چکیده
پیش‌بینی آب‌وهواهای شدید چند روز پیش از وقوع امکان‌پذیر است، اما پیامدهای آن بر بخش کشاورزی همچنان از پیش‌بینی خارج است: پیش‌بینی‌های موجود تنها مکان ضربه طوفان را مشخص می‌کنند، نه اینکه کدام محصولات تحت فشار قرار می‌گیرند یا چه میزان از آن‌ها در خطر است، و داده‌هایی که می‌توانند در این باره اطلاعاتی ارائه دهند، در منابع مختلف پراکنده‌اند. ما WxCrop را معرفی می‌کنیم، اولین سیستمی که خطرات کشاورزی را با تحلیل علّیتی از روی شاخص‌های آب‌وهوا قابل تفسیر فیزیکی ارزیابی می‌کند و نخستین پلتفرمی است که داده‌های آب‌وهوا و کشاورزی را ترکیب کرده تا زیان‌های محصول را برای دوره‌های گذشته و پیش‌بینی‌شده به‌صورت قابل‌اعتماد پیش‌بینی نماید. ما کارایی آن را برای طوفان‌ها، یخ‌زنی‌ها و گرما و خشکی در فلوریدا نشان می‌دهیم، با مدل‌های زیان که بر روی رکوردهای بیمه برای هر یک واسنجی شده‌اند؛ روشی که برای سایر خطرات و مناطق نیز قابل تعمیم است. سه معیار اعتبارسنجی وجود دارد: شاخص طوفان، روزهای طوفان ثبت‌شده را با AUC ۰.۹۸ تشخیص می‌دهد، زیان‌های ثبت‌شده در سال‌های آزمون (hold-out) با خطای حداکثر ۲٪ بازتولید می‌شوند، و رکوردهای تولید مستقل، رتبه‌بندی شهرستان‌ها را تأیید می‌کنند (همبستگی رنک ۰.۶۳). کاربران بخش سهم هر گروه محصول را از ارزش پیش‌بینی‌شده فصل دریافت می‌کنند، هر عدد قابل ردیابی است، به‌گونه‌ای که دولت‌ها، کشاورزان و محققان بتوانند به‌سرعت با استفاده از WxCrop در برابر بلایای کشاورزی اقدام کنند.
متن کامل
فیزیک > فیزیک اتمسفر و اقیانوس arXiv:2610.40641v1 (physics) [ارسال‌شده در ۲۹ اکتبر ۲۰۲۶]
**عنوان:** از شرایط شدید آب و هوایی تا پیامدهای کشاورزی با استفاده از هوش مصنوعی عاملی
**نویسندگان:** مینگهان یو، منگوی دای، ییکسین ون، هائیزائو یانگ
مقاله‌ای با عنوان «از شرایط شدید آب و هوایی تا پیامدهای کشاورزی با استفاده از هوش مصنوعی عاملی» نوشته مینگهان يو و سه نویسنده دیگر.
**مشاهده PDF** | **HTML (آزمایشی)**
---
**چکیده:**
شرایط شدید آب و هوایی روزها پیش از وقوع پیش‌بینی می‌گردند، اما پیش‌بینی پیامدهای آن بر بخش کشاورزی همچنان چالش‌برانگیز است. پیش‌بینی‌های موجود تنها مکان وقوع طوفان را تعیین می‌کنند، نه اینکه کدام محصولات دچار آسیب شده‌اند یا تا چه حد در معرض خطر قرار دارند. سوابقی که می‌توانند چنین اطلاعاتی را فراهم آورند، در منابع متعدد پراکنده‌اند. ما **WxCrop** را معرفی می‌کنیم، اولین عامل هوش مصنوعی که خطرات کشاورزی را بر پایه شاخص‌های آب و هوایی قابل تفسیر فیزیکی — که از منظر تحلیل علت بررسی شده‌اند — ارزیابی می‌کند. این عامل همچنین نخستین سیستمی است که داده‌های آب و هوایی و کشاورزی را ادغام می‌کند تا از دست رفتن محصول را به طور قابل اعتماد برای دوره‌های گذشته و آینده پیش‌بینی نماید.
ما این سیستم را در ایالت فلوریدا برای پدیده‌های طوفان، یخ‌زدگی و موج گرما آزمایش کردیم. مدل از دست رفتن برای هر یک از این پدیده‌ها بر اساس سوابق بیمه کالیبره شده است. این روش به سائر خطرات و مناطق نیز قابل تعمیم است. سه ارزیابی مجزا اعتبار سیستم را تأیید می‌کنند: شاخص طوفان، روزهای ثبت‌شده سیکلون را با AUC ۰.۹۸ شناسایی می‌کند؛ خسارات ثبت‌شده در سال‌های جدا شده با خطای کمتر از ۲٪ بازتولید می‌شوند؛ و سوابق تولید مستقل، رتبه‌بندی‌های شهرستان را تأیید می‌کنند (همبستگی رتبه ۰.۶۳).
کاربران می‌توانند از عامل بخواهند که خسارت هر گروه محصول را به عنوان کسری از ارزش فصل مورد انتظار گزارش دهد. هر عدد از منبعی قابل استناد تأمین شده است تا دولت‌ها، کشاورزان و محققان بتوانند به سرعت در برابر بلایای کشاورزی واکنش نشان دهند.
---
**نظرات:**
**موضوعات:** فیزیک اتمسفر و اقیانوس (physics.ao-ph)؛ هوش مصنوعی (cs.AI)
**استناد:** arXiv:2610.40641 [physics.ao-ph] (یا arXiv:2610.40641v1 [physics.ao-ph] برای این نسخه)
https://doi.org/10.48550/arXiv.2610.40641
برای کسب اطلاعات بیشتر به DOI صادر شده توسط arXiv از طریق DataCite مراجعه کنید.
**تاریخ ارسال:**
**از:** مینگهان یو [مشاهده ایمیل]
[v1] پنج‌شنبه، ۲۹ اکتبر ۲۰۲۶ ۱۷:۵۸:۵۳ UTC (۷,۶۵۸ KB)
---
**ابزارهای کتاب‌شناسی**
ابزارهای کتاب‌شناسی و استناد | جستجوی کتاب‌شناسی | فعال کردن جستجوی کتاب‌شناسی (جستجوی کتاب‌شناسی چیست؟)
**مقالات مرتبط**
فعال کردن مقالات مرتبط (مقالات مرتبط چیست؟) | Litmaps | فعال کردن Litmaps (Litmaps چیست؟) | scite.ai | فعال کردن استنادهای هوشمند scite (استنادهای هوشمند چیست؟)
**کد، داده، رسانه**
کد، داده و رسانه مرتبط با این مقاله | alphaXiv | فعال کردن alphaXiv (alphaXiv چیست؟)
**لینک‌ها به کد**
فعال کردن CatalyzeX Code Finder برای مقالات (CatalyzeX چیست؟) | DagsHub | فعال کردن DagsHub (DagsHub چیست؟) | GotitPub | فعال کردن Gotit.pub (GotitPub چیست؟) | Huggingface | فعال کردن Hugging Face (Huggingface چیست؟) | ScienceCast | فعال کردن ScienceCast (ScienceCast چیست؟)
**دموها**
دموهای Replicate | فعال کردن Replicate (Replicate چیست؟) | Spaces | فعال کردن Hugging Face Spaces (Spaces چیست؟) | Spaces | فعال کردن TXYZ.AI (TXYZ.AI چیست؟)
**مقالات مرتبط، توصیه‌کننده‌ها و ابزارهای جستجو**
لینک به Influence Flower | Influence Flower (Influence Flower چیست؟) | توصیه‌کننده اصلی | فعال کردن CORE Recommender (CORE Recommender چیست؟)
**نویسنده** | **مکان** | **نهاد** | **موضوع**
---
**درباره arXivLabs**
arXivLabs: پروژه‌های آزمایشی با همکاری جامعه
arXivLabs چارچوبی است که به همکاران اجازه می‌دهد ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت توسعه دهند و به اشتراک بگذارند. افراد و سازمان‌هایی که با arXivLabs همکاری دارند، ارزش‌های باز بودن، جامعه، برتری و حریم خصوصی داده‌های کاربر را پذیرفته و به آن‌ها پایبندند. arXiv به این ارزش‌ها متعهد است و تنها با شریکانی همکاری می‌کند که به آن‌ها پایبند باشند.
ایده‌ای برای پروژه‌ای دارید که به جامعه arXiv ارزش بیفزاید؟ بیشتر درباره arXivLabs بدانید.
**کدام نویسندگان این مقاله تاییدکننده‌اند؟** | **غیرفعال کردن MathJax** (MathJax چیست؟)