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

Resumo Técnico: Sistema de Recomendação de Culturas e Resposta a Consultas Agrícolas Utilizando Redes Neurais de Grafos Espaço-Temporais e Recuperação Híbrida Aumentada

Definição do Problema
O artigo aborda a necessidade crítica de agricultura de precisão no Nepal, uma nação onde aproximadamente 66% da população depende da agricultura. As práticas agrícolas atuais são amplamente baseadas na subsistência e dependem de experiência tradicional ou previsões meteorológicas básicas, que frequentemente falham em considerar as rápidas mudanças climáticas e eventos climáticos extremos. Os sistemas de suporte à decisão existentes frequentemente sofrem com a falta de integração entre dados meteorológicos dinâmicos e propriedades estáticas do solo, ou falham em modelar as complexas dependências espaço-temporais inerentes à diversidade geográfica do Nepal, que abrange 1.359 locais agrícolas distintos. Alémos disso, os agricultores carecem de acesso a informações localizadas e oportunas sobre controle de pragas, subsídios e gestão de culturas.

Metodologia
Os autores propõem um sistema unificado composto por três componentes principais: previsão do tempo, recomendação de culturas e uma interface de resposta a consultas.

1. Coleta e Pré-processamento de Dados:

   • Dados de Localização: Dados coletados manualmente para 1.359 regiões agrícolas, incluindo longitude, latitude, altitude e nomes.
   • Dados Meteorológicos: Um conjunto de dados históricos de 42 anos da NASA cobrindo 1.359 locais. Variáveis principais (Temperatura, Precipitação, Umidade, etc.) foram pré-processadas via testes de correlação, padronização e criação de instantâneos temporais com um atraso (lag) de 120 dias.
   • Dados do Solo: Recuperados via API, incluindo pH, matéria orgânica, nitrogênio e outros nutrientes.
   • Dados de Culturas: Conjuntos de dados curados detalhando condições ideais de crescimento (pH, nutrientes, intervalos climáticos) para vários vegetais.
   • Construção do Grafo: As localizações foram modeladas como nós. As arestas foram definidas com base na distância geodésica (<15 km) ou diferença de altitude (<50 m), com pesos inversamente proporcionais a essas diferenças.

2. Modelos de Previsão do Tempo:
   Duas arquiteturas de aprendizagem profunda foram treinadas para prever parâmetros meteorológicos de 30 dias (umidade, precipitação, temperatura) usando 100 dias de dados históricos:

   • Rede Convolucional de Grafo Espaço-Temporal (STGCN): Uma Rede Neural de Grafo (GNN) que propaga informações entre nós vizinhos para capturar dependências espaciais, estendida para processar sequências de grafos para tendências temporais.
   • Modelo de Grafo Baseado em Transformer: Uma arquitetura híbrida que combina convolução temporal (padrões de curto prazo), um bloco Transformer temporal (dependências de longo prazo) e convolução de grafo (dependências espaciais).
   • Treinamento: Os modelos foram treinados usando aprendizagem supervisionada com um otimizador Adam, divisões de dados de 70/15/15, e avaliados usando Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE).

3. Mecanismo de Recomendação de Culturas:
   O sistema integra dados meteorológicos previstos com atributos estáticos do solo. Um algoritmo de pontuação calcula uma pontuação de adequação para cada cultura em uma localização específica usando uma métrica de distância inversa:
   $$score = \frac{1}{1 + |location\_data[feature] - mid\_val|}$$
   onde $mid\_val$ é o ponto médio do intervalo ideal de uma cultura para um recurso específico. O mecanismo gera uma lista classificada de culturas recomendadas.

4. Chatbot de Geração Aumentada por Recuperação (RAG):
   Um agente conversacional foi desenvolvido para responder às consultas dos agricultores sobre culturas, pragas e subsídios. Ele utiliza uma abordagem de recuperação híbrida usando SPLADE (para representações esparsas) e vetores densos-esparsos para consultar uma base de conhecimento armazenada no Pinecone. O sistema gera respostas sensíveis ao contexto, principalmente no idioma nepalês, utilizando a API da Cohere.

5. Implantação:
   Todo o sistema é implantado via um aplicativo móvel construído com React Native, apresentando um backend Django e um banco de dados SQLite3.

Principais Resultados

• Previsão do Tempo: O modelo STGCN superou o modelo baseado em Transformer, alcançando um Erro Quadrático Médio (MSE) de 0,011 em comparação com 0,013 do Transformer. Os autores atribuem o desempenho superior do STGCN ao seu modelamento explícito das interações entre localizações geográficas, o que é crucial para padrões meteorológicos regionais.
• Usabilidade do Sistema: O aplicativo móvel fornece com sucesso recomendações de culturas baseadas na localização e atualizações em tempo real. O feedback dos usuários indicou que o sistema é utilizável e relevante, particularmente em ambientes rurais onde a orientação personalizada é escassa.
• Desempenho do RAG: Avaliações qualitativas mostraram que o sistema RAG gerou consistentemente respostas relevantes e úteis para diversas consultas agrícolas, fundamentando efetivamente as respostas na base de conhecimento fornecida.

Significância e Alegações
O artigo afirma que esta pesquisa preenche a lacuna entre a aprendizagem de máquina avançada e a aplicação agrícola prática no Nepal ao:

• Integrar Fontes de Dados: Unificar com sucesso previsões meteorológicas espaço-temporais com dados estáticos do solo dentro de um único framework, abordando uma limitação em estudos anteriores que frequentemente tratavam esses fatores isoladamente.
• Modelar Complexidade: Demonstrar que as Redes Neurais de Grafo, especificamente as STGCNs, são mais eficazes do que modelos Transformer independentes para capturar as dependências espaciais e temporais necessárias para uma previsão meteorológica regional precisa em áreas geograficamente diversas.
• Capacitar Agricultores: Fornecer uma solução focada em dispositivos móveis que entrega insights localizados e acionáveis e suporte conversacional, promovendo assim a tomada de decisão informada, potencialmente aumentando o rendimento das culturas e aumentando a resiliência à variabilidade climática.

Limitações e Trabalho Futuro
Os autores reconhecem que o sistema depende de dados históricos que podem ser inconsistentes e carece de métricas quantitativas abrangentes especificamente para a precisão da recomendação de culturas. Eles observam que os modelos podem não capturar totalmente interações ambientais altamente complexas ou microclimas específicos. O trabalho futuro proposto inclui dados de satélite em tempo real, desenvolvimento de métricas de avaliação quantitativas robustas para recomendações, aprimoramento de arquiteturas de modelos e melhoria da acessibilidade móvel com capacidades offline.