نحو تحسين أداء نظام التنبؤ بالمحاصيل للزراعة الدقيقة باستخدام مُصنّف الجار الأقرب القائم على مربع ارتباط الميزات

لماذا تكتسب خيارات المحاصيل الأذكى أهمية

بالنسبة للعديد من المزارعين، وخصوصاً صغار المنتجين في دول مثل الهند، قد يبدو اختيار ما يزرعونه مقامرة. تقلبات الطقس، وتغير كميات الأمطار، وتبدلات حالة التربة تؤثر كلها في ما إذا كان المحصول سينجح أم يفشل. تستعرض هذه الدراسة كيف يمكن للبيانات وأدوات الذكاء الاصطناعي البسيطة أن تقلّل من عنصر التخمين في هذا القرار، ومساعدة المزارعين على مواءمة المحاصيل مع الظروف المحلية بشكل أكثر موثوقية وربحية.

الزراعة الموجهة بالبيانات لا بالتخمين

تستخدم الزراعة الدقيقة الحديثة حسّاسات وسجلات الطقس واختبارات التربة لمتابعة بيئة النمو بتفصيل دقيق. بدلاً من الاعتماد فقط على الخبرة أو العادات، يمكن للمزارعين الاطلاع على أرقام مغذيات التربة ودرجة الحرارة والرطوبة وكميات الأمطار. ومع ذلك، فإن معظم الأنظمة الحاسوبية الحالية التي تحول هذه القياسات إلى توصيات محاصيل تتجاهل كيفية تداخل هذه العوامل مع بعضها. على سبيل المثال، قد يعتمد أفضل محصول ليس فقط على مقدار المطر أو النيتروجين، بل على التوليفة الخاصة بينهما. إن تجاهل هذه العلاقات يمكن أن يؤدي إلى توقعات أضعف وفرص ضائعة لتحقيق غلات أفضل.

اكتشاف أنماط تفاعل ظروف الحقل

يقترح المؤلفون طريقة جديدة لالتقاط كيفية تحرك ظروف الحقل المختلفة معاً. يبدأون بتنظيف وتقييس جميع القياسات في مجموعة بيانات المحاصيل بحيث لا يهيمن عامل واحد لمجرد أنه ذو أرقام أكبر. ثم يبنون ما يسمونه «مربع ارتباط الميزات» — في الأساس شبكة تعرض، لكل زوج من القياسات، ما إذا كانا يميلان للارتفاع والانخفاض معاً أو يتحركان في اتجاهين متعاكسين. الروابط الإيجابية القوية في هذه الشبكة تعني أن حالتين غالباً ما تسيران جنباً إلى جنب؛ والروابط السلبية تعني أنهما عادة ما يفترقان. تصبح هذه الخريطة للعلاقات ملخصاً مضغوطاً لكيفية تصرف مجموعة معينة من ظروف الحقل.

السماح للحالات الأقرب بالتصويت على أفضل محصول

بمجرد التقاط هذه العلاقات، يستخدم النظام فكرة بسيطة لكنها قوية: البحث عن حالات سابقة تشبه الحالة الحالية، وتكرار اختيار المحصول الذي نجح هناك. يتم ذلك باستخدام أسلوب يُسمى مُصنّف الجار الأقرب. يحتوي كل سجل سابق في مجموعة البيانات على ظروفه المقاسة والمحصول الذي نُمت فعلياً. للحالة الميدانية الجديدة، يقيس النظام مدى "قربها" من كل حالة سابقة، بالاعتماد على الميزات المستنيرة بالارتباط، ويختار مجموعة صغيرة من الأكثر تشابهاً. ثم يصوّت هؤلاء الجيران الأقرب على أي محصول هو الأنسب. من خلال ضبط عدد الجيران المشار إليهم بعناية، يوازن المؤلفون بين الاستقرار والحساسية ضد الضجيج في البيانات.

الاختبار على بيانات توصية المحاصيل الحقيقية

لاختبار مدى فاعلية طريقتهم، جرب الباحثون نظامهم على مجموعة بيانات عامة لتوصية المحاصيل جُمعت في الهند. تشمل البيانات سبعة ميزات رئيسية: احتياجات النيتروجين والفوسفور والبوتاسيوم؛ درجة الحرارة؛ الرطوبة؛ حموضة التربة (pH)؛ وكميات الأمطار. تغطي مجموعة البيانات اثنين وعشرين محصولاً مختلفاً، من المحاصيل الأساسية مثل الأرز والذرة إلى الفواكه مثل المانجو والبابايا، فضلاً عن محاصيل الألياف والمزارع مثل القطن والقهوة. وبما أن مجموعة البيانات متوازنة تماماً، مع نفس عدد الأمثلة لكل محصول، فإنها توفر بيئة اختبار عادلة لمقارنة النماذج الحاسوبية المختلفة.

التفوّق على طرق التنبؤ المعروفة

قورنت الطريقة الجديدة، المسماة FCSNN، بعدة طرق شهيرة في تعلم الآلة، بما في ذلك أشجار القرار والغابات العشوائية والانحدار اللوجستي ونايف بايز والتدرج المعزز ونموذج الجار الأقرب القياسي. عبر مقاييس أداء متعددة، تفوّق FCSNN باستمرار. حدّد المحصول الأفضل بشكل صحيح في نحو 98% من الحالات تقريباً، وكان معدل الخطأ فيه الأدنى بين كل الطرق المختبرة. ومن الملاحظ أن النماذج الأخرى أيضاً تحسنت عند تزويدها بميزات شكّلتها مصفوفة الارتباط، مما يؤكد أهمية احترام تداخل شروط الحقل بدلاً من معاملة كل عامل بمعزل عن غيره.

ماذا يعني ذلك للمزارعين

للغير متخصصين، الخلاصة بسيطة: بالانتباه إلى كيفية تجمع عوامل التربة والطقس، وليس فقط إلى قيمها الفردية، يمكن لأجهزة الحاسوب أن تقدّم نصائح أكثر موثوقية حول أي محصول يزرع. يظهر نظام FCSNN أن تقنيات الذكاء الاصطناعي البسيطة نسبياً، عندما تُصمَّم بعناية، قادرة على تحسين دقة التنبؤ بالمحاصيل بشكل كبير. عملياً، يمكن ربط مثل هذه الأداة بحسّاسات منخفضة التكلفة في الحقول أو بخدمات بيانات إقليمية، لتزويد المزارعين بتوجيهات وقتية ومحددة للمكان. وبينما تعتمد هذه الدراسة على بيانات تاريخية، يمكن للعمل المستقبلي أن يدمج قراءات مباشرة من الحقول، محولاً أنماط البيئة المعقدة إلى قرارات زراعية واضحة وعملية.

الاستشهاد: Kindra, K., Bhuvaneswari Amma, N.G. & Nageswari Amma, N.G. Towards enhancing the performance of crop prediction system for precision agriculture using feature correlation square-based nearest neighbor classifier. Sci Rep 16, 8807 (2026). https://doi.org/10.1038/s41598-026-35212-2

الكلمات المفتاحية: الزراعة الدقيقة, توصية المحاصيل, تعلم الآلة, بيانات التربة والطقس, الزراعة الصغيرة