\(\LaTeX\)
الهَدَفُ الرَّئيسُ من هذا العمل هو تطويرُ نِظامٍ ذكيٍّ لِدَعمِ القرارِ الزِّراعي، لِاختيارِ المَحاصيلِ والتنبؤِ بالأمراضِ في بَنغلادِش. يَعتمدُ اقتصادُ الدَّولةِ بِشَكلٍ كَبيرٍ على الزِّراعة. ومع ذلك، فإن اختيارَ المَحاصيلِ ذاتِ العائدِ الأَمثلِ ومُكافحةَ أمراضِ المَحاصيلِ بفاعليّةٍ يَمثِّلانِ تَحدّيَينِ رئيسَينِ للمُزارعين. يَتَعامَلُ هذا البحثُ مع تلك القضايا عبرَ تطبيقِ أساليبِ التعلُّمِ الآلي على مجموعاتِ بياناتٍ واقعيّة. يَستندُ النَّهجُ المُقترحُ إلى مَجمُوعةٍ مُتنوِّعةٍ من البيانات حولَ إنتاجِ المَحاصيل، وخَصائصِ التربة، والمَناطِقِ الزِّراعيةِ الإيكولوجيّة، وأمراضِ المَحاصيل، والعواملِ الجويّة. تُقدِّم هذه المجموعاتُ مَعلوماتٍ قَيّمةً عن اتجاهاتِ الأمراض، واحتياجاتِ التُّربة من المُغذِّيات، وتاريخِ الإنتاجِ الزِّراعي. وبدمجِ هذه المعارف، يُوصي النِّظامُ أولاً بقائمةٍ أوليّةٍ من المحاصيلِ المُرشَّحة بناءً على خصائصِ تغذيةِ التُّربة في موقعِ المستخدم. ثم تُجرى تنبؤاتٌ بالعواملِ الجويّة مثل درجةِ الحرارة، وكميّةِ الأمطار، والرطوبة، باستخدام نماذجِ SARIMAX. وتُستَخدَم هذه التنبؤاتُ الجويةُ لاحقاً لتقديرِ احتمالاتِ الإصابةِ بالأمراضِ لتلك القائمةِ الأوليّة من المحاصيل، باستعمالِ آلةِ مُتَّجهِ الدَّعم. وأخيراً، يُوظِّفُ النموذجُ المُطوَّرُ انحدارَ شجرةِ القرار للتنبؤِ بإنتاجيّةِ المحاصيل، ويُنتِج قائمةً نهائيّةً بالمحاصيلِ مع توقّعاتِ الأمراضِ المُحتملةِ المرتبطةِ بها. وبالاستفادةِ من مخرجاتِ النظام، يُمكِنُ للمزارعين اختيارُ المحاصيلِ الأعلى إنتاجيّةً، والحدُّ من انتشارِ الأمراضِ وتقليلُ خسائرِ الغِلال عبرَ اتخاذِ إجراءاتٍ وقائيّة. وبهذا تُدعَمُ عمليّاتُ التخطيطِ واتخاذِ القرار، ويَتمكَّن المزارعون من تقديرِ إنتاجيّةِ المحاصيلِ المُحتملة. إجمالاً، ومن خلالِ تقديمِ نظامٍ مُتكاملٍ لدعمِ القرارِ في اختيارِ المحاصيلِ والتنبؤِ بالأمراض، يُمكن لهذا العمل أن يُسهِمَ على نحوٍ حيويٍّ في تَقدُّمِ المُمارساتِ الزِّراعيّة في بَنغلادِش.
تُعَدُّ الزِّراعةُ العَمودَ الفَقريَّ لاقتصادِ بَنغلادِش، إذ تُساهِمُ بنحوِ 12\% من الناتجِ المحليِّ الإجمالي، وتُوَفِّرُ عملاً لِقُرابةِ 45\% من قُوّةِ العملِ (1). ومع ذلك، تَضَعُ الضغوطُ السُّكانيّةُ المُتزايدةُ وتعدُّدُ التحدِّياتِ القِطاعَ تَحتَ الاختبار. وتشملُ أبرزَ الإشكالاتِ محدوديّةَ المعرفةِ بالاختيارِ المُناسِبِ للمحاصيلِ بالنظرِ إلى تغذيةِ التربة، وقصورَ دقّةِ تنبؤاتِ الطقس، والهشاشةَ أمامَ الآفاتِ والأمراض. ويَغدو تحديثُ الزِّراعةِ ضرورةً ملحّة، ويمكن لتطبيقِ معارفِ التعلُّمِ الآلي والذكاءِ الاصطناعيّ في عصرِ الثورةِ الصناعيّةِ الرابعة أن يَكونَ مُحفِّزاً لهذا التحوُّل.
تتأثّرُ المحاصيلُ المزروعةُ في بَنغلادِش بعواملَ عدّة، تشملُ مُغذِّياتِ التُّربة، والطقسَ، ومخاطرَ الأمراض، وهي جميعاً تختلفُ من منطقةٍ إلى أخرى. ومن الضروريّ الإحاطةُ بهذه العواملِ إذ ليس كلُّ محصولٍ مُناسِباً لكلِّ المناطق. وتُعَدُّ تحاليلُ التُّربةِ مهمّةً على نحوٍ خاصٍّ لفهمِ تركيبِها ومستوياتِ المُغذِّيات فيها، بما يُمهِّدُ الطريقَ لاختيارِ المحاصيلِ الأَفضلِ مُلاءمةً (2). ويمكن للتعلُّمِ الآلي أتمتةُ هذه العمليّة ومُعاونةُ صُنّاعِ القرار في اقتراحِ المحاصيلِ المُناسِبة وفقاً لذلك.
تُعَدُّ تنبؤاتُ الطقس عاملاً حاسماً آخرَ في إنتاجِ المحاصيلِ (3). ومن خلالِ دمجِ التعلُّمِ الآلي والذكاءِ الاصطناعيِّ في نمذجةِ وتنبؤِ الطقس، يُمكن إنتاجُ توقّعاتٍ أدقَّ تُساعِدُ في اختيارِ المحاصيل. وعلاوةً على ذلك، تُعينُ قدراتُ التنبؤِ في التعلُّمِ الآلي على تقييمِ مستوى مخاطرِ الأمراضِ الزراعيّة استناداً إلى مُؤشّراتٍ مناخيّة كدرجةِ الحرارة، وكميّةِ الأمطار، والرطوبة، وبالتّالي التأثيرِ في قراراتِ اختيارِ المحاصيل.
على الرغم من كثرةِ الأبحاثِ حول اختيارِ المحاصيلِ وفقَ معاييرَ مُختلفة، لم يُنجَز حتى الآن دمجٌ مُتكاملٌ لتنبؤاتِ الطقس، وتغذيةِ التربة، وتنبؤِ الأمراضِ بغرضِ تحسينِ الإنتاجيّةِ في بَنغلادِش. ويتمثّلُ الهدفُ الرئيسُ في دمجِ هذه العواملِ لتوليدِ توصياتٍ بالمحاصيل. ويكمنُ التحدّي المحوريّ في مزاوجةِ تنبؤِ الأمراضِ بالمعاييرِ المناخيّةِ لتحسينِ جودةِ الاقتراحات. ويلزمُ تنظيمُ وتصنيفُ البياناتِ المتعلِّقةِ بمخاطرِ الأمراضِ وظروفِ الطقس بعنايةٍ لكلِّ محصول.
يمكن تلخيصُ مُساهماتِ هذا العمل كما يأتي:
إنشاءُ إطارِ عملٍ مُوحَّدٍ لتنبؤاتِ الطقس في بَنغلادِش، يَدمجُ متغيّراتٍ جويّةً متعدّدة باستخدام نموذجِ السلاسلِ الزمنيّة SARIMAX.
تطويرُ مجموعةِ بياناتٍ لأمراضِ المحاصيلِ المختلفة استناداً إلى معاييرِ الطقس (درجةُ الحرارةِ والرطوبة).
تقديمُ نموذجِ توصيةٍ بالمحاصيل سهلِ الاستخدام، يُساعِدُ المزارعين على اتخاذِ قراراتٍ فعّالةٍ بالاستناد إلى خصائصِ التربة، وتنبؤاتِ الطقس، ومخاطرِ الأمراض، بما يُعزِّزُ إنتاجيتهم وربحيّتهم.
يستعرضُ القسمُ الثاني مُراجعةَ الأعمالِ ذاتِ الصِّلة. أمّا منهجيّتُنا فتُعرَضُ بشمولٍ في القسمِ الثالث. ويقدّم القسمُ الرابع تقييماً عمليّاً لنموذجنا، ويُختَتَمُ البحثُ في القسمِ الخامس.
سعى عديدٌ من الباحثين مؤخّراً إلى توظيفِ أساليبَ حديثةٍ في مجالِ الزِّراعة لتحسينِ إنتاجِ المحاصيل. استخدم هاتفيـلد وآخرون (5) نماذجَ السلاسلِ الزمنيّة من نوع الانحدار الذاتيّ المتكامل والمتوسطِ المتحرّكِ الموسميّ، ولتقديرِ غِلّةِ المحصولِ استُخدِم انحدارُ الغابةِ العشوائيّة. ومع ذلك، لم يتناولوا أثرَ الأمراضِ على إنتاجيّةِ المحاصيل. قدّم خاكـي وآخرون (6) شبكةً عصبيّةً عميقةً للتنبؤِ بإنتاجيّةِ المحاصيل، ووجدوا أن تأثيرَ العواملِ المناخيّةِ أكبرُ من تأثيرِ النمطِ الجينيّ. كما استُخدِمت شبكةٌ عصبيّةٌ للتنبؤِ بالطقس.
استخدمت سارانيا وآخرون (2) آلةَ مُتَّجهِ الدَّعم (SVM)، وأقربَ الجيران (KNN)، والانحدارَ اللوجستيَّ للتنبؤِ بأفضلِ محصولٍ بناءً على تحاليلِ التربة وتنبؤاتِ الطقس. وطبّق ألفاراسان وآخرون (7) نماذجَ تعلُّمٍ آليٍّ مُتعدّدة، مُراقَبةً وغيرَ مُراقَبة، لتقديرِ إنتاجيّةِ المحاصيل، ووجدوا أن خوارزميّتَي التوقّع–التعظيم (EM) وآلةَ مُتَّجهِ الدَّعم قدّمتا نتائجَ أفضلَ من غيرِهما تبعاً لمقاييسِ الخطأ المختلفة. وركّز خِطاب وآخرون (8) على التنبؤِ بالأمراضِ استناداً إلى معاييرِ الطقس، باستعمالِ نظامِ رصدٍ قائمٍ على إنترنتِ الأشياء للتعرّفِ المبكّرِ على أمراضِ النباتات.
استخدم رَيّان وآخرون (9) حقولَ ماركوف العشوائيّة لنمذجةِ الاعتمادِ المكانيّ بين المواقعِ المتجاورة في سياقِ مقاومةِ المبيدات. وركّزت أفرين وآخرون (10) على التنبؤِ بإنتاجيّةِ المحاصيل عبر تحليلِ خصائصِ التربة في 28 منطقةً فرعيّةً في بَنغلادِش. وأُجريت التنبؤاتُ بإنتاجيّةِ المحاصيل باستخدام DBSCAN وPAM وCLARA وK-means وتقنيّاتِ تنقيبِ بياناتٍ أخرى، بالإضافةِ إلى أربعةِ أنواعٍ مختلفةٍ من الانحدارِ الخطيّ.
قدّم بارفين وآخرون (11) مُراجعةً لطرائقِ التعلُّمِ الآلي في التنبؤِ بأمراضِ المحاصيلِ الزراعيّة، وناقشوا دمجَ العواملِ المناخيّةِ وبياناتِ الأمراضِ التاريخيّة، وأكّدوا إمكاناتِ التعلُّمِ الآلي في تعزيزِ تكتيكاتِ إدارةِ الأمراض. وذُكرت قيودٌ تتعلّقُ بتوافرِ البياناتِ وجودتها، خاصةً في المناطقِ الناشئة، كما أُشيرَ إلى تعقيدِ تفاعلاتِ الأمراضِ والحاجةِ إلى تحديثاتٍ دقيقةٍ وفي الوقتِ المناسب. ووصف فيجاياكومار وآخرون (12) طريقةً للتنبؤِ المبكّرِ بأمراضِ المحاصيل باستخدام التعلُّمِ الآلي؛ حيث استُخدمت متغيّراتٌ جويّةٌ ومعلوماتٌ فسيولوجيّةٌ للنبات في بناءِ نماذجِ التنبؤ، مؤكِّدين قيمةَ الكشفِ المبكّر في حمايةِ المحاصيل، مع إبرازِ تعقيدِ التفاعلاتِ المرضيّة والحاجةِ إلى بياناتٍ حديثةٍ كعوائقَ رئيسةٍ أمامَ بناءِ نماذجَ دقيقةٍ وموثوقة.
استعان أحمد وآخرون (13) بمنهجيّةِ الأنظمةِ الناعمة ضمن إطارِ التفاعلِ الإنسان–الحاسوب، إلى جانبِ نماذجَ تعلُّمٍ آليٍّ متعدّدة مثل Naive Bayes وJ48 وخوارزميّةِ التحسينِ الأدنى التسلسلي (SMO) ومُصنِّفٍ متعدِّدِ الفئات، للتنبؤِ بإنتاجيّةِ المحاصيل. واقترح أغاروال وآخرون (14) حلاً مُتكاملاً قائماً على التعلُّمِ الآلي لتوصيةِ المحاصيل والتنبؤِ بالعائد، عبر تطويرِ نماذجَ شاملةٍ تَدمجُ خصائصَ التربة، والمتغيّراتِ الجويّة، وبياناتِ الغِلالِ التاريخيّة. وقد أبرزت الدراسةُ مزايا إدراجِ هذه الجوانب في صُنعِ القرارِ الزراعي، مع مناقشةِ صعوباتِ جمعِ البيانات، لا سيّما بياناتِ التربةِ والأرصادِ الجويّةِ الدقيقة والموثوقة، والحاجةِ إلى تهيئةِ النماذجِ لتُلائمَ الأقاليمَ الزراعيّةَ الإيكولوجيّةَ المُحدّدة.