A agricultura desempenha um papel fundamental na segurança alimentar global. A agricultura é crítica para a segurança alimentar global e o desenvolvimento econômico. A agricultura de precisão que utiliza aprendizado de máquina (em inglês, machine learning, ML) e a Internet das Coisas (em inglês, Internet of Things, IoT) é uma abordagem promissora para aumentar a produtividade das culturas e otimizar o uso de recursos. Este artigo apresenta um sistema integrado de recomendação de culturas e fertilizantes, visando otimizar as práticas agrícolas em Ruanda. O sistema é construído sobre dois modelos preditivos: um modelo de aprendizado de máquina para recomendação de culturas e um modelo de recomendação de fertilização baseado em regras. O sistema de recomendação de culturas é baseado em um modelo de rede neural treinado em um conjunto de dados das principais culturas de Ruanda e seus principais parâmetros de crescimento, como níveis de nitrogênio, fósforo, potássio e pH do solo. O sistema de recomendação de fertilizantes usa uma abordagem baseada em regras para fornecer recomendações personalizadas de fertilizantes com base em tabelas pré-compiladas. O modelo de predição proposto atinge 97% de precisão. O estudo faz uma contribuição significativa para o campo da agricultura de precisão, fornecendo ferramentas de apoio à decisão que combinam inteligência artificial e conhecimento de domínio.
Agriculture plays a key role in global food security. Agriculture is critical to global food security and economic development. Precision farming using machine learning (ML) and the Internet of Things (IoT) is a promising approach to increasing crop productivity and optimizing resource use. This paper presents an integrated crop and fertilizer recommendation system aimed at optimizing agricultural practices in Rwanda. The system is built on two predictive models: a machine learning model for crop recommendations and a rule-based fertilization recommendation model. The crop recommendation system is based on a neural network model trained on a dataset of major Rwandan crops and their key growth parameters such as nitrogen, phosphorus, potassium levels, and soil pH. The fertilizer recommendation system uses a rule-based approach to provide personalized fertilizer recommendations based on pre-compiled tables. The proposed prediction model achieves 97% accuracy. The study makes a significant contribution to the field of precision agriculture by providing decision support tools that combine artificial intelligence and domain knowledge.