In contrast to the rapid digitalization of several industries, agriculture suffers from low adoption of smart farming tools. While AI-driven digital agriculture tools can offer high-performing predictive functionalities, they lack tangible quantitative evidence on their benefits to the farmers. Field experiments can derive such evidence, but are often costly, time consuming and hence limited in scope and scale of application. To this end, we propose an observational causal inference framework for the empirical evaluation of the impact of digital tools on target farm performance indicators (e.g., yield in this case). This way, we can increase farmers' trust via enhancing the transparency of the digital agriculture market and accelerate the adoption of technologies that aim to secure farmer income resilience and global agricultural sustainability. As a case study, we designed and implemented a recommendation system for the optimal sowing time of cotton based on numerical weather predictions, which was used by a farmers' cooperative during the growing season of 2021. We then leverage agricultural knowledge, collected yield data, and environmental information to develop a causal graph of the farm system. Using the back-door criterion, we identify the impact of sowing recommendations on the yield and subsequently estimate it using linear regression, matching, inverse propensity score weighting and meta-learners. The results reveal that a field sown according to our recommendations exhibited a statistically significant yield increase that ranged from 12% to 17%, depending on the method. The effect estimates were robust, as indicated by the agreement among the estimation methods and four successful refutation tests. We argue that this approach can be implemented for decision support systems of other fields, extending their evaluation beyond a performance assessment of internal functionalities.

Bản dịch tiếng Việt:

Trái ngược với tốc độ số hóa nhanh chóng của một số ngành công nghiệp, nông nghiệp có tỷ lệ áp dụng các công cụ canh tác thông minh thấp. Mặc dù các công cụ nông nghiệp kỹ thuật số do AI điều khiển có thể cung cấp các chức năng dự đoán hiệu suất cao nhưng chúng thiếu bằng chứng định lượng rõ ràng về lợi ích của chúng đối với nông dân. Các thí nghiệm thực địa có thể thu được bằng chứng như vậy nhưng thường tốn kém, mất thời gian và do đó bị hạn chế về phạm vi và quy mô ứng dụng. Để đạt được mục tiêu này, chúng tôi đề xuất một khung suy luận nhân quả quan sát để đánh giá thực nghiệm về tác động của các công cụ kỹ thuật số đối với các chỉ số hiệu suất trang trại mục tiêu (ví dụ: năng suất trong trường hợp này). Bằng cách này, chúng tôi có thể tăng cường niềm tin của nông dân thông qua việc nâng cao tính minh bạch của thị trường nông nghiệp kỹ thuật số và đẩy nhanh việc áp dụng các công nghệ nhằm đảm bảo khả năng phục hồi thu nhập của nông dân và tính bền vững của nông nghiệp toàn cầu. Như một nghiên cứu điển hình, chúng tôi đã thiết kế và triển khai hệ thống đề xuất về thời gian gieo bông tối ưu dựa trên dự đoán thời tiết bằng số, được hợp tác xã nông dân sử dụng trong mùa trồng trọt năm 2021. Sau đó, chúng tôi tận dụng kiến ​​thức nông nghiệp, thu thập dữ liệu năng suất và thông tin môi trường để phát triển biểu đồ nhân quả của hệ thống trang trại. Bằng cách sử dụng tiêu chí cửa sau, chúng tôi xác định tác động của các khuyến nghị gieo trồng đối với năng suất và sau đó ước tính nó bằng cách sử dụng hồi quy tuyến tính, đối sánh, trọng số điểm xu hướng nghịch đảo và công cụ học tổng hợp. Kết quả cho thấy rằng một cánh đồng gieo trồng theo khuyến nghị của chúng tôi cho thấy năng suất tăng đáng kể về mặt thống kê, dao động từ 12% đến 17%, tùy thuộc vào phương pháp. Các ước tính hiệu quả rất chắc chắn, được thể hiện bằng sự thống nhất giữa các phương pháp ước tính và bốn thử nghiệm bác bỏ thành công. Chúng tôi lập luận rằng cách tiếp cận này có thể được triển khai cho các hệ thống hỗ trợ quyết định thuộc các lĩnh vực khác, mở rộng đánh giá của chúng ra ngoài việc đánh giá hiệu suất của các chức năng nội bộ.

Document Ready

Click below to load the full PDF document natively.