سبز کردن آینده: معرفی Eco-Tree، یک راه حل کشاورزی مبتنی بر هوش مصنوعی

سبز کردن آینده: معرفی Eco-Tree، یک راه حل کشاورزی مبتنی بر هوش مصنوعی

همانطور که ما برای آینده ای پایدارتر می کوشیم، نیاز به راه حل های نوآورانه برای حمایت از صنعت کشاورزی بیش از هر زمان دیگری ضروری است. اینجاست که Eco-Tree وارد می‌شود – یک برنامه وب مبتنی بر یادگیری ماشینی که روشی را که ما به توصیه‌های محصول و کود می‌رویم متحول می‌کند.
Eco-tree که با Angular-14 و Flask ساخته شده است، از قدرت سه مدل پیش‌بینی پیشرفته برای ارائه توصیه‌های دقیق بر اساس ویژگی‌های خاک بهره می‌برد. پیاده‌سازی این مدل‌ها را می‌توانید در نوت‌بوک‌های پایتون همراه، که در بخش «همه پیوندها» این مقاله موجود است، بیابید.
API Eco-Tree که با استفاده از Flask ساخته شده و بر روی AWS مستقر شده است، این توصیه‌ها را با اجازه دادن به کاربران برای دسترسی به آن‌ها در زمان واقعی به سطح بعدی ارتقا می‌دهد. به سادگی داده های خاک خود را به عنوان یک درخواست POST به API ارسال کنید و پیش بینی ها را در قالب JSON واضح و مختصر دریافت کنید.
قسمت جلویی Eco-Tree به لطف استفاده از Angular-14 و بسته Material UI NPM به همان اندازه که کاربردی است زیباست. Eco-Tree با طراحی تمیز و شهودی خود دسترسی کاربران به اطلاعات مورد نیاز برای تصمیم گیری آگاهانه در مورد محصولات و کودهای کشاورزی را آسان می کند.
در نتیجه، Eco-Tree یک تغییر دهنده بازی برای صنعت کشاورزی است که بینش ها و توصیه های ارزشمندی را برای حمایت از شیوه های کشاورزی پایدار ارائه می دهد. خواه کشاورز، کشاورز، یا صرفاً فردی باشید که به دنبال تأثیر مثبت بر محیط زیست هستید، Eco-Tree راه حلی است که به دنبال آن بوده اید.
برنامه وب مستقر شده

لینک: http://ecotree-app.s3-website.ap-south-1.amazonaws.com/

Flask API نقاط پایانی

1. نقطه پایانی توصیه محصول: http://ecotreeappfive-env.eba-hphdscvg.ap-south-1.elasticbeanstalk.com/predict_crop

2. نقطه پایانی توصیه کود: http://ecotreeappfive-env.eba-hphdscvg.ap-south-1.elasticbeanstalk.com/predict_fertilizer

درباره داده های بازگردانده شده توسط Flask API

داده ها در قالب JSON برگردانده می شوند:

1.برای توصیه محصول

{
    xgb_model_prediction: "rice",
    xgb_model_probability: 99.2%,
    rf_model_prediction: "rice",
    rf_model_probability: 99.3%,
    knn_model_prediction: "rice",
    knn_model_probability: 99.5%,
    final_prediction: "rice",
}

2.برای توصیه کود

{
    xgb_model_prediction: "Urea",
    xgb_model_probability: 99.2%,
    rf_model_prediction: "Urea",
    rf_model_probability: 99.3%,
    svm_model_prediction: "Urea",
    svm_model_probability: 99.5%,
    final_prediction: "Urea",
}

توجه: این API را می توان با ارسال یک درخواست POST با داده های ورودی لازم به نقاط پایانی فوق الذکر در برنامه وب یا برنامه تلفن همراه خود استفاده کرد.

مراحل اجرای Angular-14 Application به صورت محلی

1. این مخزن را شبیه سازی کنید.
2. خط فرمان را در پوشه منبع در frontend باز کنید
3. تمام بسته های NPM را نصب کنید

npm install

برنامه را شروع کنید

ng serve --open

برنامه روی localhost:3000 اجرا می شود

مراحل اجرای Flask API به صورت محلی

1. این مخزن را شبیه سازی کنید
2. باز کردن خط فرمان در “Flask_API”
3. یک محیط مجازی ایجاد کنید

mkvirtualenv environment_name

تمام بسته ها را نصب کنید

pip install -r requirements.txt

فایل app.py را اجرا کنید

python app.py

همه لینک ها

1. پیوند نوت بوک توصیه کننده برش
2. لینک دفترچه توصیه کود
3. پیوند مجموعه داده برش
4. لینک دیتاست کود
5. پیوند برنامه وب مستقر شده

توجه: اگر کار من را دوست داشتید، لطفاً با رای دادن به نوت‌بوک‌های Kaggle حمایت کنید.