📊 statistics

Non-Linear Model-Based Sequential Decision-Making in Agriculture

यह शोध पत्र गैर-रैखिक मॉडल-आधारित बैंडिट एल्गोरिदम विकसित करता है जो उर्वरक प्रबंधन को अनुकूलित करने के लिए अनुकूलन योग्य निर्णय लेने के साथ यांत्रिक यील्ड-रिस्पॉन्स मॉडलों को एकीकृत करता है, और यह प्रदर्शित करता है कि सैद्धांतिक विश्लेषण और फील्ड ट्रायल सिमुलेशन के माध्यम से यह व्याख्यात्मक दृष्टिकोण नॉन-पैरामीट्रिक बेसलाइन की तुलना में तेज़ शिक्षण और उच्च लाभ प्राप्त करता है।

मूल लेखक: Sakshi Arya, Wentao Lin

प्रकाशित 2026-06-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sakshi Arya, Wentao Lin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक खेत में खड़े एक किसान हैं, जिसके हाथ में महंगे उर्वरक (fertilizer) का एक थैला है। आप जानते हैं कि उर्वरक डालने से आपकी मक्का बढ़ने में मदद मिलती है, लेकिन आप यह भी जानते हैं कि यदि आप बहुत अधिक डाल देते हैं, तो आप केवल पैसा बर्बाद कर रहे हैं—और पर्यावरण को नुकसान पहुँचा रहे हैं। यदि आप बहुत कम डालते हैं, तो आप संभावित लाभ खो देते हैं।

बड़ा सवाल यह है: मुझे कितना उर्वरक उपयोग करना चाहिए?

अतीत में, किसान पिछले वर्ष के परिणामों के आधार पर अनुमान लगा सकते थे या एक सामान्य नियम का पालन कर सकते थे। लेकिन मौसम, मिट्टी और फसल की स्थितियाँ हर मौसम में बदल जाती हैं। यह शोध पत्र एक स्मार्ट, गणितीय तरीका प्रस्तावित करता है जिससे समय के साथ उर्वरक की सही मात्रा निर्धारित की जा सके, जो खेती को एक उच्च-दांव वाले सीखने के खेल (learning game) की तरह मानता है।

द "स्लॉट मशीन" समस्या

लेखक खेती की तुलना एक कैसीनो में जुआ खेलने वाले व्यक्ति से करते हैं जिसके पास कई स्लॉट मशीनें (जिन्हें "वन-आर्म्ड बैंडिट्स" कहा जाता है) हैं। प्रत्येक स्लॉट मशीन उर्वरक की एक अलग मात्रा (जैसे 50 पाउंड, 100 पाउंड, 150 पाउंड) का प्रतिनिधित्व करती है।

लक्ष्य: आप उस स्लॉट मशीन को खोजना चाहते हैं जो सबसे अधिक पैसा (लाभ) देती है।
चुनौती: आपको शुरुआत में यह नहीं पता होता कि कौन सी मशीन सबसे अच्छी है।
दुविधा: क्या आप उसी मशीन का लीवर खींचते रहते हैं जो अभी अच्छी लग रही है (exploitation/दोहन), या आप एक अलग मशीन आज़माते हैं यह देखने के लिए कि क्या वह और भी बेहतर हो सकती है (exploration/अन्वेषण)?

यदि आप केवल दोहन (exploit) करते हैं, तो आप एक बेहतर विकल्प चूक सकते हैं। यदि आप केवल अन्वेषण (explore) करते हैं, तो आप खराब विकल्पों पर पैसा बर्बाद करते हैं। इसे "एक्सप्लोरेशन बनाम एक्सप्लोइटेशन" का ट्रेड-ऑफ कहा जाता है।

गुप्त नुस्खा: "जैविक रेसिपी" का उपयोग करना

इस तरह की समस्याओं के लिए उपयोग किए जाने वाले अधिकांश कंप्यूटर एल्गोरिदम "ब्लैक बॉक्स" की तरह होते हैं—वे नंबरों को प्रोसेस करते हैं लेकिन वे वास्तव में यह नहीं समझते कि चीजें क्यों होती हैं। वे यह मान सकते हैं कि यदि 10 पाउंड उर्वरक से 10 बुशल मक्का मिलता है, तो 20 पाउंड से 20 बुशल मिलेगा। लेकिन प्रकृति इस तरह काम नहीं करती है। पौधों की एक सीमा होती; अंततः अधिक उर्वरक डालने से मदद मिलना बंद हो जाता है (इसे "घटते प्रतिफल" या diminishing returns कहा जाता है)।

लेखकों का नवाचार कंप्यूटर को एक "जैविक रेसिपी" या एक मानचित्र देना है कि पौधे वास्तव में कैसे व्यवहार करते हैं। वे क्लासिक कृषि सूत्रों (जैसे मित्शर्लिच या लॉजिस्टिक मॉडल) का उपयोग करते हैं जो बताते हैं कि फसलएं पोषक तत्वों के प्रति कैसी प्रतिक्रिया देती हैं। ये सूत्र ऐसे वक्रों (curves) की तरह दिखते हैं जो ऊपर उठते हैं और फिर समतल हो जाते हैं, जो वास्तविक पौधों की वृद्धि की नकल करते हैं।

इन विशिष्ट आकृतियों का उपयोग करके, कंप्यूटर केवल अंदाज़ा नहीं लगाता; वह पौधे के तर्क को समझता है। वह जानता है कि उपज हमेशा बढ़ती नहीं रहेगी। यह कंप्यूटर को उर्वरक की सर्वोत्तम दर सीखने में बहुत स्मार्ट और तेज़ बनाता है, खासकर जब उसके पास केवल कुछ ही सीजन का डेटा हो।

तीन स्मार्ट रणनीतियाँ

यह शोध पत्र कंप्यूटर के निर्णय लेने के तीन अलग-अलग "व्यक्तित्वों" का परीक्षण करता है:

जिज्ञासु अन्वेषक (Epsilon-Greedy): अधिकांश समय, यह रणनीति उस उर्वरक दर को चुनती है जो अब तक सबसे अच्छी दिख रही है। लेकिन कभी-कभी, यह यह देखने के लिए एक अलग दर को बेतरतीब ढंग से आज़माती है कि क्या होता है। यह एक ऐसे शेफ की तरह है जो आमतौर पर अपना पसंदीदा व्यंजन बनाता है लेकिन कभी-कभी एक नया घटक आज़माता है ताकि देख सके कि क्या वह बेहतर है।
आशावादी योजनाकार (UCB): यह रणनीति वर्तमान सर्वोत्तम अनुमान को देखती है लेकिन इसमें अनिश्चितता के लिए एक "बोनस" भी जोड़ती है। यदि कंप्यूटर किसी विशेष उर्वरक दर के बारे में अनिश्चित है, तो यह उसे उच्च स्कोर देता है ताकि परीक्षण को प्रोत्साहित किया जा सके। यह एक हाइकर (पगडंडी पर चलने वाले) की तरह है जो केवल इसलिए रास्ता नहीं चुनता क्योंकि वह छोटा दिखता है, बल्कि इसलिए क्योंकि उसने अभी तक उस रास्ते का पता नहीं लगाया है और वह एक शॉर्टकट हो सकता है।
ज्यामिति विशेषज्ञ (ViOlin): यह सबसे परिष्कृत दृष्टिकोण है। यह न केवल उपज वक्र की ऊंचाई को देखता है; यह ढलान (slope) और वक्रता (curvature) को भी देखता है। यह एक स्कीयर (skier) की तरह है जो न केवल यह देखता है कि पहाड़ कहाँ समाप्त होता है, बल्कि सबसे तेज़ मार्ग खोजने के लिए ढलान की तीव्रता और आकार का विश्लेषण भी करता है। यह इसे बहुत तेज़ी से सर्वोत्तम उत्तर तक पहुँचने में मदद करता है।

क्या यह काम आया?

शोधकर्ताओं ने इन रणनीतियों का दो तरीकों से परीक्षण किया:

कंप्यूटर सिमुलेशन: उन्होंने नकली खेती के परिदृश्य बनाए। परिणामों ने दिखाया कि "जैविक रेसिपी" विधियों (उपरोक्त तीन रणनीतियाँ) ने सरल विधियों (जैसे कि एक सीधी रेखा संबंध मानना) या पूरी तरह से यादृच्छिक अनुमान की तुलना में बहुत अधिक लाभ कमाया और कम पैसा गंवाया। उन्होंने सर्वोत्तम उर्वरक दर को तेज़ी से सीखा।
वास्तविक दुनिया का डेटा: उन्होंने संयुक्त राज्य अमेरिका के मिडवेस्ट से वास्तविक मक्का परीक्षण डेटा को देखा। उन्होंने पाया कि सीमित डेटा वाली स्थितियों में (जैसे कि एक एकल खेत पर कुछ वर्षों में), स्मार्ट, जीव विज्ञान-आधारित एल्गोरिदम यादृच्छिक विकल्पों की तुलना में लाभ को अधिकतम करने में काफी बेहतर थे। हालाँकि, बहुत बड़े, विविध डेटासेट में, जिनमें कई अलग-अलग स्थान शामिल थे, सरल और लचीले तरीके भी अच्छा प्रदर्शन करते थे।

निष्कर्ष

यह शोध पत्र तर्क देता है कि हमें खेती के निर्णयों को शुद्ध अनुमान या ब्लैक-बॉक्स गणित के रूप में नहीं देखना चाहिए। स्मार्ट लर्निंग एल्गोरिदम को पौधों के बढ़ने के बुनियादी जैविक ज्ञान के साथ जोड़कर, हम किसानों को बेहतर निर्णय लेने में मदद कर सकते हैं। इससे निम्नलिखित परिणाम मिलते हैं:

अधिक लाभ: किसान अतिरिक्त उर्वरक पर पैसा बर्बाद करना बंद कर देते हैं।
कम पर्यावरणीय नुकसान: इनपुट अनुकूलित होने के कारण कम अपवाह (runoff) और प्रदूषण होता है।
तेज़ सीखना: किसान अपने विशिष्ट भूमि के लिए सर्वोत्तम प्रथाओं को कुछ ही सीजनों में समझ सकते हैं।

संक्षेप में, यह कंप्यूटर को एक ऐसा "दिमाग" देने के बारे में है जो जीव विज्ञान को समझता है, ताकि वह किसानों को कम बर्बादी के साथ अधिक उगाने में मदद कर सके।

तकनीकी सारांश: कृषि में गैर-रेखीय मॉडल-आधारित अनुक्रमिक निर्णय लेना

समस्या विवरण
कृषि संबंधी निर्णय लेने में, विशेष रूप से नाइट्रोजन उर्वरक अनुप्रयोग के संबंध में, एक दोहरी चुनौती का सामना करना पड़ता है: खाद्य सुरक्षा सुनिश्चित करने के लिए फसल की पैदावार को अधिकतम करना और साथ ही पर्यावरणीय प्रभावों (जैसे पोषक तत्वों का बहाव) और उत्पादन लागत को कम करना। नाइट्रोजन इनपुट विकास के लिए महत्वपूर्ण हैं लेकिन वे ग्रीनहाउस गैस उत्सर्जन और खर्चों को भी बढ़ाते हैं। अनुक्रमिक निर्णय लेने के लिए मौजूदा सांख्यिकीय और मशीन लर्निंग दृष्टिकोण, जैसे कि मल्टी-आर्म्ड बैंडिट एल्गोरिदम, अक्सर रैखिक मॉडल, सामान्यीकृत रैखिक मॉडल (GLMs), या जेनेरिक ब्लैक-बॉक्स विधियों पर निर्भर करते हैं। ये दृष्टिकोण अक्सर कृषि विज्ञान में निहित यांत्रिक, गैर-रेखीय खुराक-प्रतिक्रिया पैटर्न (जैसे संतृप्त उपज प्रतिक्रियाएं) को पकड़ने में विफल रहते हैं। इसके अलावा, वे उन डेटा-दुर्लभ परिदृश्यों में व्याख्यात्मकता और नमूना दक्षता (sample efficiency) की कमी रखते हैं जो फील्ड ट्रायल में सामान्य हैं, जहाँ प्रत्येक निर्णय के महत्वपूर्ण आर्थिक और पर्यावरणीय निहितार्थ होते हैं।

कार्यप्रणाली
लेखक गैर-रेखीय मॉडल-आधारित बैंडिट एल्गोरिदम का उपयोग करके अनुकूलित उर्वरक प्रबंधन के लिए एक ढांचा प्रस्तावित करते हैं। मुख्य नवाचार बैंडिट निर्णय लूप में सीधे कृषि-मानक यांत्रिक उपज-प्रतिक्रिया मॉडल को शामिल करना है।

समस्या का निरूपण: समस्या को $T$ राउंड (जैसे, बढ़ते मौसमों) में एक अनुक्रमिक निर्णय लेने वाली प्रक्रिया के रूप में तैयार किया गया है। प्रत्येक राउंड $t$ पर, एजेंट एक व्यवहार्य सेट $\mathcal{X}$ से एक नाइट्रोजन दर $x_t$ चुनता है और एक शोर युक्त (noisy) रिवॉर्ड $y_t$ (उपज या लाभ) देखता है। अपेक्षित रिवॉर्ड को $f(x; \beta^*)$ के रूप में मॉडल किया जाता है, जहाँ $f$ एक ज्ञात गैर-रेखीय फलन है जो अज्ञात $\beta^*$ द्वारा पैरामीटराइज्ड है। उद्देश्य संचयी लाभ को अधिकतम करना है, जिसे $\Pi(x) = p_y f(x; \theta) - p_x x$ के रूप में परिभाषित किया गया है, जहाँ $p_y$ फसल की कीमत है और $p_x$ नाइट्रोजन की लागत है। प्रदर्शन मीट्रिक संचयी रिग्रेट (cumulative regret) है, जो पिछले अनुभव के आधार पर इष्टतम स्थिर क्रिया के सापेक्ष हानि को मापता है।
यांत्रिक मॉडल (Mechanistic Models): यह ढांचा कृषि विज्ञान में व्यापक रूप से उपयोग किए जाने वाले चार शास्त्रीय गैर-रेखीय मॉडलों का उपयोग करता है:
- मित्सरलिच (Mitscherlich)
- माइकलिस-मेंटन (Michaelis-Menten)
- क्वाड्रेटिक प्लेटो (Quadratic Plateau)
- लॉजिस्टिक डोज़-रिस्पॉन्स (Logistic Dose-Response)
  इन मॉडलों को उनकी संक्षिप्तता और व्याख्यात्मकता के लिए चुना गया है, जिनके पैरामीटर सीधे अधिकतम उपज क्षमता और पोषक तत्व दक्षता जैसे जैविक मात्राओं से जुड़े हैं।
एल्गोरिदम: लेखक इस गैर-रेखीय सेटिंग के लिए तीन मानक बैंडिट रणनीतियों को अनुकूलित करते हैं:
- गैर-रेखीय $\epsilon$ -greedy: यह अन्वेषण (exploration - यादृच्छिक चयन) और दोहन (exploitation - अनुमानित लाभ को अधिकतम करने वाली दर का चयन करना) के बीच संतुलन बनाता है, जो फिट किए गए गैर-रेखीय मॉडल पर आधारित है।
- गैर-रेखीय UCB (अपर कॉन्फिडेंस बाउंड): यह उन क्रियाओं का चयन करता है जो अनुमानित लाभ के ऊपरी विश्वास सीमा (upper confidence bound) को अधिकतम करती हैं। अनिश्चितता को रिवॉर्ड मॉडल के ग्रेडिएंट और पैरामीटर्स के अनुमानित कोवेरिएंस मैट्रिक्स पर आधारित प्रथम-क्रम त्रुटि-प्रसार (डेल्टा-मेथड) प्रॉक्सी का उपयोग करके मापा जाता है।
- ViOlin (वर्चुअल एसेंट विद ऑनलाइन मॉडल लर्नर): यह एक ज्यामिति-निर्देशित ग्रीडी रणनीति है जो फिट किए गए यांत्रिक मॉडल से स्थानीय ढलान (slope) और वक्रता (Hessian) की जानकारी का लाभ उठाती है, जिसका लक्ष्य क्रिया चयन को निर्देशित करना और नमूना-कुशल अभिसरण (sample-efficient convergence) प्राप्त करना है।
सैद्धांतिक विश्लेषण: यह पेपर इन विधियों को अनुक्रमिक शिक्षण सिद्धांत (sequential learning theory) से जोड़ता है। यह स्थापित करता है कि सीमित फंक्शन क्लास (जैसे कि विचार किए गए कृषि मॉडल) के लिए, अनुक्रमिक रेडेमेकर जटिलता (Rademacher complexity) $\tilde{O}(1/\sqrt{T})$ के रूप में स्केल करती है। डोंग एट अल. (2021) के परिणामों का लाभ उठाते हुए, लेखक ViOlin एल्गोरिदम के लिए नमूना जटिलता (sample complexity) सीमाओं को व्युत्पन्न करते हैं, जो यह दर्शाता है कि एक $\epsilon$ -इष्टतम स्थानीय अधिकतम को $1/\epsilon$ (विशेष रूप से $\tilde{O}(1/\epsilon^8)$ ) में बहुपद (polynomial) नमूना जटिलता के साथ पहचाना जा सकता है, जो एक्शन स्पेस के आयाम से स्वतंत्र है। पेपर में मॉडल मिसस्पेसिफिकेशन (misspecification) के तहत रिग्रेट पर भी चर्चा की गई है, जिसमें नोट किया गया है कि रिग्रेट में यूनिफॉर्म एप्रोक्सीमेशन एरर के समान एक अनिवार्य "मिसस्पेसिफिकेशन की कीमत" वाला पद शामिल होता है।

प्रमुख योगदान

यांत्रिक गैर-रेखीय बैंडिट (Mechanistic Nonlinear Bandits): कृषि निर्णय लेने में पहला बैंडिट-आधारित ढांचा जो एक एकीकृत, व्याख्यात्मक टेम्पलेट प्रदान करता है, जो रैखिक/GLM या मॉडल-मुक्त ब्लैक-बॉक्स लर्नर्स से आगे बढ़कर यांत्रिक गैर-रेखीय प्रतिक्रिया मॉडलों की ओर बढ़ता है।
एल्गोरिदम टेम्पलेट: लाभ को अधिकतम करने के लिए अनुकूलित गैर-रेखीय $\epsilon$ -greedy, गैर-रेखीय UCB, और ViOlin के लिए स्यूडोकोड और कार्यान्वयन विवरण।
अनुभवजन्य मूल्यांकन (Empirical Evaluation): सुव्यवस्थित (well-specified) और मिसस्पेसिफाइड (misspecified) दोनों व्यवस्थाओं के तहत विस्तृत सिमुलेशन, साथ ही संयुक्त अमेरिकी मिडवेस्ट के सार्वजनिक रूप से उपलब्ध मल्टी-साइट मक्का नाइट्रोजन फील्ड ट्रायल्स पर एक ऑफलाइन रीप्ले केस स्टडी।
सिद्धांत-से-अभ्यास जुड़ाव: विशिष्ट गैर-रेखीय परिवारों के लिए अनुक्रमिक जटिलता सीमाओं का व्युत्पत्ति, जो सैद्धांतिक नमूना दक्षता को व्यावहारिक कृषि प्रयोगों की बाधाओं से जोड़ता है।

परिणाम

सिमुलेशन (सुव्यवस्थित): छोटे नमूना आकार ( $T=30$ ) में, गैर-रेखीय मॉडल-आधारित एल्गोरिदम (विशेष रूप से ViOlin और गैर-रेखीय UCB) रैखिक (LinUCB) और नॉन-पैरामीट्रिक (kNN-UCB) बेसलाइन की तुलना में संचयी लाभ रिग्रेट के मामले में काफी बेहतर रहे। गैर-रेखीय विधियां आर्थिक रूप से इष्टतम नाइट्रोजन दर (EONR) तक तेजी से अभिसरित हुईं। ViOlin ने $\epsilon$ -greedy और UCB में देखे गए अन्वेषण से जुड़े प्रारंभिक लाभ गिरावट (profit dip) से बचने में सफलता प्राप्त की।
सिमुलेशन (मिसस्पेसिफाइड): जब वास्तविक डेटा-जनरेटिंग प्रोसेस (मिट्सरलिच) फिट किए गए मॉडल (क्वाड्रेटिक प्लेटो) से भिन्न थी, तो सभी विधियों में अधिक रिग्रेट हुआ। हालांकि, गैर-रेखीय मॉडल-आधारित नीतियां प्रतिस्पर्धी बनी रहीं और रैखिक/नॉन-पैरामीट्रिक बेसलाइन से बेहतर प्रदर्शन किया, जो यह दर्शाता है कि जब माना गया मॉडल आकार वास्तविक प्रतिक्रिया के साथ गुणात्मक रूप से मेल खाता है (जैसे कि एक प्लेटो के साथ निरंतर बढ़ता हुआ), तो वे मजबूत रहती हैं।
वास्तविक डेटा (ऑफलाइन रीप्ले):
- सिंगल-साइट (लघु क्षितिज, $T=12$ ): गैर-रेखीय मॉडल-आधारित एल्गोरिदम ने रैंडम बेसलाइन की तुलना में रिग्रेट को कम किया, जो डेटा-सीमित सेटिंग्स में नमूना दक्षता को प्रदर्शित करता है।
- पुल्ड मल्टी-साइट (लंबा क्षितिज, $T \approx 56$ ): विषम वातावरणों में, नॉन-पैरामीट्रिक kNN-UCB अधिक प्रतिस्पर्धी हो गया और एक प्रारंभिक संक्रमण काल के बाद कभी-कभी पैरामीट्रिक बेसलाइनों से बेहतर प्रदर्शन किया। LinUCB क्रॉस-साइट विषमता के कारण खराब प्रदर्शन करता है। यह रेखांकित करता है कि जबकि यांत्रिक मॉडल छोटे क्षितिज या समरूप सेटिंग्स में उत्कृष्ट होते हैं, पर्याप्त डेटा होने पर लचीले नॉन-पैरामीट्रिक तरीके फायदेमंद हो सकते हैं।

महत्व और दावे
लेखक का दावा है कि बैंडिट एल्गोरिदम में जैविक रूप से सार्थक यांत्रिक संरचना को शामिल करने से डेटा-सीमित कृषि सेटिंग्स में तेजी से सीखना और उच्च लाभ संभव होता है। यह दृष्टिकोण पारदर्शी, व्याख्या योग्य सिफारिशें प्रदान करता है जो कृषि सिद्धांतों के अनुरूप हैं, जिससे आर्थिक रूप से टिकाऊ उर्वरक उपयोग का समर्थन मिलता है। यह कार्य दर्शाता है कि कैसे अनिश्चितता-जागरूक अनुक्रमिक निर्णय नियम सांख्यिकीय सिद्धांत और व्यावहारिक फार्म प्रबंधन के बीच के अंतर को पाट सकते हैं, विशेष रूप से छोटे किसानों या उन परिदृश्यों के लिए जहाँ बड़े पैमाने पर परीक्षण संभव नहीं है। वे अपने कार्य को बेयसियन ऑप्टिमाइजेशन दृष्टिकोण के पूरक के रूप में देखते हैं, इस बात पर जोर देते हुए कि उनके बैंडिट नियम बार-बार लिए जाने वाले निर्णयों पर संचयी प्रदर्शन को अनुकूलित करने के लिए अन्वेषण और दोहन के बीच स्पष्ट रूप से संतुलन बनाते हैं, और उनकी नीतियां व्याख्या योग्य यांत्रिक मॉडलों के इर्द-गिर्द निर्मित हैं।

द "स्लॉट मशीन" समस्या

गुप्त नुस्खा: "जैविक रेसिपी" का उपयोग करना

तीन स्मार्ट रणनीतियाँ

क्या यह काम आया?

निष्कर्ष

इसी तरह के और पेपर