الكشف الذكي عن الحرائق في الزراعة باستخدام التعلم الآلي والأنظمة المضمنة للوقاية من المخاطر وتحسين الاستدامة

لماذا حماية المزارع من الحرائق مهمة

في جميع أنحاء العالم، يشعر المزارعون بتأثير الطقس الأكثر سخونة وجفافًا وتزايد حرائق الغابات. يمكن لحريق واحد أن يمحو المحاصيل، ويتلف التربة، ويهدد الإمدادات الغذائية المحلية. تعرض هذه الورقة طريقة عملية لاكتشاف الحرائق مبكرًا في المزارع باستخدام جهاز إلكتروني صغير ومنخفض التكلفة وبرامج حاسوبية ذكية، بحيث يمكن رصد الخطر في الوقت المناسب حتى في الحقول النائية التي تفتقر إلى اتصال بالإنترنت أو تملك اتصالًا محدودًا.

المزارع المعرضة للخطر في عالم يزداد دفئًا

تعتمد الزراعة الحديثة على استقرار الطقس، إلا أن تغير المناخ يدفع إلى موجات حر أطول وجفافًا والمزيد من حرائق الغابات. طرق المراقبة التقليدية، مثل الدوريات أو الكاميرات البعيدة، بطيئة ومكلفة وغالبًا ما تفوّت بؤرًا صغيرة. بالنسبة للعديد من المجتمعات الريفية، وخصوصًا تلك البعيدة عن المدن وبُنى الشبكات، هناك حاجة ملحّة إلى أدوات بسيطة ترقب المحاصيل على مدار الساعة، وتُصدر تحذيرًا في غضون ثوانٍ، وتساهم في حماية الإنتاج الغذائي دون الاعتماد على خدمات سحابية معقدة.

صندوق صغير يراقب الدخان واللهب

بنى الباحثون وحدة كشف حرائق مستقلة حول حاسوب صغير من طراز Raspberry Pi 3 B+. يرتبط هذا الجهاز مباشرة بأجهزة استشعار للدخان واللهب موضوعة في الحقل. تقيس المستشعرات باستمرار مقدار الدخان واللهب، ويسجل Raspberry Pi هذه القراءات محليًا مع طوابع زمنية دقيقة. تعرض شاشة صغيرة مستوى الخطر الحالي ويصدر جهاز إنذار صوتي عندما يصبح الخطر مرتفعًا، مما يمكّن العمال القريبين من الاستجابة فورًا. وبما أن كل شيء يعمل على الجهاز نفسه، يمكن للنظام العمل في مزارع معزولة تفتقر إلى إنترنت موثوق أو خوادم مركزية.

تعليم الجهاز تقدير خطورة الحريق

الاكتفاء بالكشف عن الدخان واللهب لا يكفي؛ يجب على النظام أيضًا تحديد مدى جدية الموقف. لتحقيق ذلك، درّب الفريق عدة نماذج تعلم آلي — طرق حاسوبية تتعلم الأنماط من البيانات — على قياسات حقيقية جُمعت باستخدام النموذج الأولي. حدّدوا ثلاث فئات: ظروف طبيعية بدون حريق، حالة تحذيرية مع خطر محتمل، وحرائق مؤكدة. باستخدام مجموعة بيانات صغيرة نسبيًا لكن مُنقّاة بعناية، طبقوا نماذج تُسمى الانحدار اللوجستي والغابة العشوائية، إلى جانب الانحدار الخطي لإنتاج درجة مخاطرة مستمرة. تعلّمت النماذج كيف تتوافق تراكيبات مستويات الدخان واللهب مع هذه الحالات الخطرة، وكيف تشير التغيرات السريعة عبر الزمن إلى تصاعد الخطر.

كيف تعزّز البرمجيات الذكية الموثوقية

في الاختبارات، برز نموذج الغابة العشوائية. صنّف بشكل صحيح مستويات مخاطر الحريق بما يقرب من 99% من الدقة وحقق درجات عالية مماثلة فيما يتعلق بعدد الحرائق الحقيقية التي اكتشفها وقلة ما فاتته. أداء نموذج الانحدار اللوجستي الأبسط كان جيدًا أيضًا، لكن الغابة العشوائية تعاملت مع أنماط أكثر تعقيدًا في البيانات وأثبتت استقرارًا أكبر عبر التجارب المتكررة. لمواجهة المستشعرات المعطلة أو الظروف البيئية الشاذة، أضاف الباحثون خطوة لاكتشاف الشذوذ باستخدام نهج يُدعى Isolation Forest. تُشير هذه الطبقة الإضافية إلى قراءات غير مألوفة لا تطابق السلوك الطبيعي، ما قد يدل إما على نمط حريق مخفي أو عطل في المستشعر. حلّل الفريق أيضًا أوقات اليوم التي تميل فيها الحوادث للحدوث، محددين نوافذ زمنية قد تكون المراقبة المكثفة فيها أكثر فائدة.

نحو زراعة أكثر ذكاءً ومرونة

بجمع عتاد منخفض التكلفة، ومعالجة بيانات محلية، وأساليب تعلم آلي مختارة بعناية، يقدم النظام المقترح أداة إنذار مبكر عملية للمزارعين ضد الحرائق. إنه لا يعتمد على روابط إنترنت سريعة أو مراكز بيانات ضخمة، مما يجعله مناسبًا للمناطق الزراعية النائية. تشير النتائج إلى أن مثل هذه الأنظمة الذكية والمضمنة يمكن أن تقلل بشكل كبير من مخاطر أضرار الحرائق، وتدعم إنتاجًا غذائيًا أكثر أمانًا، وتساعد المزارع على التكيف مع مناخ متغير. مع إضافات مستقبلية — مثل المزيد من مستشعرات البيئة، وخوارزميات محسنة، وربما الطاقة الشمسية — يمكن أن يتطور هذا النهج إلى منصة أوسع لسلامة المزارع وإدارة الموارد تحمي كلًا من المحاصيل والبيئة المحيطة.

الاستشهاد: Morchid, A., Elbasri, A., Qjidaa, H. et al. Intelligent fire detection in agriculture using machine learning and embedded systems for risk prevention and improved sustainability. Sci Rep 16, 9773 (2026). https://doi.org/10.1038/s41598-026-40378-w

الكلمات المفتاحية: الزراعة الذكية, كشف الحرائق, التعلم الآلي, الأنظمة المضمنة, الاستدامة الريفية