كيف نموذج ذكاء اصطناعي هجين جديد يجعل الزراعة الدقيقة أكثر استدامة

تصبح الزراعة أكثر صعوبة كل عام. يزداد عدد سكان العالم بسرعة، لكن المساحة المتاحة للزراعة لا تزداد. في الوقت نفسه، يؤثر تغير المناخ على هطول الأمطار ودرجة الحرارة وظروف التربة. يواجه المزارعون الآن العديد من المشاكل مثل نقص المياه، وسوء جودة التربة، وتقلبات الطقس، وارتفاع تكاليف المدخلات. لتلبية الطلب المستقبلي على الغذاء، يجب زيادة إنتاج الغذاء بكمية كبيرة. تشير الدراسات إلى أن إنتاج الغذاء العالمي قد يحتاج إلى الزيادة بنسبة 25 إلى 70 بالمائة بحلول عام 2050. وهذا تحد كبير جداً، خاصة بالنسبة للدول النامية.

في السنوات الأخيرة، برزت الزراعة القائمة على البيانات كحل قوي لهذه المشاكل. تنتج المزارع الحديثة كميات كبيرة من البيانات من مصادر عديدة. وتشمل هذه اختبارات التربة، وسجلات الطقس، والصور الفضائية، وبيانات إنتاجية المحاصيل، والبيانات الاقتصادية. وعند تحليل هذه البيانات بشكل صحيح، يمكنها مساعدة المزارعين على اتخاذ قرارات أفضل. يمكن أن تساعدهم في اختيار المحاصيل المناسبة، واستخدام المياه بكفاءة أكبر، وتقليل هدر الأسمدة، وتحسين الإنتاجية بشكل عام.

ولكن، لا يزال العديد من المزارعين يعتمدون على أساليب الزراعة التقليدية. وحتى عندما يتم استخدام التقنيات المتقدمة مثل تعلم الآلة، غالبًا ما تكون النتائج صعبة الفهم. تعمل معظم نماذج تعلم الآلة كـ “صندوق أسود”. فهي تقدم توقعات، لكنها لا تشرح بوضوح سبب هذه التوقعات. هذا يجعل من الصعب على المزارعين وصناع السياسات الوثوق بالنتائج واستخدامها.

لماذا تهم اكتشاف البيانات والمعرفة في الزراعة

ينتج عن الزراعة الحديثة كمية هائلة من البيانات. هذه البيانات وحدها ليست مفيدة ما لم تتم معالجتها وتحليلها بشكل صحيح. تسمى عملية تحويل البيانات الخام إلى معلومات مفيدة اكتشاف المعرفة في قواعد البيانات، وغالبًا ما يتم اختصارها بـ KDD. تتضمن هذه العملية عدة خطوات، بما في ذلك اختيار البيانات وتنقيتها وتحويلها وتحليلها وتفسيرها.

يلعب التعلم الآلي دوراً هاماً جداً في اكتشاف المعرفة. فهو يساعد في تحديد الأنماط التي قد لا يراها البشر بسهولة. على سبيل المثال، يمكن للتعلم الآلي إيجاد العلاقات بين هطول الأمطار وإنتاجية المحاصيل أو بين نوع التربة واحتياجات الأسمدة. يمكن لهذه الأنماط أن تساعد المزارعين في اتخاذ قرارات أفضل.

هناك أنواع مختلفة من طرق التعلم الآلي. يستخدم التعلم المراقب البيانات المصنفة لإجراء تنبؤات. يعمل التعلم غير المراقب مع البيانات غير المصنفة ويساعد في العثور على مجموعات أو أنماط طبيعية. لكل نوع نقاط قوته وضعفه. في الزراعة، غالبًا ما تكون البيانات معقدة وتأتي من مصادر مختلفة عديدة. هذا يجعل من الصعب على طريقة واحدة أن تعمل بشكل جيد بمفردها.

التحدي الآخر هو أن البيانات الزراعية متنوعة جدًا. فهي تشمل الأرقام والخرائط والصور والبيانات النصية. غالبًا ما تواجه نماذج التعلم الآلي التقليدية صعوبة في دمج كل هذه الأنواع من البيانات بطريقة هادفة. وهنا تبرز أهمية فكرة دمج التعلم الآلي مع الرسوم البيانية المعرفية.

أساليب التعلم الآلي المستخدمة في الدراسة

يستخدم النموذج المقترح تقنيتين رئيسيتين للتعلم الآلي: تجميع K-Means وتصنيف Naive Bayes. تخدم كل طريقة غرضًا مختلفًا في النظام.

تجمع K-Means هو طريقة تعلم غير خاضعة للإشراف. يقوم بتجميع البيانات في مجموعات بناءً على التشابه. في هذه الدراسة، يستخدم تجمع K-Means لتقسيم المناطق الزراعية إلى مناطق مناخية زراعية مختلفة. يتم إنشاء هذه المناطق باستخدام بيانات مثل هطول الأمطار، ورطوبة التربة، ودرجة الحرارة. يتم تجميع المناطق ذات الظروف البيئية المتشابهة معًا. هذا يساعد في فهم كيفية تصرف المناطق المختلفة من حيث الزراعة.

يعتبر Naive Bayes طريقة تعلم موجهة تستخدم للتصنيف. وهي تتنبأ بالفئات بناءً على الاحتمالية. في هذه الدراسة، يتم استخدام Naive Bayes لتصنيف إنتاجية المحاصيل إلى مستويات مختلفة مثل منخفض ومتوسط ​​وعالي. وتستخدم ميزات مثل تاريخ المحاصيل واستخدام الأسمدة والظروف البيئية.

الفكرة الرئيسية في هذا البحث هي أن مخرجات التجميع باستخدام خوارزمية K-Means لا تُستخدم بشكل منفصل. بدلاً من ذلك، تُضاف معلومات التجمع كميزة إدخال لمصنف Naive Bayes. هذا يخلق اتصالاً قوياً بين الطريقتين. نتيجة لذلك، يصبح التصنيف أكثر دقة لأنه يأخذ في الاعتبار الآن كلاً من مناطق البيئة المحلية والبيانات الخاصة بالمحاصيل.

دور الرسوم البيانية المعرفية في الزراعة

رسم بياني معرفي هو طريقة لتنظيم المعلومات باستخدام العقد والروابط. تمثل العقد أشياء مثل المحاصيل، وأنواع التربة، والمناطق المناخية، ومدخلات الزراعة. توضح الروابط كيف ترتبط هذه الأشياء. على سبيل المثال، يمكن لعلاقة أن توضح أن محصولًا معينًا مناسب لنوع تربة معين أو أن هطول الأمطار يؤثر على إنتاجية المحصول.

في الزراعة، تعتبر الرسوم البيانية المعرفية مفيدة جدًا لأن أنظمة الزراعة مترابطة للغاية. فالتربة تؤثر على المحاصيل، والمناخ يؤثر على التربة، والممارسات الزراعية تؤثر على كليهما. ويساعد الرسم البياني المعرفي في تمثيل كل هذه الروابط بطريقة واضحة ومنظمة.

في هذه الدراسة، استخدم الباحثون Neo4j، وهو قاعدة بيانات رسوم بيانية شهيرة، لبناء الرسم البياني المعرفي. يتم تخزين النتائج من نماذج التعلم الآلي في الرسم البياني المعرفي. وهذا يتيح للمستخدمين طرح أسئلة ذات معنى مثل ما هي أفضل المحاصيل لمنطقة معينة أو ما مقدار الأسمدة المطلوبة للمحصول في ظل ظروف معينة.

تحسن الرسوم البيانية المعرفية القابلية للتفسير أيضًا. فبدلاً من مجرد عرض تنبؤ، يمكن للنظام أن يوضح كيف يرتبط هذا التنبؤ ببيانات التربة والمناخ والمحاصيل. وهذا يجعل من السهل على المزارعين وصناع القرار الوثوق بالتوصيات واستخدامها.

جمع البيانات وإعدادها

استخدمت الدراسة كمية كبيرة من البيانات التي تم جمعها من مصادر موثوقة مختلفة. تم الحصول على بيانات إنتاج المحاصيل، وبيانات استخدام الأسمدة، وبيانات التجارة، وبيانات الإمدادات الغذائية من FAOSTAT. جاءت بيانات المناخ مثل أنماط هطول الأمطار من CHIRPS، بينما تم الحصول على بيانات رطوبة التربة من صور الأقمار الصناعية.

غطت البيانات سنوات عديدة ومناطق متعددة. وقد ساعد ذلك على ضمان قدرة النموذج على التعامل مع الظروف الزراعية المختلفة. قبل استخدام البيانات، قام الباحثون بتنظيفها ومعالجتها بعناية. تم ملء القيم المفقودة باستخدام طرق إحصائية موثوقة. تمت إزالة القيم المتطرفة لتجنب الأخطاء. تمت أيضاً تطبيع البيانات بحيث يمكن مقارنة المتغيرات المختلفة بشكل عادل.

تم إنشاء مؤشرات جديدة من البيانات الأولية. وشملت هذه مؤشر تقلب هطول الأمطار، ومؤشر الإجهاد المائي، ومؤشر استقرار الإنتاجية. وقد ساعدت هذه المؤشرات في التقاط الاتجاهات طويلة الأجل بدلاً من التغيرات قصيرة الأجل.

تم تضمين كلاً من البيانات المهيكلة، مثل الأرقام والجداول، والبيانات غير المهيكلة، مثل صور الأقمار الصناعية. وهذا جعل مجموعة البيانات غنية وواقعية للغاية.

تطوير النموذج الهجين

تم بناء النموذج الهجين خطوة بخطوة. أولاً، تم تطبيق تجميع K-Means على البيانات البيئية. قسم هذا المناطق إلى ثلاث مناطق مناخية زراعية رئيسية. تم اختيار عدد المناطق باستخدام طريقة قياسية تتحقق من مدى فصل المجموعات.

بعد ذلك ، تم تطبيق تصنيف Naive Bayes. قام المصنف بالتنبؤ بمستويات إنتاجية المحاصيل. الفرق المهم هنا هو أن معلومات المنطقة الزراعية المناخية من K-Means تم تضمينها كميزة إدخال. سمح هذا للمصنف بفهم ليس فقط بيانات المحاصيل ولكن أيضًا السياق البيئي.

كان النموذج الهجين أفضل أداءً من النماذج الفردية. بلغ دقة التصنيف 89 بالمائة. وكان هذا أعلى من دقة نماذج Naive Bayes و Random Forest المستقلة. يوضح هذا التحسن أن الجمع بين التعلم غير الخاضع للإشراف والتعلم الخاضع للإشراف يمكن أن يؤدي إلى نتائج أفضل.

التكامل مع الرسم البياني المعرفي

بمجرد أن أصبحت نتائج التعلم الآلي جاهزة، تمت إضافتها إلى الرسم البياني المعرفي. أصبحت المناطق الزراعية المناخية عقدًا في الرسم البياني. كما تم تمثيل المحاصيل وأنواع التربة والمدخلات مثل الأسمدة كعقد. تم إنشاء علاقات لإظهار كيفية ترابط هذه العناصر.

على سبيل المثال، يمكن أن يوضح أحد العلاقات أن منطقة معينة مناسبة للذرة مع احتمال كبير للحصول على محصول جيد. يمكن لعلاقة أخرى أن توضح أن انخفاض درجة حموضة التربة يتطلب إضافة الجير. استندت هذه العلاقات إلى مخرجات النماذج ومعارف الخبراء.

لأن كل شيء مخزن في بنية رسومية، يمكن للمستخدمين استكشاف المعلومات بسهولة. يمكنهم تشغيل استعلامات للعثور على أفضل محصول لمنطقة ما أو لفهم المخاطر المتعلقة بالمناخ وظروف التربة.

التحقق والنتائج

اختبر الباحثون النموذج باستخدام كل من المقاييس الإحصائية والمحاكاة. كانت نتائج التجميع قوية جدًا، حيث أظهرت فصلًا واضحًا بين المناطق. كانت نتائج التصنيف موثوقة أيضًا، مع قيم دقة واستدعاء جيدة لجميع فئات الإنتاجية.

أدى الرسم البياني المعرفي أداءً جيدًا من حيث السرعة والبنية. تم الرد على الاستعلامات بسرعة كبيرة، وكانت معظم العلاقات المطلوبة موجودة في الرسم البياني. هذا يوضح أن النظام فعال ومصمم جيدًا.

نظرًا لأن التجارب الميدانية واسعة النطاق باهظة الثمن وتستغرق وقتًا طويلاً، استخدم الباحثون المحاكاة لاختبار كفاءة الموارد. قارنوا طرق الزراعة التقليدية بالزراعة التي يوجهها النموذج الهجين.

كانت النتائج مشجعة للغاية. استخدمت المزارع التي اتبعت توصيات النموذج كميات مياه أقل بنسبة 22 في المائة. تم تقليل هدر الأسمدة بنسبة 18 في المائة. هذه التحسينات مهمة للغاية لأن المياه والأسمدة موارد محدودة ومكلفة.

أهمية الزراعة المستدامة وقيودها

تشير نتائج هذه الدراسة إلى آثار قوية على الزراعة المستدامة. فمن خلال استخدام البيانات بذكاء أكبر، يمكن للمزارعين إنتاج المزيد من الغذاء مع استخدام موارد أقل. وهذا يساعد على حماية البيئة ويقلل من تكاليف الزراعة.

فائدة مهمة أخرى هي سهولة التفسير. يجعل استخدام الرسم البياني للمعرفة النظام أسهل في الفهم. يمكن للمزارعين وصناع السياسات رؤية سبب تقديم توصيات معينة. هذا يزيد الثقة ويشجع على تبني التقنيات الجديدة.

النظام قابل للتوسع أيضًا. على الرغم من أن الدراسة ركزت على مناطق معينة، إلا أنه يمكن تطبيق الإطار على بلدان ومحاصيل أخرى. مع المزيد من البيانات وأجهزة الاستشعار في الوقت الفعلي، يمكن للنظام أن يصبح أكثر قوة.

في حين أن النتائج واعدة، فإن الدراسة لديها بعض القيود. تم إجراء معظم التحقق باستخدام المحاكاة. هناك حاجة إلى تجارب ميدانية فعلية لتأكيد النتائج في ظروف الزراعة الفعلية. لا يتضمن النظام حاليًا بيانات في الوقت الفعلي من أجهزة الاستشعار.

يمكن أن تركز الأبحاث المستقبلية على إضافة بيانات الطقس والتربة في الوقت الفعلي. يمكن أيضًا تضمين التحليل الاقتصادي لدراسة فوائد التكلفة للمزارعين. يمكن أن يساعد تطوير تطبيقات بسيطة للهواتف المحمولة أو الويب المزارعين على استخدام النظام بسهولة.

الخاتمة

يقدم هذا البحث نهجًا قويًا وعمليًا للزراعة الدقيقة. من خلال الجمع بين تجميع K-Means وتصنيف Naive Bayes والرسوم البيانية للمعرفة، ابتكر المؤلفون نظامًا دقيقًا وقابلاً للتفسير ومفيدًا. يحسن النموذج الهجين من دقة التنبؤ ويساعد في تقليل استخدام المياه والأسمدة.

والأهم من ذلك، فإن الرسم البياني للمعرفة يجعل النتائج سهلة الفهم والتطبيق. هذه خطوة كبيرة نحو جعل التقنيات الزراعية المتقدمة في متناول المزارعين وصانعي القرار. مع مزيد من التطوير والاختبار في العالم الحقيقي، يتمتع هذا النهج بإمكانات كبيرة لدعم الزراعة المستدامة والأمن الغذائي العالمي.

المرجعنجاما-أبانغ، أو.، أولاديميجي، إس.، إيتينج، آي. إي.، وإيمانويل، إي. إيه. (2026). الذكاء التآزري: نموذج هجين جديد للزراعة الدقيقة باستخدام خوارزمية k-means، خوارزمية naive Bayes، ورسوم المعرفة. مجلة الجمعية النيجيرية لعلوم الفيزياء، 2929-2929.