Today, crop diversification in agriculture is a critical issue to meet the increasing demand for food and improve food safety and quality. This issue is considered to be the most important challenge for the next generation of agriculture due to the diminishing natural resources, the limited arable land, and unpredictable climatic conditions caused by climate change. In this paper, we employ emerging technologies such as the Internet of Things (IoT), machine learning (ML), and explainable artificial intelligence (XAI) to improve operational efficiency and productivity in the agricultural sector. Specifically, we propose an edge computing-based explainable crop recommendation system, AgroXAI, which suggests suitable crops for a region based on weather and soil conditions. In this system, we provide local and global explanations of ML model decisions with methods such as ELI5, LIME, SHAP, which we integrate into ML models. More importantly, we provide regional alternative crop recommendations with the counterfactual explainability method. In this way, we envision that our proposed AgroXAI system will be a platform that provides regional crop diversity in the next generation agriculture.

Bản dịch tiếng Việt:

Ngày nay, đa dạng hóa cây trồng trong nông nghiệp là một vấn đề quan trọng nhằm đáp ứng nhu cầu ngày càng tăng về lương thực và cải thiện chất lượng, an toàn thực phẩm. Vấn đề này được coi là thách thức quan trọng nhất đối với thế hệ nông nghiệp tiếp theo do tài nguyên thiên nhiên ngày càng cạn kiệt, đất canh tác hạn chế và điều kiện khí hậu khó lường do biến đổi khí hậu. Trong bài viết này, chúng tôi sử dụng các công nghệ mới nổi như Internet vạn vật (IoT), học máy (ML) và trí tuệ nhân tạo có thể giải thích (XAI) để cải thiện hiệu quả hoạt động và năng suất trong lĩnh vực nông nghiệp. Cụ thể, chúng tôi đề xuất AgroXAI, một hệ thống khuyến nghị cây trồng có thể giải thích dựa trên điện toán ranh giới, gợi ý các loại cây trồng phù hợp cho một khu vực dựa trên điều kiện thời tiết và đất đai. Trong hệ thống này, chúng tôi cung cấp các giải thích cục bộ và toàn cầu về các quyết định của mô hình ML bằng các phương pháp như ELI5, LIME, SHAP mà chúng tôi tích hợp vào các mô hình ML. Quan trọng hơn, chúng tôi đưa ra các khuyến nghị về cây trồng thay thế trong khu vực bằng phương pháp giải thích phản thực tế. Bằng cách này, chúng tôi hình dung rằng hệ thống AgroXAI được đề xuất của chúng tôi sẽ là nền tảng cung cấp sự đa dạng cây trồng trong khu vực trong nền nông nghiệp thế hệ tiếp theo.

Document Ready

Click below to load the full PDF document natively.