نموذج تجريبي لتطبيق اختيار الميزات وتقنيات التعلم الآلي لتقدير وإدارة تجمعات جراد الماء

لماذا أصبح عدّ جراد الماء يحتاج إلى أدوات ذكية الآن

مع تزايد شهية العالم للمأكولات البحرية، يواجه المديرون ضغوطًا للحفاظ على صحة المخزونات البرية مع توفير الغذاء في الوقت نفسه. يعد جراد الماء طعامًا مغذيًا منخفض الدهن يمكن تربيته باحتياجات مائية معتدلة نسبيًا، لكن الأمراض والإفراط في الصيد والتلوث جعلت من الصعب التنبؤ بأعداده. تُظهر هذه الدراسة كيف يمكن لتقنيات بيانات حديثة، مستعارة من الذكاء الاصطناعي، تحويل قياسات جسمية بسيطة لجراد الماء إلى مؤشرات قوية عن نموه، ومردود لحمه، وحجم التجمع — مما يساعد المصايد على البقاء مربحة ومستدامة في آن واحد.

جراد الماء كمصدر غذاء مستقبلي

يحتوي جراد الماء على نسبة عالية من البروتين والمعادن الأساسية رغم انخفاض محتواه من الدهون والسعرات الحرارية، مما يجعله خيارًا جذابًا حيث يكون البروتين الحيواني عالي الجودة نادرًا أو مكلفًا. كما يتحمل ظروفًا بيئية متنوعة ويمكن تربيته في برك أو خزانات أو حتى حقول الأرز بمدخلات منخفضة نسبيًا. في الوقت نفسه، من المتوقع أن يدفع التغير المناخي العالمي والزيادة السكانية الطلب على الغذاء إلى الارتفاع الحاد في العقود القادمة. وبما أن مخزونات جراد الماء أظهرت تقلبات بسبب الأوبئة والصيد المكثف وتلوث المياه، فهناك حاجة ملحّة لأدوات أفضل لتتبع حالتها وتخطيط عمليات الحصاد دون استنزاف هذا المورد القيم.

تحويل القياسات الميدانية إلى بيانات مفيدة

ركز الباحثون على تجمع كبير لجراد الماء في خزان آتيكيشار بتركيا، حيث جمعوا قياسات مفصلة من 6,470 جرادة ضيقة المخالب. ولدى كل حيوان سجّلوا 20 ميزة، شملت الطول الكلي، وعروض وأطوال أجزاء رئيسية من الجسم، وأوزان الرأس والبطن والمخالب، وكذلك وزن اللحم الصالح للأكل. أُخذت هذه القياسات بملاقط ومقاييس دقيقة، ثم نُقّحت باستخدام طريقة متوسط بسيطة لملء أي قيم مفقودة. كما طَبَّق الفريق صيغ الطول–الوزن الكلاسيكية المستخدمة في المصايد ليروا كيف يرتبط الطول الإجمالي بالوزن الإجمالي وللتحقق من نمط نمو الحيوانات بمرور الوقت.

اكتشاف أبرز الميزات الجسمية

ليست كل قياسَة تضيف معلومات مفيدة، فالميزات الزائدة الضعيفة الصلة يمكن أن تبطئ أو تُربك نماذج الحاسوب. للتمييز بين الإشارة والضوضاء، استخدم المؤلفون أداة إحصائية تُقَيّم مدى ارتباط كل ميزة بالوزن الإجمالي. احتفظوا فقط بالقياسات التي أظهرت على الأقل ارتباطًا متوسطًا، مثل الطول الكلي، وطول وعرض الرأس، وطول وعرض البطن، وأوزان الأجزاء واللحم المختلفة. خفّضت هذه الخطوة عدد المدخلات التي يتعين على النماذج معالجتها بشكل حاد، مع الاحتفاظ تقريبًا بكل المعلومات اللازمة لوصف وزن جرادة الماء المتوقع.

ترك الخوارزميات تتعلم من العيّنة

بوجود أهم الميزات، درّب الفريق عدة طرق تنبؤية شائعة تندرج تحت مظلة التعلم الآلي. باستخدام 70% من البيانات لتعليم النماذج و30% لاختبارها، قارنوا مدى قدرة كل نهج على تقدير وزن كل جرادة من قياسات جسمها. عبر الإناث والذكور والسكان مجتمعين، أنتجت ثلاث طرق — الانحدار الخطي المتعدد، والغابة العشوائية، وخاصة التعزيز التدرجي — توقعات دقيقة باستمرار، بأخطاء صغيرة مقارنة بالتباين الطبيعي في البيانات. بينما تأخرت طريقة شائعة أخرى، الانحدار بدعم المتجهات، لأنها واجهت صعوبة في التقاط العلاقات المنحنية الرقيقة بين الحجم والوزن في هذه الحيوانات.

ما يعنيه هذا لمستقبل المصايد

بالنسبة لغير المختصين، الرسالة الأساسية هي أن قياسات بسيطة لأجسام جراد الماء، عند اقترانها بأدوات تعلم آلي مختارة جيدًا، يمكن أن تقدّم صورة سريعة وموثوقة عن كمية اللحم القابلة للحصاد في تجمع ما. وجدت الدراسة أن جراد الماء في الخزان يظهر نمط نمو حيث يزداد الوزن أسرع قليلًا من الطول، وأن نماذج التعزيز التدرجي، عند تغذيتها بميزات مختارة بعناية، يمكنها التنبؤ بهذا النمط بدقة شبه كاملة. عمليًا، يعني ذلك أن المديرين قد يقدّرون حجم المخزون ويصممون قواعد الصيد دون حاجة لوزن كل فرد، موفِّرين الوقت والتكلفة مع تقليل مخاطر الإفراط في الصيد. ومع تطبيق طرق مماثلة على أنواع أخرى، قد تصبح النماذج المستندة إلى البيانات مثل هذه ركيزة لإدارة التربية المائية المستدامة والمخزونات البرية.

الاستشهاد: Gültepe, Y., Gültepe, N. A sample model for applying feature selection and machine learning techniques to estimate and manage crayfish populations. Sci Rep 16, 14540 (2026). https://doi.org/10.1038/s41598-026-45535-9

الكلمات المفتاحية: مصايد مستدامة, تربية جراد الماء, التعلم الآلي, تقييم المخزون, اختيار الميزات