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

Technische Samenvatting: Systeem voor gewasaanbevelingen en beantwoording van landbouwvragen met behulp van Spatio-Temporele Grafische Neurale Netwerken en Hybride Retrieval Augmentation

Probleemstelling
Het artikel behandelt de kritieke behoefte aan precisielandbouw in Nepal, een land waar ongeveer 66% van de bevolking afhankelijk is van de landbouw. Huidige landbouwpraktijken zijn grotendeks gebaseerd op zelfvoorziening en vertrouwen op traditionele ervaring of basis meteorologische voorspellingen, die vaak niet voldoen aan de snelle klimaatveranderingen en extreme weersomstandigheden. Bestaande beslissingsondersteunende systemen lijden vaak aan een gebrek aan integratie tussen dynamische weergegevens en statische bodeneigenschappen, of ze slagen er niet in de complexe spatio-temporele afhankelijkheden te modelleren die inherent zijn aan het diverse geografische landschap van Nepal, dat 1.359 afzonderlijke landbouwlocaties omvat. Bovendien hebben boeren vaak geen toegang tot tijdige, gelokaliseerde informatie over ongediertebestrijding, subsidies en gewasbeheer.

Methodologie
De auteurs stellen een verenigd systeem voor dat uit drie kerncomponenten bestaat: weervoorspelling, gewosaanbeveling en een interface voor het beantwoorden van vragen.

1. Dataverzameling en Preprocessing:

   • Locatiegegevens: Handmatig verzamelde gegevens voor 1.359 landbouwregio's, inclusief lengtegraad, breedtegraad, hoogte en namen.
   • Weergegevens: Een historische dataset van 42 jaar van NASA voor 1.359 locaties. Variabelen (Temperatuur, Neerslag, Vochtigheid, etc.) werden voorbewerkt via correlatietesten, standaardisatie en het creëren van temporele snapshots met een vertraging van 120 dagen.
   • Bodemgegevens: Via API opgehaalde gegevens, incluserend pH, organische stof, stikstof en andere nutriënten.
   • Gewasgegevens: Samengestelde datasets met details over optimale groeicondities (pH, nutriënten, weerbereiken) voor diverse groenten.
   • Grafische Constructie: Locaties werden gemodelleerd als knopen (nodes). Randen (edges) werden gedefinieerd op basis van geodetische afstand (<15 km) of hoogteverschil (<50 m), met gewichten die omgekeerd evenredig waren aan deze verschillen.

2. Weervoorspellingsmodellen:
   Twee deep learning-architecturen werden getraind om 30-daagse weerparameters (vochtigheid, neerslag, temperatuur) te voorspellen met behulp van 100 dagen aan historische data:

   • Spatio-Temporeel Grafisch Convolutioneel Netwerk (STGCN): Een Graph Neural Network (GNN) dat informatie tussen naburige knopen verspreidt om ruimtelijke afhankelijkheden te vangen, uitgebreid om sequenties van grafen te verwerken voor temporele trends.
   • Transformer-gebaseerd Grafisch Model: Een hybride architectuur die temporele convolutie (kortetermijnpatronen), een temporele transformer-blok (langetermijnafhankelijkheden) en grafische convolutie (ruimtelijke afhankelijkheden) combineert.
   • Training: Modellen werden getraind met supervised learning met een Adam-optimizer, 70/15/15 data-splits en geëvalueerd met Mean Absolute Error (MAE) en Root Mean Square Error (RMSE).

3. Gewosaanbevelingsmotor:
   Het systeem integreert voorspelde weergegevens met statische bodigeigenschappen. Een score-algoritme berekent een geschiktheidsscore voor elk gewas op een specifieke locatie met behulp van een inverse afstandsmethode:
   $$score = \frac{1}{1 + |location\_data[feature] - mid\_val|}$$
   waarbij $mid\_val$ het middelpunt is van het ideale bereik van een gewas voor een specifieke eigenschap. De motor geeft een gerangschikte lijst van aanbevolen gewassen uit.

4. Retrieval-Augmented Generation (RAG) Chatbot:
   Een conversationele agent werd ontwikkeld om vragen van boeren te beantwoorden over gewassen, ongedierte en subsidies. Het maakt gebruik van een hybride retrieval-aanpak met SPLADE (voor ijle representaties) en dense-sparse vectoren om een kennisbank te bevragen die in Pinecone is opgeslagen. Het systeem genereert contextgevoelige antwoorden, primair in de Nepalese taal, met behulp van de API van Cohere.

5. Implementatie:
   Het volledige systeem wordt geïmplementeerd via een mobiele applicatie gebouwd met React Native, met een Django backend en een SQLite3 database.

Belangrijkste Resultaten

• Weervoorspelling: Het STGCN-model presteerde beter dan het Transformer-gebaseerde model en behaalde een Mean Squared Error (MSE) van 0,011 vergeleken met 0,013 voor de Transformer. De auteurs schrijven de superieure prestatie van de STGCN toe aan het expliciete modelleren van interacties tussen geografische locaties, wat cruciaal is voor regionale weerpatronen.
• Systeemgebruiksgemak: De mobiele applicatie biedt succesvol locatiegebaseerde gewosaanbevelingen en realtime updates. Gebruikersfeedback gaf aan dat het systeem bruikbaar en relevant is, vooral in rurale omgevingen waar gepersonaliseerde begeleiding schaars is.
• RAG-prestaties: Kwalitatieve beoordelingen toonden aan dat het RAG-systeem consistent relevante en nuttige antwoorden genereerde op diverse landbouwvragen, waarbij het de antwoorden effectief fundeerde in de verstrekte kennisbank.

Betekenis en Claims
Het artikel claimt dat dit onderzoek de kloof overbrugt tussen geavanceerde machine learning en praktische landbouwtoepassing in Nepal door:

• Integratie van Databronnen: Het succesvol verenigen van spatio-temporele weervoorspellingen met statische bodemgegevens binnen één enkel framework, waarmee een beperking in eerdere studies wordt aangepakt die deze factoren vaak geïsoleerd behandelden.
• Modelleren van Complexiteit: Aan te tonen dat Grafische Neurale Netwerken, specif kind de STGCN's, effectiever zijn dan standalone Transformer-modellen voor het vastleggen van de ruimtelijke en temporele afhankelijkheden die nodig zijn voor nauwkeurige regionale weervoorspelling in geografisch diverse gebieden.
• Boeren Versterken: Het bieden van een mobile-first oplossing die actiegericht, gelokaliseerd inzicht en conversationele ondersteuning levert, wat geïnformeerde besluitvorming bevordert, potentieel de oogstopbrengsten verhoogt en de veerkracht tegen klimaatvariabiliteit versterkt.

Beperkingen en Toekomstig Werk
De auteurs erkennen dat het systeem afhankelijk is van historische gegevens die inconsistent kunnen zijn en dat het een gebrek heeft aan uitgebreide kwantitatieve metrieken specifiek voor de nauwkeurigheid van gewosaanbevelingen. Ze merken op dat de modellen mogelijk niet de zeer complexe milie Interacties of specifieke microklimaten volledig kunnen vatten. Toekomstig werk richt zich op het opnemen van realtime satellietgegevens, het ontwikkelen van robuuste kwantitatieve evaluatiemetrieken voor aanbevelingen, het verbeteren van modelarchitecturen en het verbeteren van de mobiele toegankelijkheid met offline mogelijkheden.