Hybrid Machine Learning Framework for Herd-Level Cattle Growth Pattern and Weight Gain Forecasting in Grazing-Based Production Systems

تخيل أنك تحاول تخمين سرعة نمو مجموعة من الأصدقاء. لو كان بإمكانك قياسهم كل يوم، سيكون من السهل رسم خط سلس يوضح نموهم. ولكن ماذا لو ظهر أصدقاؤك للقياس فقط عندما يرغبون في ذلك؟ في بعض الأيام يكونون حاضرين، وفي أيام أخرى يختبئون في الغابة، وأحياناً يتخطون أسبوعاً كاملاً. هذا هو الواقع الفوضوي لتربية الماشية في المراعي المفتوحة. فالحيوانات لا ترتدي ساعات يد ولا تتبع جدولاً زمنياً صارماً؛ بل تتوجه إلى موازين الوزن فقط عندما تشعر بالجوع أو الفضول. وهذا يخلق صورة "متعرجة" وغير مكتملة لنموهم، مما يجعل من الصعب جداً على المزارعين التنبؤ بكمية اللحم التي سيبيعونها أو كمية الطعام التي يحتاجون لشرائها.

ولحل هذه المعضلة، يستخدم العلماء مجالاً يسمى تعلم الآلة (Machine Learning)، وهو في الأساس تعليم الحواسيب كيفية إيجاد الأنماط في البيانات، تماماً مثلما يكتشف المحقق الأدلة لحل لغز ما. في هذه القصة تحديداً، يحاول هؤلاء المحققون التنبؤ بـ زيادة وزن الماشية. وهم يستخدمون النماذج الهجينة (Hybrid Models)، والتي تشبه فريقاً من الخبراء المختلفين الذين يعملون معاً: بعضهم جيد في رصد الاتجاهات البسيطة، بينما يبرع آخرون في التعامل مع البيانات المعقدة والفوضوية. والهدف هو تحويل هذه الزيارات العشوائية والمتقطعة إلى "كرة بلورية" موثوقة للمزارعين، تساعدهم في اتخاذ قرارات بشأن متى يطعمون القطيع، ومتى يبيعونه، وكيف يديرون أراضيهم دون إهدار للمال أو إجهاد للحيوانات.

---

لغز عمليات الوزن المفقودة

في عالم تربية الماشي التجارية، نادراً ما تكون الأمور مرتبة ومنظمة. فالماشية في أنظمة الرعي في جنوب شرق أستراليا لا تصطف لعملية وزن مجدولة كل صباح يوم اثنين. بدلاً من ذلك، تتجول فوق موازين آلية (تعمل بنظام "الوقوف والنزول" - step-on-off) متى أرادت ذلك. وهذا يعني أن البيانات التي يتلقاها علماء البيانات مليئة بالفجوات. في أسبوع ما، قد يتم وزن بقرة ثلاث مرات؛ وفي الأسبوع التالي، قد لا تظهر على الإطلاق. الأمر يشبه محاولة التنبؤ بالطقس من خلال النظر من النافذة فقط عندما تتذكر القيام بذلك.

أراد الباحثون، بقيادة محمد رياض حسيب حسين وفريقه، معرفة: هل لا يزال بإمكاننا التنبؤ بكيفية نمو قطيع كامل من الماشية، حتى عندما تكون البيانات بهذا القدر من الفوضى؟

قاموا بجمع بيانات من عام 2022 إلى 2024، وتتبعوا 960 رأساً من ماشية "أنجوس" و"ليموزين". لم ينظروا فقط إلى الوزن؛ بل نظروا أيضاً إلى عمر الحيوانات، وجنسها، والطقس (الأمطار ودرجة الحرارة) للأسبوع الحالي والأسابيع السابقة. وأدركوا أنه بينما يكون نمو الأبقار الفردية غير قابل للتنبؤ به، فإن القطيع بأكمله يميل إلى تسوية تلك القفزات الغريبة. فإذا تخطت بقرة واحدة أسبوعاً، فإن متوسط المجموعة بأكملها لا يزال يروي قصة واضحة.

فريق الخبراء: تعلم الآلة الهجين

لحل هذا اللغز، لم يعتمد الفريق على نوع واحد فقط من "أدمغة الكمبيوتر". لقد اختبروا أربع استراتيجيات "هجينة" مختلفة، وهي تشبه طرقاً مختلفة لتنظيم فريق من المحققين:

1. المتبقي (Residual): يقوم محقق أول بوضع تخمين، ثم يحاول محقق ثانٍ (شبكة عصبية) إصلاح الأخطاء التي ارتكبها الأول.
2. المكدس (Stacked): يقوم مجموعة من المحققين بوضع تخميناتهم الخاصة، ثم يقوم "محقق رئيس" بدمجها جميعاً لاتخاذ القرار النهائي.
3. المتتالي (Cascade): ينقل المحقق (أ) ملاحظاته إلى المحقق (ب)، الذي ينقلها بدوره إلى المحقق (ج)، بحيث يقوم كل منهم بتنقيح الإجابة خطوة بخوة.
4. المدعوم بالتجميع (Ensemble-Assisted): تعمل مجموعة معاً لإنشاء ملخص، والذي يتم تغذيته بعد ذلك في شبكة عصبية لإجراء اللمسات النهائية.

كما قارنوا هذه الفرق المتطورة بطرق أقدم وأبسط مثل ARIMA (أداة إحصائية كلاسيكية) و LSTM/GRU (أنواع من التعلم العميق التي تعد رائعة في قراءة القصص المستمرة والسلسة ولكنها غالباً ما ترتبك بسبب الفجوات).

الفائز: الفريق المتتالي

بعد إجراء آلاف عمليات المحاكاة، كانت النتائج واضحة. نهج المتتالي (Cascade)، وتحديداً فريق يسمى GB→RF→NN (والذي يرمز إلى Gradient Boosting، ثم Random Forest، ثم Neural Network)، كان هو البطل.

إليكم ما وجدوه:

• الدقة: تنبأ هذا الفريق الفائز بوزن القطيع بمعامل تحديد (R²) للاختبار بلغ 0.889. وباللغة البسيطة، هذا يعني أن توقعاتهم طابقت البيانات الواقعية بشكل وثيق جداً.
• الخطأ: في المتوسط، كان تخمينهم بعيداً بنحو 21.319 كجم (جذر متوسط مربع الخطأ - RMSE) أو 15.462 كجم (متوسط الخطأ المطلق - MAE).
• المقارنة: عانت الطرق القديمة؛ حيث كان نموذج ARIMA لديه خطأ قدره 31.844 كجم، وحتى نماذج التعلم العميق المتقدمة (LSTM و GRU) أصبحت أسوأ بكثير عندما كانت البيانات شحيحة. كانت الفرق الهجينة ببساطة أكثر متانة وقدرة على التحمل.

أظهرت الدراسة أنه بينما تعتبر نماذج التعلم العميق (مثل LSTM) رائعة عندما تكون البيانات مثالية، إلا أنها تنهار عندما تقرر الماشية أخذ عطلة. أما الفرق الهجينة، فقد تمكنت من التعامل مع "الأيام المفقودة" بشكل أفضل بكثير؛ إذ لم تتعامل مع الفجوات ككارثة، بل كقطعة أخرى من أحجية اللغز.

ما الذي يحرك النمو؟

سأل الباحثون الكمبيوتر أيضاً: "ما هو الشيء الأكثر أهمية؟" قاموا بإجراء تحليل لأهمية الميزات، وهو ما يشبه طلب ترتيب الأدلة من النموذج.

1. عمر الحيوان: كان هذا هو الدليل الأكبر. الأبقار الصغيرة تنمو بشكل أسرع؛ بينما تتباطأ الأكبر سناً. لقد كان المتنبئ المهيمن.
2. هطول الأمطار: كمية الأمطار في هذا الأسبوع والأسابيع السابقة كانت مهمة جداً لأنها تحدد كمية العشب المتاحة.
3. درجة الحرارة: لعبت أيضاً دوراً في كيفية سلوك الماشية والعشب.

ومن المثير للاهتمام أن السلالة المحددة (النمط الجيني) والجنس كانا أقل أهمية من العمر والطقس. لقد تعلم النموذج أن مرحلة حياة البقرة والطقس في الخارج هما المحركان الحقيقيان للنمو، وليس مجرد شجرة عائلتها.

سيناريوهات "ماذا لو"

اختبر الفريق أيضاً مدى صمود نماذجهم عندما جعلوا البيانات أكثر فوضوية بشكل اصطناعي. لقد قاموا بمحاكاة سيناريوهات حيث حضر 50% فقط أو حتى أقل من الماشية لعملية الوزن.

• شهدت النماذج القديمة (LSTM, GRU) قفزة في أخطائها بنسبة 40% إلى 43%.
• بينما ارتفعت أخطاء نموذج "المتتالي" الفائز بنسبة 20.5% فقط تقريباً.

يشير هذا إلى أنه إذا واجه نظام المزارع أسبوعاً سيئاً أو تعطل أحد المستشعرات، فإن النموذج الهجين لن ينهار، بل سيستمر في تقديم إجابة جيدة إلى حد معقول، بينما قد تبدأ النماذج الأقدم في التخمين بشكل عشوائي وغير دقيق.

لماذا يهم هذا المزارعين؟

إذاً، ماذا يعني هذا للمزارع؟ تخيل مزارعاً لديه 500 رأس من الماشية. إذا استطاع التنبؤ بوزن القطيع بدقة أكبر، فيمكنه التوقف عن التخمين بشأن كمية العلف الإضافي الذي يجب شراؤه. تشير الدراسة إلى أن مجرد تحسن بسيط في التنبؤ (مثل تقليل الخطأ بنسبة 5% إلى 15%) يمكن أن يوفر آلاف الدولارات من العلف المهدر.

على سبيل المثال، إذا عرف المزارع أن القطيع ينمو ببطء أكثر مما هو متوقع بسبب موجة جفاف، فيمكنه تعديل العلف قبل أن تفقد الحيوانات الكثير من وزنها. وعلى العكس من ذلك، إذا كان القطيع في حالة ممتازة، فقد يعرف أن الوقت قد حان للبيع. لا تعد الدراسة بآلة سحرية لصنع المال، لكنها تقدم أداة أكثر حدة لاتخاذ القرار.

الخلاصة

لم تخترع هذه الورقة نوعاً جديداً من الرياضيات أو آلة زمن سحرية. بدلاً من ذلك، أظهرت أنه من خلال الجمع بين أدوات تعلم الآلة المختلفة في فريق "هجين"، يمكننا فهم البيانات الفوضوية في العالم الحقيقي التي يتعامل معها المزارعون فعلياً. لقد أثبتت بنية Cascade GB→RF→NN أنها الأكثر موثوقية، حيث تعاملت مع الزيارات غير المنتظمة للماشية في المراعي بشكل أفضل من أي طريقة منفردة تم اختبارها.

وعلى الرغم من أن الدراسة كانت محدودة بمزرعة واحدة في أستراليا واستخدمت "بيانات مفقودة" محاكات بدلاً من أعطال المستشعرات الحقيقية، إلا أن النتائج واعدة. فهي تشير إلى أنه في عالم الرعي غير المتوقع، فإن فريقاً من الخواروات الهجينة والمتنوعة هو أفضل وسيلة لمراقبة القطيع، مما يضمن للمزارعين إمكانية اتخاذ خيارات أذكى بشأن العلف، والمراعي، وبيع مواشيهم. إن مستقبل الزراعة قد لا يتعلق بالبيانات المثالية، بل بالطرق الذكية للتعامل مع الأشياء غير المثالية التي نمتلكها بالفعل.