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

Sintesi Tecnica: Sistema di Raccomandazione delle Colture e Risposta a Query Agricole Utilizzando Reti Neurali a Grafo Spazio-Temporali e Recupero Ibrido Potenziato

Definizione del Problema
Il documento affronta la critica necessità di un'agricoltura di precisione in Nepal, una nazione dove circa il 66% della popolazione dipende dall'agricoltura. Le attuali pratiche agricole sono ampiamente basate sulla sussistenza e dipendono dall'esperienza tradizionale o da previsioni meteorologiche di base, che spesso non riescono a tenere conto dei rapidi cambiamenti climatici e degli eventi meteorologici estremi. Gli esistenti sistemi di supporto decisionale soffrono frequentemente di una mancanza di integrazione tra i dati meteorologici dinamici e le proprietà statiche del suolo, oppure non riescono a modellare le complesse dipendenze spazio-temporali intrinseche nel diversificato paesaggio geografico del Nepal, che comprende 1.359 distinte località agricole. Inoltre, gli agricoltori spesso mancano dell'accesso a informazioni tempestive e localizzate riguardanti il controllo dei parassiti, i sussidi e la gestione delle colture.

Metodologia
Gli autori propongono un sistema unificato composto da tre componenti principali: previsione meteorologica, raccomandazione delle colture e un'interfaccia di risposta alle query.

1. Raccolta e Preelaborazione dei Dati:

   • Dati sulla Località: Dati raccolti manualmente per 1.359 regioni agricole, inclusi longitudine, latitudine, altitudine e nomi.
   • Dati Meteorologici: Un dataset storico di 42 anni proveniente dalla NASA coprendo 1.359 località. Le variabili chiave (Temperatura, Precipitazioni, Umidità, ecc.) sono state preelaborate tramite test di correlazione, standardizzazione e creazione di snapshot temporali con un ritardo di 120 giorni.
   • Dati del Suolo: Recuperati tramite API, includendo pH, materia organica, azoto e altri nutrienti.
   • Dati sulle Colture: Dataset curati che dettagliano le condizioni di crescita ottimali (pH, nutrienti, intervalli meteorologici) per varie verdure.
   • Costruzione del Grafo: Le località sono state modellate come nodi. Gli archi sono stati definiti sulla base della distanza geodetica (<15 km) o della differenza di altitudine (<50 m), con pesi inversamente proporzionali a tali differenze.

2. Modelli di Previsione Meteorologica:
   Due architetture di deep learning sono state addestrate per prevedere i parametri meteorologici a 30 giorni (umidità, precipitazioni, temperatura) utilizzando 100 giorni di dati storici:

   • Rete Convoluzionale Spazio-Temporale su Grafo (STGCN): Una Rete Neurale su Grafo (GNN) che propaga le informazioni tra i nodi vicini per catturare le dipendenze spaziali, estesa per elaborare sequenze di grafi per i trend temporali.
   • Modello a Grafo basato su Transformer: Un'architettura ibrida che combina la convoluzione temporale (modelli a breve termine), un blocco Transformer temporale (dipendenze a lungo termine) e la convoluzione su grafo (dipendenze spaziali).
   • Addestramento: I modelli sono stati addestrati utilizzando l'apprendimento supervisionato con un ottimizzatore Adam, suddivisioni dei dati 70/15/15, ed è stato valutato utilizzando l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (RMSE).

3. Motore di Raccomandazione delle Colture:
   Il sistema integra i dati meteorologici previsti con gli attributi statici del suolo. Un algoritmo di punteggio calcola un punteggio di idoneità per ogni coltura in una specifica località utilizzando una metrica di distanza inversa:
   $$score = \frac{1}{1 + |location\_data[feature] - mid\_val|}$$
   dove $mid\_val$ è il punto medio dell'intervallo ideale di una coltura per una specifica caratteristica. Il motore restituisce una lista classificata di colture raccomandate.

4. Chatbot con Generazione Potenziata dal Recupero (RAG):
   Un agente conversazionale è stato sviluppato per rispondere alle query degli agricoltori riguardanti colture, parassiti e sussidi. Impiega un approccio di recupero ibrido utilizzando SPLADE (per le rappresentazioni sparse) e vettori densi-sparsi per interrogare una base di conoscenza archiviata in Pinecone. Il sistema genera risposte sensibili al contesto, principalmente nella lingua nepalese, utilizzando l'API di Cohere.

5. Distribuzione:
   L'intero sistema è distribuito tramite un'applicazione mobile costruita con React Native, con un backend Django e un database SQLite3.

Risultati Chiave

• Previsione Meteorologica: Il modello STGCN ha superato il modello basato su Transformer, raggiungendo un Errore Quadratico Medio (MSE) di 0,011 rispetto allo 0,013 del Transformer. Gli autori attribuiscono la prestazione superiore dello STGCN al suo esplicito modellamento delle interazioni tra le località geografiche, fondamentale per i pattern meteorologici regionali.
• Usabilità del Sistema: L'applicazione mobile fornisce con successo raccomandazioni sulle colture basate sulla posizione e aggiornamenti in tempo reale. Il feedback degli utenti ha indicato che il sistema è utilizzabile e pertinente, particolarmente in contesti rurali dove la guida personalizzata è scarsa.
• Prestazioni RAG: Le valutazioni qualitative hanno mostrato che il sistema RAG genera costantemente risposte rilevanti e utili a diverse query agricole, ancorando efficacemente le risposte alla base di conoscenza fornita.

Significatività e Rivendicazioni
Il documento afferma che questa ricerca colma il divario tra l'apprendimento automatico avanzato e l'applicazione agricola pratica in Nepal:

• Integrazione delle Fonti di Dati: Ha integrato con successo le previsioni meteorologiche spazio-temporali con i dati statici del suolo all'interno di un unico framework, affrontando una limitazione negli studi precedenti che spesso trattavano questi fattori isolatamente.
• Modellazione della Complessità: Ha dimostato che le Reti Neurali su Grafo, specificamente le STGCN, sono più efficaci dei modelli Transformer standalone nel catturare le dipendenze spaziali e temporali necessarie per una previsione meteorologica regionale accurata in aree geograficamente diverse.
• Empowerment degli Agricoltori: Fornisce una soluzione "mobile-first" che offre approfondimenti azionabili e localizzati e supporto conversazionale, promuovendo così decisioni informate, potenzialmente aumentando le rese dei raccolti e migliorando la resilienza alla variabilità climatica.

Limitazioni e Lavori Futuri
Gli autori riconoscono che il sistema si basa su dati storici che possono essere incoerenti e manca di metriche quantitative complete specificamente per l'accuratezza della raccomandazione delle colture. Notano che i modelli potrebbero non catturare completamente le interazioni ambientali altamente complesse o i microclimi specifici. Come lavoro futuro viene proposta l'integrazione di dati satellitari in tempo reale, lo sviluppo di metriche di valutazione quantitativa robuste per le raccomandazioni, il miglioramento delle architetture dei modelli e l'incremento dell'accessibilità mobile con funzionalità offline.