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

Resumen Técnico: Sistema de Recomendación de Cultivos y Respuesta a Consultas Agrícolas mediante Redes Neuronales de Grafos Espacio-Temporales y Recuperación Híbrida Aumentada

Planteamiento del Problema
El artículo aborda la necesidad crítica de una agricultura de precisión en Nepal, una nación donde aproximadamente el 66% de la población depende de la agricultura. Las prácticas agrícolas actuales son mayoritariamente de subsistencia y dependen de la experiencia tradicional o de pronósticos meteorológicos básicos, que a menudo no logran dar cuenta de los rápidos cambios climáticos y los eventos meteorológicos extremos. Los sistemas de apoyo a la decisión existentes suelen sufrir de una falta de integración entre los datos meteorológicos dinámicos y las propiedades estáticas del suelo, o bien no logran modelar las complejas dependencias espacio-temporales inherentes al diverso paisaje geográfico de Nepal, que comprende 1,359 ubicaciones agrícolas distintas. Además, los agricultores carecen de acceso a información oportuna y localizada sobre el control de plagas, subsidios y gestión de cultivos.

Metodología
Los autores proponen un sistema unificado que comprende tres componentes principales: predicción meteorológica, recomendación de cultivos e interfaz de respuesta a consultas.

1. Recolección y Preprocesamiento de Datos:

   • Datos de Ubicación: Datos recolectados manualmente para 1,359 regiones agrícolas, incluyendo longitud, latitud, altitud y nombres.
   • Datos Meteorológicos: Un conjunto de datos históricos de 42 años de la NASA que cubre 1,359 ubicaciones. Las variables clave (Temperatura, Precipitación, Humedad, etc.) fueron preprocesadas mediante pruebas de correlación, estandarización y la creación de instantáneas temporales con un desfase de 120 días.
   • Datos de Suelo: Obtenidos vía API, incluyendo pH, materia orgánica, nitrógeno y otros nutrientes.
   • Datos de Cultivos: Conjuntos de datos curados que detallan las condiciones de crecimiento óptimas (pH, nutrientes, rangos climáticos) para diversos vegetales.
   • Construcción del Grafo: Las ubicaciones se modelaron como nodos. Los bordes se definieron basados en la distancia geodésica (<15 km) o la diferencia de altitud (<50 m), con pesos inversamente proporcionales a estas diferencias.

2. Modelos de Predicción Meteorológica:
   Se entrenaron dos arquitecturas de aprendizaje profundo para pronosticar parámetros meteorológicos de 30 días (humedad, precipitación, temperatura) utilizando 100 días de datos históricos:

   • Red de Convolución de Grafos Espacio-Temporales (STGCN): Una Red Neuronal de Grafos (GNN) que propaga información entre nodos vecinos para capturar dependencias espaciales, extendida para procesar secuencias de grafos para tendencias temporales.
   • Modelo de Grafo Basado en Transformer: Una arquitectura híbrida que combina convolución temporal (patrones a corto plazo), un bloque de Transformer temporal (dependencias a largo plazo) y convolución de grafos (dependencias espaciales).
   • Entrenamiento: Los modelos fueron entrenados mediante aprendizaje supervisado con un optimizador Adam, divisiones de datos de 70/15/15, y evaluados utilizando el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE).

3. Motor de Recomendación de Cultivos:
   El sistema integra los datos meteorológicos predichos con atributos estáticos del suelo. Un algoritmo de puntuación calcula un puntaje de idoneidad para cada cultivo en una ubicación específica utilizando una métrica de distancia inversa:
   $$score = \frac{1}{1 + |location\_data[feature] - mid\_val|}$$
   donde $mid\_val$ es el punto medio del rango ideal de un cultivo para una característica específica. El motor genera una lista clasificada de cultivos recomendados.

4. Chatbot de Generación Aumentada por Recuperación (RAG):
   Se desarrolló un agente conversacional para responder a las consultas de los agricultores sobre cultivos, plagas y subsidios. Emplea un enfoque de recuperación híbrido utilizando SPLADE (para representaciones dispersas) y vectores densos-dispersos para consultar una base de conocimientos almacenada en Pinecone. El sistema genera respuestas sensibles al contexto, principalmente en el idioma nepalí, utilizando la API de Cohere.

5. Despliegue:
   Todo el sistema se despliega a través de una aplicación móvil construida con React Native, con un backend de Django y una base de datos SQLite3.

Resultados Clave

• Predicción Meteorológica: El modelo STGCN superó al modelo basado en Transformer, logrando un Error Cuadrático Medio (MSE) de 0.011 frente al 0.013 del Transformer. Los autores atribuyen el rendimiento superior del STGCN a su modelado explícito de las interacciones entre ubicaciones geográficas, lo cual es crucial para los patrones climáticos regionales.
• Usabilidad del Sistema: La aplicación móvil proporciona con éxito recomendaciones de cultivos basadas en la ubicación y actualizaciones en tiempo real. Los comentarios de los usuarios indicaron que el sistema es utilizable y relevante, particularmente en entornos rurales donde la orientación personalizada es escasa.
• Desempeño de RAG: Las evaluaciones cualitativas mostraron que el sistema RAG generó consistentemente respuestas relevantes y útiles para diversas consultas agrícolas, fundamentando eficazmente las respuestas en la base de conocimientos proporcionada.

Significancia y Reivindicaciones
El artículo afirma que esta investigación cierra la brecha entre el aprendizaje automático avanzado y la aplicación agrícola práctica en Nepal al:

• Integrar Fuentes de Datos: Unificar exitosamente las predicciones meteorológicas espacio-temporales con los datos estáticos del suelo dentro de un solo marco de trabajo, abordando una limitación en estudios previos que a menudo trataban estos factores de forma aislada.
• Modelar la Complejidad: Demostrar que las Redes Neuronales de Grafos, específicamente las STGCN, son más efectivas que los modelos Transformer independientes para capturar las dependencias espaciales y temporales requeridas para un pronóstico meteorológico regional preciso en áreas geográficamente diversas.
• Empoderar a los Agricultores: Proporcionar una solución orientada a dispositivos móviles que ofrece información localizada y soporte conversacional accionable, promoviendo así la toma de decisiones informadas, aumentando potencialmente el rendimiento de los cultivos y mejorando la resiliencia ante la variabilidad climática.

Limitaciones y Trabajo Futuro
Los autores reconocen que el sistema depende de datos históricos que pueden ser inconsistentes y carece de métricas cuantitativas exhaustivas específicamente para la precisión de la recomendación de cultivos. Señalan que los modelos pueden no capturar completamente las interacciones ambientales altamente complejas o microclimas específicos. Como trabajo futuro, se propone incluir datos satelitales en tiempo real, desarrollar métricas de evaluación cuantitativa robustas para las recomendaciones, mejorar las arquitecturas de los modelos y mejorar la accesibilidad móvil con capacidades sin conexión (offline).