من البيانات إلى القرارات: استخدام الذكاء الاصطناعي القابل للتفسير لتوقع محصول فول الصويا في دول الإنتاج الكبرى

لماذا تهم توقعات المحاصيل الأكثر ذكاءً

من أسعار السوبرماركت إلى التجارة العالمية، يلعب فول الصويا دورًا أكبر مما يوحي به اسمه في الحياة اليومية. تحتاج الحكومات والتجار والمزارعون إلى معرفة حجم المحصول قبل شهور من دخول الحصادات إلى الحقول. اليوم، يمكن لأدوات الذكاء الاصطناعي القوية أن تفرز جبالًا من بيانات الطقس والأقمار الصناعية لإجراء تلك التوقعات—لكن كثيرًا من هذه النماذج تتصرف كـ«صناديق سوداء» ولا تقدم فهمًا كافيًا لسبب إعطائها نتيجة معينة. تستكشف هذه الدراسة نوعًا جديدًا من الذكاء الاصطناعي القابل للتفسير الذي لا يتنبأ فقط بمحاصيل فول الصويا في الدول المنتجة الكبرى، بل يوضح أيضًا العوامل التي تقود هذه التوقعات بوضوح.

ثلاث دول تُطعم العالم

ركز الباحثون على ثلاث دول تهيمن على إمدادات فول الصويا العالمية: الولايات المتحدة والبرازيل والأرجنتين، التي تنتج معًا أكثر من 80% من فول الصويا في العالم. اقتربوا بمقياس دقيق—مقاطعات في الولايات المتحدة ومناطق معادلة صغيرة في البرازيل والأرجنتين—باستخدام بيانات حديثة من 2018 إلى 2022. لكل منطقة، جمعوا صورة غنية لظروف النمو: سجلات الطقس المفصلة، وخصائص التربة، وأنواع متعددة من بيانات الأقمار الصناعية التي تتتبع نمو النباتات وحالة المياه وحتى توهّج خافت من عملية التركيب الضوئي يعرف بتألق الكلوروفيل المستحث بالشمس (SIF). في المجموع، استخرجوا 154 ميزة رقمية مختلفة لوصف كل موسم نمو قبل إدخالها إلى النماذج.

من قنوات البيانات إلى آلات التعلم

لمعالجة هذا الكم الهائل من المعلومات، بنى الفريق خط معالجة موحّد. قاموا بمحاذاة جميع مجموعات البيانات في المكان والزمان باستخدام جداول محاصيل، ونقّوا إشارات الأقمار الصناعية المشوشة، ولخّصوا موسم النمو بإحصاءات مثل المتوسطات والحدود القصوى والتباين. ثم درّبوا ثلاثة أنواع من النماذج لتوقع المحاصيل: الغابة العشوائية (Random Forest - RF)، وهو نموذج تعلم آلي مستخدم على نطاق واسع؛ الشبكة متعددة الطبقات (Multilayer Perceptron - MLP)، وهي شبكة عصبية عميقة تقليدية؛ وشبكات كولموغوروف–أرنولد (Kolmogorov–Arnold Networks - KAN)، وهي بنية أحدث مصممة من الأصل لتكون أكثر قابلية للتفسير. لتجنب تضليل أنفسهم بنتائج متفائلة للغاية، قسم المؤلفون البيانات بعناية إلى بلوكات مكانية بحيث تختبر النماذج مناطق لم «ترها» أثناء التدريب.

فتح صندوق أسود الذكاء الاصطناعي

ما يميّز هذا العمل ليس دقة التوقعات فحسب، بل كيف تشرح النماذج نفسها. خضعت RF وMLP لأدوات معيارية تظهر مدى أهمية كل ميزة إدخال في تنبؤاتهما. تذهب KAN خطوة أبعد: فهي تمثل الروابط بين المدخلات والمخرجات كمنحنيات ناعمة أحادية البعد يمكن رسمها وفحصها. وهذا يسمح للباحثين برؤية كيف يؤثر، على سبيل المثال، تغيير في SIF أو رطوبة التربة على المحصول بزيادة أو نقصان. عبر الدول والأساليب، بدا نمط واحد واضحًا—SIF، وهو الإشارة الفضائية المرتبطة مباشرة بالتركيب الضوئي، احتل باستمرار مرتبة من بين أهم المتنبئات بمحصول فول الصويا. وتباينت العوامل الأخرى حسب المنطقة: في الولايات المتحدة برزت إشارات الغطاء النباتي المتعلقة بالمياه، بينما لعبت الحرارة ورطوبة التربة أدوارًا أقوى في البرازيل والأرجنتين.

مدى أداء النماذج

عند مقارنة دقة النماذج، لم يتفوق أسلوب واحد مطلقًا في كل الحالات. في الولايات المتحدة، حيث كانت المحاصيل مستقرة نسبيًا من سنة لأخرى، أدت الغابة العشوائية أداءً أفضل قليلًا بشكل عام، لكن KAN وMLP كانا قريبين من النتائج. في البرازيل، ذات المحاصيل الأكثر تقلبًا ومجموعة البيانات الأكبر، حققت النماذج الثلاثة دقة عالية، رغم أنها واجهت صعوبة إلى حد ما في توقع المحاصيل العالية جدًا. في الأرجنتين، حيث كانت البيانات أكثر محدودية، تفوقت KAN عمومًا على خط الأساس للتعلم العميق (MLP) واقتربت من أداء الغابة العشوائية. تشير هذه النتائج إلى أن KAN يمكن أن ينافس النماذج التقليدية على مجموعات بيانات زراعية صغيرة وصعبة مع تقديم شفافية أكبر بكثير حول كيفية الوصول إلى استنتاجاته.

ماذا يعني هذا للمزارعين والأمن الغذائي

بالنسبة لصناع القرار في العالم الحقيقي، قد تكون الثقة في النموذج مهمة بقدر أهمية الدقة الخام. تُظهر هذه الدراسة أن مناهج الذكاء الاصطناعي القابلة للتفسير مثل KAN يمكن أن تقدم توقعات محاصيل فول الصويا تنافسية مع كشف واضح للعوامل البيئية والإشارات المحصولية الأكثر أهمية. تساعد هذه الشفافية العلماء على تشخيص الأخطاء، وإدراج المعرفة الزراعية الخبيرة، وتكييف النماذج إلى مناطق جديدة أو مناخات متغيرة. على المدى الطويل، يمكن أن تُدمج مثل هذه الأدوات الشفافة في أنظمة مراقبة المحاصيل الوطنية، لتمنح المزارعين والمخططين والأسواق إنذارات مبكرة وأكثر موثوقية حول مواسم الحصاد الضعيفة أو الوفيرة—وتدعم أنظمة غذائية أكثر مرونة واستدامة.

الاستشهاد: Wang, X., He, Y., Chen, H. et al. From data to decisions: the use of explainable AI to forecast soybean yield in major producing countries. Sci Rep 16, 5103 (2026). https://doi.org/10.1038/s41598-026-35716-x

الكلمات المفتاحية: توقع محصول فول الصويا, الذكاء الاصطناعي القابل للتفسير, الاستشعار عن بُعد, نمذجة الزراعة, الأمن الغذائي