پیش‌بینی عملکرد زعفران: از رویکرد داده‌محور تا تحلیل حاصلخیزی خاک در چارچوب آگروانفورماتیک

بهره‌وری و کارایی کشاورزی دقیق با تلفیق فناوری‌های بین‌صنعتی از طریق تکنیک‌های هوش مصنوعی افزایش می‌یابد. این پژوهش شامل طراحی و تحلیل داده‌محورِ ویژگی‌های خاک برای یک سیستم پیش‌بینی کشت زعفران مبتنی بر هوش مصنوعی در چارچوب «آگرو-اینفورماتیک» (اطلاعات‌شناسی کشاورزی) است. زعفران ادویه‌ای گران‌بها و محصولی با ارزش اقتصادی بالاست که تأثیر بسزایی بر اقتصاد صنعت کشاورزی دارد. اگرچه ویژگی‌های زراعی متعددی برای کشت زعفران ضروری هستند، اما ویژگی‌های زراعی خاک از اهمیت ویژه‌ای برخوردارند. در این پژوهش، سه دسته از ویژگی‌های زراعی خاک مد نظر قرار گرفته‌اند: (۱) ترکیبات شیمیایی، (۲) ریزمغذی‌ها، و (۳) شاخص‌های pH (پتانسیل هیدروژن) و هدایت الکتریکی. اجرای این پژوهش شامل چهار بخش است. بخش نخست به تکنیک‌های داده‌محور برای این سه دسته متفاوت از ویژگی‌های خاک می‌پردازد. بخش دوم شامل تحلیل داده‌های مربوط به ویژگی‌های خاکِ جمع‌آوری‌شده است که در آن از روش‌های آماری نظیر آمار توصیفی، تحلیل عاملی و تکنیک‌های مدل‌سازی معادلات ساختاری استفاده شده است. بخش سوم با بهره‌گیری از تکنیک‌ها و راهکارهای یادگیری ماشین، نتایج حاصل از مدل‌سازی معادلات ساختاری را راستی‌آزمایی می‌کند و سپس — آن‌گونه که در بخش چهارم تشریح شده است — با استفاده از مدل‌های مبتنی بر شبکه عصبیِ یادگیری بدون‌ناظر (unsupervised)، سیستمی را برای پیش‌بینی محصول زعفران ایجاد می‌نماید. در اینجا، آزمایش‌ها در قالب مطالعات مشاهده‌ای و استنباطی برای کشت زعفران مبتنی بر هوش مصنوعی و در چارچوب آگرو-اینفورماتیک انجام می‌شوند.

Precision agriculture productivity and efficiency are increased by integrating cross-industry technologies through Artificial Intelligence techniques. This work possesses a data-driven design and analysis of soil properties for an Artificial intelligence-based Safron cultivation prediction system in an agroinformatics framework. Safron is an expensive, cash-crop-growing spice, which has a significant impact on the crop industry’s economics. Several agronomic properties are essential for saffron cultivation, but the soil’s agronomic properties are particularly crucial. In this work, three soil agronomical properties, such as (i) chemicals, (ii) micronutrients, and (iii) potential of hydrogen and electrical conductivity properties, are considered. The implementation of this work has four components. The first component involves data-driven techniques for these three different sets of soil properties. The second component consists of the data analysis of the collected soil properties, where statistical-based methods, such as descriptive statistics, factor analysis, and structural equation modelling techniques, have been employed. The third component utilizes machine learning techniques and strategies to verify the outcomes of structural equation modelling, followed by building a prediction system using unsupervised neural network-based models to derive predictions for the Saffron Crop Prediction System, as outlined in the fourth component. Here, the experiments are carried out using observational and inferential-based studies for artificial intelligence-based saffron cultivation in the agroinformatics framework.