نماذج التعلم الآلي لتوقع البروتين الخام في مراعي عشبة تاماني

لماذا تهم المراعي الذكية لطبق عشاءك

يبدأ لحم البقر والحليب بالعشب. في أنحاء العالم، تغذي مليارات الهكتارات من المراعي الأبقار والأغنام والحيوانات الراعية الأخرى. لكي تنمو هذه الحيوانات جيدًا وتبقى بصحة جيدة، يجب أن يحتوي عشبها على كمية كافية من البروتين، وهو لبنة أساسية للعضلات والحليب والأعضاء الحيوية. لكن قياس البروتين في العشب عادةً ما يتطلب قصّ عينات وإرسالها إلى مختبر—عمل بطيء ومكلف لا يستطيع معظم المزارعين القيام به كثيرًا. تستكشف هذه الدراسة كيف يمكن لقياسات ميدانية بسيطة، مجتمعة مع تقنيات حاسوبية حديثة، أن تقدّر بروتين العشب بسرعة وبتكلفة منخفضة، مما يساعد المزارعين على ضبط الرعي والتسميد بدقة أكبر مع استخدام موارد أقل.

نظرة أقرب على عشب استوائي قوي

ركّز الباحثون على عشبة تاماني، وهي عشبة استوائية منتجة مستخدمة على نطاق واسع في البرازيل للرعي الكثيف. على مدى 18 شهرًا راقبوا مرعى مساحته 0.96 هكتار مقسّمًا إلى حقول صغيرة وعرضوه لمستويين من سماد النيتروجين واستراتيجيتين للرعي مبنيتين على كمية الضوء التي تمتصها النباتات. سجّلوا معلومات يسهل الحصول عليها: فصول السنة، ودرجة الحرارة، وهطول الأمطار، وضوء الشمس، ومدة راحة كل حقل بين الرعي، وارتفاع العشب قبل وبعد مرور الحيوانات. في الوقت نفسه، أخذوا عددًا محدودًا من عينات الأوراق واستخدموا طريقة بصرية متخصصة لقياس البروتين الخام، فبنوا مجموعة بيانات صغيرة لكنها مفصّلة ربطت إدارة اليوم بيوم بجودة العشب.

تعليم الحواسيب قراءة المراعي

بدلاً من الاعتماد على صور الأقمار الصناعية أو الطائرات بدون طيار، التي تتطلب معدات خاصة وقدرات حاسوبية كبيرة، استخدم الفريق بيانات «جداولية» فقط—النوع الذي قد تراه في جدول بيانات. اختبروا خمسة نهج مختلفة في التعلم الآلي، وهي طرق حاسوبية تتعلم الأنماط من الأمثلة: نموذج خطي بسيط، وشجرة قرار أساسية، ونموذج على غرار الشبكات العصبية، وطريقتان شجريتان شائعتان تجمعان العديد من النماذج البسيطة لتكوّن نموذجًا أقوى. درّبوا هذه النماذج على 80 بالمئة من القياسات واحتفظوا بنسبة 20 بالمئة للاختبار. كان الهدف بسيطًا وعمليًا: بالنظر إلى معلومات يمكن للمزارع تسجيلها بسهولة—معدل السماد، فترة الراحة، ارتفاع العشب، والطقس الأساسي—هل يمكن للحاسوب أن يتوقع كمية البروتين في الأوراق؟

كيف تشكل خيارات الإدارة مستويات البروتين

أظهرت النماذج أن طريقة إدارة المراعي لها تأثير أكبر على محتوى البروتين مقارنةً بالظروف الجوية المسجلة في هذه الدراسة. بين جميع العوامل، برزت مدة الراحة بين مرات الرعي كالأهم: أدت فترات الراحة الأطول إلى نباتات أقدم وأكثر ليفية ذات بروتين أقل، بينما ساعدت الفترات الأقصر في الحفاظ على عشب أصغر وأكثر ورقيّة وأعلى في البروتين. كما لعب سماد النيتروجين دورًا رئيسيًا، لأن النيتروجين هو مكوّن أساسي لبروتينات النبات والكلوروفيل. جاء ارتفاع العشب قبل وبعد الرعي في المرتبة التالية من حيث الأهمية، رابطًا مستويات البروتين بمدى ضيق الرعي المسموح به. لا تزال للأمطار ودرجة الحرارة وضوء الشمس وتسميات الفصول بعض التأثير، لكنها كانت أقل تأثيرًا من هذه القرارات الإدارية اليومية.

ما مدى دقة توقّعات الحاسوب؟

كانت أفضل الطرق أداءً طريقتين متقدمتين قوامهما أشجار قرار. إحداهما تُعرف بالغابة العشوائية (Random Forest) والأخرى باسم XGBoost أنتجتا ارتباطات متشابهة بين القيم المتوقعة والمرصودة للبروتين، ما يعني أن تقديراتهما كانت تميل للصعود والهبوط مواكبة للواقع. قدّم XGBoost أداءً أفضل قليلًا إجمالاً، موضحًا جزءًا يزيد قليلاً عن نصف التباين في محتوى البروتين ومحافظًا على أخطاء متوسطة في التنبؤ حوالي نقطة ونصف مئوية. مع أن هذا ليس مثاليًا، فإنه دقيق بما يكفي ليكون ذا فائدة للعديد من قرارات الإدارة، خاصةً بالنظر إلى أنه يعتمد فقط على معلومات يمكن لمعظم المزارع تسجيلها بأدوات أساسية ودفتر ملاحظات أو تطبيق بسيط.

ماذا يعني هذا للمزارعين والمستهلكين؟

بالنسبة للقارئ العادي، الرسالة واضحة: من خلال الانتباه جيدًا لمدة راحة المراعي، والطول الذي يكون عليه العشب عندما تدخل الحيوانات وتغادر، وكمية سماد النيتروجين المطبَّق، يمكن للمزارعين توجيه محتوى البروتين في عشبهم في الاتجاه المرغوب. تُظهر هذه الدراسة أن قياسات ميسورة وسهلة الجمع، مجتمعة مع خوارزميات ذكية، يمكن أن توفّر تقديرات سريعة لبروتين العشب دون الحاجة إلى العمل المخبري المستمر أو معدات استشعار باهظة الثمن. إذا أكدت أبحاث مستقبلية مع مجموعات بيانات أكبر وأكثر تنوعًا هذه النتائج، فقد تساعد مثل هذه الأدوات المزارعين على إنتاج لحم وحليب أكثر باستخدام مدخلات أقل وتكلفة أقل ونتائج بيئية أفضل—فوائد تصل في النهاية إلى المستهلكين من خلال إنتاج حيواني أكثر كفاءة واستدامة.

الاستشهاد: Oliveira de Aquino Monteiro, G., dos Santos Difante, G., Baptaglin Montagner, D. et al. Machine learning models for crude protein prediction in Tamani grass pastures. Sci Rep 16, 5805 (2026). https://doi.org/10.1038/s41598-026-36949-6

الكلمات المفتاحية: إدارة المراعي, جودة العلف, التعلم الآلي, البروتين الخام, تربية المواشي الدقيقة