latex
الهدف الرئيسي من هذا العمل هو تطوير نظام ذكي لدعم اتخاذ القرار الزراعي لاختيار المحاصيل والتنبؤ بالأمراض في بنغلادش. يعتمد اقتصاد الدولة بشكل كبير على الزراعة، ومع ذلك توجد تحديات في اختيار المحاصيل ذات الإنتاج الأمثل وإدارة أمراض المحاصيل بفعالية. يتناول هذا البحث هذه القضايا باستخدام تقنيات تعلم الآلة ومجموعات بيانات واقعية. يستخدم المنهج المقترح بيانات متنوعة حول إنتاج المحاصيل وظروف التربة والمناطق الزراعية والبيئية وأمراض المحاصيل والعوامل الجوية. توفر هذه البيانات معلومات قيمة حول اتجاهات الأمراض واحتياجات التربة من العناصر الغذائية وتاريخ الإنتاج الزراعي. من خلال دمج هذه المعرفة، يقترح النموذج أولاً قائمة بالمحاصيل بناءً على خصائص تغذية التربة في موقع المستخدم. ثم يجري تنبؤات للمتغيرات الجوية مثل درجة الحرارة وهطول الأمطار والرطوبة باستخدام نماذج SARIMAX. تُستخدم هذه التوقعات أيضاً للتنبؤ بإمكانية حدوث الأمراض للقائمة الأولية من المحاصيل عبر مصنف الدعم الناقل. وأخيراً، يوظف النموذج المطوَّر نماذج انحدار شجرة القرار للتنبؤ بإنتاجية المحاصيل ويقدم قائمة نهائية بالمحاصيل مع توقعات الأمراض المحتملة المرتبطة بها. من خلال نتائج النموذج، يمكن للمزارعين اختيار المحاصيل الأكثر إنتاجية والحد من انتشار الأمراض وتقليل خسائر الإنتاج عبر اتخاذ إجراءات وقائية. وبهذا يتم دعم عمليات التخطيط واتخاذ القرار الزراعي، ويمكن التنبؤ بإنتاجية المحاصيل المستقبلية. بشكل عام، من خلال تقديم نظام متكامل لدعم القرار في اختيار المحاصيل والتنبؤ بالأمراض، يمكن لهذا العمل أن يلعب دوراً حيوياً في تعزيز الممارسات الزراعية في بنغلادش.
تُعَدُّ الزراعة العمود الفقري لاقتصاد بنغلادش، إذ تسهم بحوالي 12% من الناتج المحلي الإجمالي للدولة وتوظف 45% من القوى العاملة (1). ومع تزايد الضغوط السكانية وظهور تحديات جديدة، يواجه القطاع الزراعي العديد من الصعوبات. تشمل التحديات الرئيسة محدودية خيارات المحاصيل المناسبة لخصائص التربة، وضعف دقة توقعات الطقس، وقابلية المحاصيل للإصابة بالآفات والأمراض. ومن الضروري تعزيز الزراعة عبر تطبيق تقنيات تعلم الآلة والذكاء الاصطناعي في عصر الثورة الصناعية الرابعة.
تتأثر المحاصيل المزروعة في بنغلادش بعوامل عدة تشمل مستويات المغذيات في التربة، والظروف الجوية، ومخاطر الأمراض، وتختلف هذه العوامل من منطقة إلى أخرى. لذا من المهم التعرف عليها بدقة، إذ لا تناسب كامل المحاصيل جميع المناطق. تظل اختبارات التربة ضرورية لفهم تركيب التربة ومستويات العناصر الغذائية، ما يمهد الطريق لاختيار المحاصيل الأمثل (2). يمكن لتعلم الآلة تبسيط هذه العملية واقتراح المحاصيل المناسبة بناءً على ذلك.
تشكل توقعات الطقس عاملاً حاسماً في الإنتاج الزراعي (3). من خلال دمج تعلم الآلة والذكاء الاصطناعي في تنبؤات الطقس، يمكن الحصول على توقعات أكثر دقة لدعم اختيار المحاصيل. كما تساعد قدرات التنبؤ في تقييم مستوى خطر الأمراض الزراعية استناداً إلى معايير جوية مثل درجة الحرارة وكميات الأمطار والرطوبة، مما يؤثر بدوره على قرارات اختيار المحاصيل.
على الرغم من الأبحاث العديدة في اختيار المحاصيل استناداً إلى معايير مختلفة، لم يتم بعد دمج توقعات الطقس وخصائص التربة وتنبؤات الأمراض لتحسين الإنتاجية في بنغلادش. يتمثل الهدف الرئيسي في دمج هذه العوامل لتقديم توصيات محاصيلية أفضل. يشكل التحدي الرئيس ضبط دمج تنبؤ الأمراض مع متغيرات الطقس لتحسين جودة التوصيات. لذلك يجب جمع وتنظيم وتصنيف البيانات المتعلقة بمخاطر الأمراض والظروف الجوية بدقة لكل محصول.
يمكن تلخيص مساهمات العمل المقترح كما يلي:
إنشاء إطار موحد لتوقعات الطقس في بنغلادش، يدمج متغيرات جوية مختلفة باستخدام نموذج السلاسل الزمنية SARIMAX.
تطوير مجموعة بيانات لأمراض المحاصيل المختلفة استناداً إلى معايير الطقس (درجة الحرارة والرطوبة).
تقديم نموذج اقتراح محاصيل سهل الاستخدام يساعد المزارعين في اتخاذ قرارات فعالة استناداً إلى خصائص التربة وتوقعات الطقس ومخاطر الأمراض، مما يعزز إنتاجيتهم وربحيتهم.
يستعرض القسم الثاني الأدبيات المتعلقة بهذا الموضوع. وتُعرض منهجيتنا بشكل شامل في القسم الثالث. يتضمن القسم الرابع التقييم التجريبي لنموذجنا، ويختتم البحث في القسم الخامس.
لقد حاول العديد من الباحثين مؤخراً استخدام الأساليب الحديثة في المجال الزراعي لتحسين إنتاج المحاصيل. استخدم هاثفيلد وآخرون (5) نموذج المتوسط المتحرك الموسمي المتكامل، ولتقدير إنتاج المحصول وظفوا تقنية الانحدار العشوائي للغابات. ومع ذلك، لم يتطرقوا إلى تأثير الأمراض على الإنتاج. قدم خاكي وآخرون (6) نموذج شبكة عصبية عميقة للتنبؤ بإنتاج المحاصيل، وحددوا أن العوامل الجوية لها تأثير أكبر على الإنتاج مقارنة بالعوامل الوراثية. كما استُخدم نموذج الشبكة العصبية للتنبؤ بالطقس. استخدم سارانيا وآخرون (2) خوارزميات SVM وKNN والانحدار اللوجستي للتنبؤ بأفضل محصول بناءً على اختبارات التربة وتوقعات الطقس. طبق ألفاراسان وآخرون (7) نماذج تعلم آلي متعددة، مشرفة وغير مشرفة، لتقدير إنتاج المحاصيل، ورصدوا أن خوارزميات التعظيم-التنبؤ وآلة الدعم الناقل قدمت نتائج أفضل مقارنة بخوارزميات أخرى اعتماداً على معايير قياس الخطأ المختلفة. ركز خطاب وآخرون (8) على التنبؤ بالأمراض استناداً إلى متغيرات الطقس، حيث استُخدم نظام مراقبة قائم على إنترنت الأشياء للتنبؤ المبكر بأمراض النباتات. استخدم ريان وآخرون (9) سلاسل ماركوف العشوائية، المسؤولة عن العنصر المكاني بين المواقع المجاورة لمقاومة المبيدات. ركزت آفيرين وآخرون (10) على التنبؤ بإنتاج المحاصيل من خلال تحليل خصائص التربة في 28 منطقة فرعية في بنغلادش، وتم إجراء التنبؤات باستخدام DBSCAN وPAM وCLARA وK-means وتقنيات تعزيز البيانات وانحدار خطي بأربعة أنواع مختلفة. قدم بارفين وآخرون (11) مراجعة لأساليب تعلم الآلة في التنبؤ بأمراض المحاصيل الزراعية، وناقشوا دمج المتغيرات الجوية وبيانات الأمراض التاريخية، وأكدوا على إمكانية تعلم الآلة في تعزيز استراتيجيات إدارة الأمراض. وُجدت قيود في توفر وجودة البيانات، خاصة في المناطق النامية، وأشاروا أيضاً إلى تعقيد تفاعلات الأمراض والحاجة إلى تحديث البيانات بدقة ووقت مناسب. وصف فيجاياكومار وآخرون (12) طريقة للتنبؤ المبكر بأمراض المحاصيل باستخدام تعلم الآلة، وتحققوا من دور المتغيرات الجوية والمعلومات الفسيولوجية للنباتات في إنشاء نماذج التنبؤ، وأكدت الدراسة على أهمية الكشف المبكر عن الأمراض لحماية المحاصيل. كما أشار المقال إلى تعقيد تفاعلات الأمراض والحاجة إلى بيانات حديثة وموثوقة كعقبة رئيسية في إنشاء نماذج تنبؤية دقيقة وموثوقة. استخدم أحمد وآخرون (13) منهجية التفاعل بين الإنسان والحاسوب المعروفة بـ"النظام الناعم"، إلى جانب نماذج تعلم آلي مثل Naive Bayes وJ48 وخوارزميات التحسين التقسيمي والمصنف متعدد الفئات للتنبؤ بإنتاجية المحاصيل. اقترح أغاروال وآخرون (14) حلاً متكاملاً قائماً على تعلم الآلة لتوصية المحاصيل والتنبؤ بالعائد، وطوّروا نماذج شاملة عبر دمج خصائص التربة والمتغيرات الجوية وبيانات العائد التاريخية، وأبرزت الدراسة مزايا تضمين هذه العناصر عند اتخاذ القرارات الزراعية. ناقش التقرير صعوبات جمع البيانات، خاصة المتعلقة ببيانات التربة والأرصاد الجوية الدقيقة والموثوقة، كما اقترح أن النماذج تحتاج إلى تحسين لتتوافق مع البيئات الزراعية المخصصة.