deep learning techniques. Procedia Computer Science, 218, 406–417.
Kushwah, J. S., Kumar, A., Patel, S., Soni, R., Gawande, A., & Gupta, S. (2022). Comparative study of regressor and classifier with decision tree using modern tools. Materials Today: Proceedings, 56, 3571–3576.
McDonald, G. C. (2009). Ridge regression. Wiley Interdisciplinary Reviews: Computational Statistics, 1(1), 93–100.
Medar, R., Rajpurohit, V. S., & Shweta, S. (2019). Crop yield prediction using machine learning techniques. 2019 IEEE 5th International Conference for Convergence in Technology (I2CT), 1–5.
Qumsiyeh, E., & Sabha, M. (2023). Utilizing Convolutional Neural Networks and KMeans Clustering for Efficient Plant Leaf Disease Detection. 2023 2nd International Engineering Conference on Electrical, Energy, and Artificial Intelligence (EICEEAI), 1–7.
Ranstam, J., & Cook, J. A. (2018). LASSO regression. Journal of British Surgery, 105(10), 1348–1348.
Reddy, D. J., & Kumar, M. R. (2021). Crop yield prediction using machine learning algorithm. 2021 5th International Conference on Intelligent Computing and Control Systems (ICICCS), 1466–1470.
Segal, M. R. (2004). Machine learning benchmarks and random forest regression.
Su, X., Yan, X., & Tsai, C.-L. (2012). Linear regression. Wiley Interdisciplinary Reviews: Computational Statistics, 4(3), 275–294.
