نهج متعدد التخصصات قائم على التعلم الآلي لتوقع محصول الذرة تحت تطبيقات الأسمدة الحيوية

لماذا تهم حقول الذرة الأذكى

إطعام عدد متزايد من سكان العالم على كوكب يزداد دفئه يتطلب استخلاص المزيد من الغذاء من كل قطرة ماء وقبضة من التربة. الذرة، كواحدة من أهم المحاصيل في العالم، عرضة بشكل خاص للحرارة والجفاف والترب الفقيرة. تستكشف هذه الدراسة كيف أن مزيجاً من الميكروبات المفيدة في التربة والتعلم الآلي الحديث يمكن أن يساعد المزارعين على توقع محصول الذرة بدقة أكبر، مما يفتح الباب لاستخدام أكثر ذكاءً للأسمدة، وتخطيط أفضل للري، ومحاصيل أكثر مرونة.

جذور صحية، ميكروبات مفيدة، ونباتات متعرضة للإجهاد

تبدأ الأبحاث بفكرة بسيطة: إن محصول الذرة يتشكل ليس فقط بفعل الطقس والأسمدة، بل بشبكة من التفاعلات داخل النبات وتحت الأرض. عمل المؤلفون لمدة عامين في مزرعة بحثية في شمال شرق إيران شبه الجافة، حيث المياه محدودة والحرارة متكررة. تُركت بذور الذرة إما دون معالجة أو طُليت بفطريات وبكتيريا مفيدة تعيش حول الجذور وتساعد النباتات على امتصاص عناصر مثل الفسفور والنتروجين. طوال موسم النمو، قاس الفريق العشرات من الصفات، من لون الورقة والارتفاع إلى استعمار الجذور ودرجة حرارة المظلة، لبناء صورة مفصلة عن كيفية استجابة النباتات لهذه الأسمدة الحيوية وللبيئة الصعبة.

تحويل قياسات الحقل إلى إشارات ذكية

بدلاً من الاعتماد فقط على المتوسطات التقليدية أو الاتجاهات البسيطة، خلق الباحثون 73 «إشارة» مختلفة من قياساتهم، بما في ذلك 32 صفة مباشرة و41 تركيبة التقطت كيفية تفاعل ميزتين معاً. على سبيل المثال، نظروا في كيفية تفاعل درجة حرارة المظلة مع استعمار الجذور، أو كيفية تزاوج مساحة الورقة مع إنتاج المادة الجافة. أدى تمرير مبدئي باستخدام طريقة انحدار دقيقة إلى تضييق هذه القائمة إلى 13 إشارة رئيسية مرتبطة بقوة بمحصول الحبوب، مثل درجة حرارة المظلة أثناء الإزهار، ومستويات الفسفور والنتروجين في النبات، وعدد من التركيبات المتعلقة بالجذر والورقة. أظهرت هذه الخطوة أن المحصول يعتمد على عمليات فيسيولوجية وتربوية متشابكة، وليس على عوامل منفردة منعزلة.

اختبار ثمانية آلات تعلم

لمعرفة أي الأدوات التقطت هذه العلاقات المركبة بشكل أفضل، قارن الفريق ثمانية أساليب للتعلم الآلي، تتراوح من نماذج شجرية إلى عدة أنواع من الشبكات العصبية ونظام هجين عصبي‑ضبابي. قسموا 96 عينة ميدانية إلى مجموعات تدريب وتحقق واختبار، وقاموا بتقييس جميع المتغيرات، واستخدموا تقنيات مثل التحقق المتقاطع والإيقاف المبكر لتجنب الإفراط في التخصيص. بشكل عام، أدت النماذج المبنية على الشبكات العصبية — وخاصة تلك التي تستخدم آليات الانتباه وTensorFlow — أداءً أفضل، محققة دقة متوسطة في توقع المحصول من الصفات المقاسة. بالمقابل، واجهت طرق أكثر صلابة مثل آلات الدعم الشعاعي الأساسية صعوبة في نمذجة الأنماط المعقدة وغير الخطية في البيانات.

ماذا تقول النماذج عن كيفية نمو الذرة فعلاً

من نقاط القوة في هذا العمل أن المؤلفين لم يعاملوا نماذجهم كصناديق سوداء غامضة. باستخدام أدوات تفسير تعتمد على نظرية اللعبة، فحصوا أي الميزات كانت أقوى محركات للتوقعات. برزت درجة حرارة المظلة أثناء ملء الحبوب كإشارة قوية ومتسقة: كانت المظلات الأكثر برودة مرتبطة غالباً بمحاصيل أفضل، ربما انعكاساً لنباتات تتبخر الماء بكفاءة وتتجنب إجهاد الحرارة. كما تم تسليط الضوء على تفاعلات بين محتوى النيتروجين وطول الجذور، وبين مساحة الورقة وخضرة الورقة، وبين ارتفاع النبات وعدد الأذن عبر أفضل النماذج. تشير هذه الأنماط إلى الدور المركزي لامتصاص المغذيات ومظلة ضوئية فعالة، يتأثر كثيراً بمدى استعمار الميكروبات المفيدة للجذور وتحسينها لوصول النبات إلى مغذيات التربة.

من أنماط البيانات إلى زراعة أكثر ذكاءً

بالنسبة لغير المتخصصين، الخلاصة هي أن جمع الأسمدة الحيوية مع التحليل المتقدم للبيانات يمكن أن يحول قياسات الحقل المتفرقة إلى رؤى قابلة للتنفيذ. على الرغم من أن مجموعة البيانات كانت متواضعة ومأخوذة من منطقة واحدة، إلا أن الدراسة تُظهر أن نماذج الشبكات العصبية يمكنها تعلم الروابط الدقيقة بين صحة الجذور، وسلوك الأوراق، وإجهاد الحرارة، والمحصول النهائي للحبوب. من خلال الكشف عن الصفات النباتية والتربوية الأهم، يمكن لهذه النماذج توجيه الزراعة الدقيقة: يمكن للمزارعين والمستشارين التركيز على الحفاظ على مظلات باردة، وجذور مستعمرة جيداً بالميكروبات المفيدة، وتوازن امتصاص المغذيات. على المدى الطويل، قد تساعد مثل هذه المناهج في تصميم نظم زراعية تنتج المزيد من الذرة بمداخل كيماوية أقل، مع قدرة أفضل على التكيف مع الجفاف وتغير المناخ.

الاستشهاد: Jahan, M., Nassiri-Mahallati, M. An interdisciplinary machine learning-based approach for predicting corn grain yield under biofertilizer applications. Sci Rep 16, 9912 (2026). https://doi.org/10.1038/s41598-026-40919-3

الكلمات المفتاحية: توقع محصول الذرة, الأسمدة الحيوية, التعلم الآلي في الزراعة, تفاعلات الجذر–الميكروب, إدارة المحاصيل المستدامة