Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation

Technische Zusammenfassung: System zur Anbauempfehlung und Beantwortung landwirtschaftlicher Anfragen unter Verwendung von spatio-temporalen Graph-Neuronalen Netzen und hybrider Retrieval-Augmentation

Problemstellung
Die Arbeit befasst sich mit der kritischen Notwendigkeit der Präzisionslandwirtschaft in Nepal, einem Land, in dem etwa 66 % der Bevölkerung von der Landwirtschaft leben. Derzeitige landwirtschaftliche Praktiken sind weitgehend subsistenzorientiert und hängen von traditioneller Erfahrung oder grundlegenden meteorologischen Vorhersagen ab, die jedoch oft nicht in der Lage sind, die schnellen Klimaveränderungen und extremen Wetterereignisse zu berücksichtigen. Bestehende Entscheidungsunterstützungssysteme leiden häufig unter einer mangelnden Integration zwischen dynamischen Wetterdaten und statischen Bodeneigenschaften oder versäumen es, die komplexen spatio-temporalen Abhängigkeiten zu modellieren, die in Nepals vielfältiger geografischer Landschaft mit 1.359 unterschiedlichen landwirtschaftlichen Standorten inhärent sind. Darüber hinaus fehlt es Landwirten oft an Zugang zu zeitnahen, lokalisierten Informationen über Schädlingsbekämpfung, Subventionen und Pflanzenmanagement.

Methodik
Die Autoren schlagen ein einheitliches System vor, das aus drei Kernkomponenten besteht: Wettervorhersage, Anbauempfehlung und eine Interface zur Beantwortung von Anfragen.

1. Datenerhebung und Vorverarbeitung:

   • Standortdaten: Manuell erhobene Daten für 1.359 Agrarregionen, einschließlich Längengrad, Breitengrad, Höhe und Namen.
   • Wetterdaten: Ein 42-jähriger historischer Datensatz der NASA für 1.359 Standorte. Die Schlüsselvariablen (Temperatur, Niederschlag, Luftfeuchtigkeit usw.) wurden mittels Korrelationstests, Standardisierung und der Erstellung von zeitlichen Snapshots mit einem 120-Tage-Lag vorverarbeitet.
   • Bodendaten: Abgerufen über eine API, einschließlich pH-Wert, organischer Substanz, Stickstoff und anderen Nährstoffen.
   • Pflanzendaten: Kuratierte Datensätze, die optimale Wachstumsbedingungen (pH-Wert, Nährstoffe, Wetterbereiche) für verschiedene Gemüsesorten detaillieren.
   • Graph-Konstruktion: Die Standorte wurden als Knoten modelliert. Kanten wurden basierend auf der geodätischen Distanz (<15 km) oder dem Höhenunterschied (<50 m) definiert, wobei die Gewichte umgekehrt proportional zu diesen Unterschieden waren.

2. Wettervorhersagemodelle:
   Zwei Deep-Learning-Architekturen wurden trainiert, um 30-Tage-Wetterparameter (Luftfeuchtigkeit, Niederschlag, Temperatur) unter Verwendung von 100 Tagen historischer Daten vorherzusagen:

   • Spatio-Temporal Graph Convolutional Network (STGCN): Ein Graph Neural Network (GNN), das Informationen zwischen benachbarten Knoten propagiert, um räumliche Abhängigkeiten zu erfassen, erweitert zur Verarbeitung von Graph-Sequenzen für temporale Trends.
   • Transformer-basiertes Graph-Modell: Eine hybride Architektur, die temporale Konvolution (Kurzzeitmuster), einen temporalen Transformer-Block (Langzeitabhängigkeiten) und Graph-Konvolution (räumliche Abhängigkeiten) kombiniert.
   • Training: Die Modelle wurden mittels überwachtem Lernen mit einem Adam-Optimizer trainiert und unter Verwendung von 70/15/15-Datensplits evaluiert sowie mittels Mean Absolute Error (MAE) und Root Mean Square Error (RMSE) bewertet.

3. Engine für Anbauempfehlungen:
   Das System integriert die vorhergesagten Wetterdaten mit statischen Bodenattributen. Ein Scoring-Algorithmus berechnet einen Eignungswert für jede Kulturpflanze an einem bestimmten Standort unter Verwendung einer inversen Distanzmetrik:
   $$score = \frac{1}{1 + |location\_data[feature] - mid\_val|}$$
   wobei $mid\_val$ der Mittelpunkt des idealen Bereichs einer Kulturpflanze für ein bestimmtes Merkmal ist. Die Engine gibt eine rangierte Liste empfohlener Nutzpflanzen aus.

4. Retrieval-Augmented Generation (RAG) Chatbot:
   Ein konversationeller Agent wurde entwickelt, um Anfragen von Landwirten bezüglich Nutzpflanzen, Schädlingen und Subventionen zu beantworten. Er verwendet einen hybriden Retrieval-Ansatz mittels SPLADE (für spärliche Repräsentationen) und dicht-spärlichen Vektoren, um eine Wissensdatenbank abzufragen, die in Pinecone gespeichert ist. Das System generiert kontextsensitive Antworten, primär in der nepalesischen Sprache, unter Verwendung der Cohere-API.

5. Bereitstellung:
   Das gesamte System wird über eine mobile Anwendung bereitgestellt, die mit React Native erstellt wurde und ein Django-Backend sowie eine SQLite3-Datenbank nutzt.

Wichtigste Ergebnisse

• Wettervorhersage: Das STGCN-Modell übertraf das Transformer-basierte Modell und erreichte einen Mean Squared Error (MSE) von 0,011 im Vergleich zu 0,013 beim Transformer. Die Autoren führen die überlegene Leistung des STGCN auf dessen explizite Modellierung der Interaktionen zwischen geografischen Standorten zurück, was für regionale Wettermuster entscheidend ist.
• Systemnutzbarkeit: Die mobile Anwendung stellt erfolgreich standortbasierte Anbauempfehlungen und Echtzeit-Updates bereit. Nutzerfeedback deutete darauf hin, dass das System nutzbar und relevant ist, insbesondere in ländlichen Gebieten, in denen eine personalisierte Anleitung knapp ist.
• RAG-Leistung: Qualitative Bewertungen zeigten, dass das RAG-System konsistent relevante und hilfreiche Antworten auf diverse landwirtschaftliche Anfragen generierte, indem es die Antworten effektiv in der bereitgestellten Wissensbasis verankerte.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass diese Forschung die Lücke zwischen fortgeschrittener maschineller Lernleistung und praktischer landwirtschaftlicher Anwendung in Nepal schließt, indem sie:

• Datenquellen integriert: Die erfolgreiche Vereinigung von spatio-temporalen Wettervorhersagen mit statischen Bodendaten innerhalb eines einzigen Frameworks, womit eine Einschränkung früherer Studien adressiert wird, die diese Faktoren oft isoliert behandelten.
• Komplexität modelliert: Demonstriert, dass Graph Neural Networks, speziell STGCNs, effektiver als eigenständige Transformer-Modelle sind, um die räumlichen und zeitlichen Abhängigkeiten zu erfassen, die für eine genaue regionale Wettervorhersage in geografisch vielfältigen Gebieten erforderlich sind.
• Landwirte stärkt: Eine mobil-zentrierte Lösung bereitstellt, die lokalisierte Erkenntnisse und konversationelle Unterstützung liefert, was eine informierte Entscheidungsfindung fördert, potenziell die Ernteerträge steigert und die Resilienz gegenüber Klimavariabilität erhöht.

Einschränkungen und zukünftige Arbeit
Die Autoren räumen ein, dass das System auf historischen Daten basiert, die inkonsistent sein können, und dass es an umfassenden quantitativen Metriken speziell für die Genauigkeit der Anbauempfehlungen mangelt. Sie stellen fest, dass die Modelle hochkomplexe Umweltinteraktionen oder spezifische Mikroklimata möglicherweise nicht vollständig erfassen können. Zukünftige Arbeit sieht die Einbeziehung von Echtzeit-Satellitendaten, die Entwicklung robuster quantitativer Evaluationsmetriken für Empfehlungen, die Verbesserung der Modellarchitekturen und die Verbesserung der mobilen Zugänglichkeit mit Offline-Funktionen vor.