Predicting crop yields using machine learning

يهدف هذا المشروع إلى التنبؤ بإنتاجية المحاصيل باستخدام تقنيات التعلم الآلي. يعتمد على بيانات تتضمن العوامل البيئية والزراعية (هطول الأمطار، درجة الحرارة، استخدام الأسمدة، ومستويات النيتروجين والفوسفور والبوتاسيوم) وإنتاجية المحاصيل (كوينتال/فدان).

أهداف المشروع:

* تطوير نموذج تنبؤي دقيق لإنتاجية المحاصيل.

* تحديد العوامل الرئيسية المؤثرة على الإنتاجية.

* تقييم نماذج التعلم الآلي المختلفة واختيار الأنسب.

منهجية العمل:

* المعالجة المسبقة للبيانات: تنظيف البيانات (إزالة القيم غير الصالحة، تحويل أنواع البيانات، معالجة القيم المفقودة بالوسيط، وإزالة القيم الشاذة).

* تحليل البيانات الاستكشافي (EDA): تحليل توزيع المتغيرات والعلاقات بينها وبين إنتاجية المحاصيل باستخدام الهيستوغرامات، المخططات المبعثرة، ومصفوفة الارتباط. تم اكتشاف مجموعتين متميزتين تشيران إلى محاصيل مختلفة بناءً على أنماط هطول الأمطار ودرجة الحرارة.

* تطبيق نماذج التعلم الآلي: تدريب نموذجي انحدار (Decision Tree Regressor و Random Forest Regressor) وضبط المعلمات الفائقة باستخدام GridSearchCV.

* تقييم النماذج: استخدام معامل التحديد (R²)، الخطأ التربيعي المتوسط (MSE)، والخطأ المطلق المتوسط (MAE).

* التصور والتقييم: إنشاء هيستوغرامات لتوزيع الإنتاجية الفعلية والمتوقعة ومخططات شريطية لأهمية المتغيرات. تحليل النتائج لتحديد النموذج الأمثل.

النتائج الرئيسية:

* رؤى تحليل البيانات: وجود محاصيل مختلفة بناءً على هطول الأمطار ودرجات الحرارة. درجة الحرارة هي العامل الأكثر تأثيرًا، يليها هطول الأمطار. الأسمدة والمغذيات الكبرى تظهر علاقة جزئية مع الإنتاجية. استخدام النيتروجين أعلى من الفوسفور والبوتاسيوم.

* أداء النماذج: Random Forest Regressor (R²=0.802, MSE=0.711, MAE=0.684) أداء أفضل من Decision Tree Regressor (R²=0.770, MSE=0.825, MAE=0.683). درجة الحرارة وهطول الأمطار هما الأكثر تأثيرًا في كلا النموذجين.

الأثر والتطبيقات:

يوفر المشروع أداة للتنبؤ بإنتاجية المحاصيل، مما يساعد على تحسين تخصيص الموارد وإدارة المحاصيل. يمكن دمج النماذج في أنظمة الزراعة الذكية لتحسين التخطيط الزراعي وتقليل المخاطر البيئية واتخاذ قرارات مستنيرة.