التنبؤ باحتياجات الري الزراعي

في هذا المشروع، واجهت تحدي وهو التنبؤ باحتياجات الري الزراعي بالاعتماد على مجموعة بيانات تتجاوز 530,000 سجل، والتي اتسمت بتشوه (انحراف) شديد وعدم انتظام ( Imbalance and skewed Data). ونظراً لكون البيانات غير متوازنة بشدة — حيث طغت فئة واحدة بشكل كبير على الفئات الأخرى — عجزت النماذج القياسية الجاهزة عن استيعاب التفاصيل الدقيقة للفئات الأقل تمثيلاً.

ولمعالجة هذه الإشكالية، أجريت بحثاً موسعاً وعملت على تطبيق تقنيات متقدمة في التعلم العميق (Deep Learning) من الصفر. قمت ببناء شبكة عصبية تسلسلية مخصصة (Sequential Neural Network) باستخدام بيئة TensorFlow/Keras، ووظفت تحديداً دالة خسارة بؤرية مخصصة (Custom Focal Loss) مع أوزان فئوية ديناميكية (Dynamic Class Weighting) لتقويم النموذج ومنعه من تجاهل بيانات الفئات الأقلية.

وللارتفاع بدقة النموذج إلى أقصى حدودها الممكنة، صممت جدولاً زمنياً لمعدل التعلم بنمط التلدين الجيبي مع إعادات تشغيل دافئة (Cosine Annealing Learning Rate with Warm Restarts). ختاماً، قمت بدمج (Ensembling) مخرجات التعلم العميق مع نموذج XGBoost مُحسّن من خلال مُصنّف وصفي يعتمد على الانحدار اللوجستي (Logistic Regression Meta-classifier).