Evaluating and improving crop-yield forecasting methods during extreme drought

في كل صيف، يتطلع المزارعون والحكومات إلى السماء بمزيج من الأمل والقلق، محاولين تخمين كمية الغذاء التي ستُحصد من الحقول. هذا التخمين ليس مجرد مسألة تقليد؛ بل هو عملية حسابية معقدة لكيفية تفاعل أنماط الطقس، وظروف التربة، وبيولوجيا النبات لإنتاج المحصول. عندما يسلك الطقس سلوكاً طبيعياً، يمكن للحواسيب غالباً تقديم توقعات بدقة معقولة من خلال النظر في الأنماط الماضية. ومع ذلك، فإن الطبيعة لا تتبع القواعد دائماً. فعندما يضرب حدث متطرف، مثل جفاف شديد يحرق الأرض ويجفف التربة، تنهار الأنماط المعتادة. والظروف التي تواجهها النباتات خلال مثل هذه الأزمات غالباً ما تخرج عن النطاق الذي شوهد في التاريخ، مما يترك أدوات التنبؤ القياسية في حالة ارتباك وعدم فاعلية. وهذه مشكلة حرجة لأن فشل التنبؤ يمكن أن يؤدي إلى عدم استقرار اقتصادي ونقص في الغذاء، مما يجعل من الضروري إيجال طرق للتنبؤ بالمحاصيل حتى عندما يتصرف الطسپ بطرق غير مسبوقة.

وضع باحثون في جامعة بوسطن كليدج (Boston College) هدفهم لحل هذه المعضلة تحديداً عبر اختبار مدى قدرة أنواع مختلفة من النماذج الحاسوبية على التنبؤ بإنتاج الذرة خلال موجة الجفاف المدمرة عام 2012 في منطقة الغرب الأوسط الأمريكي. هذه المنطقة، المعروفة باسم "حزام الذرة"، عانت من واحدة من أسوأ فترات الجفاف منذ خمسين عاماً، مما قلل إنتاج الذرة الوطني بنحو ثلاثة عشر بالمائة. أراد الفريق معرفة ما إذا كان بإمكانهم بناء نظام يتعلم من الماضي ولكنه يظل مرناً بما يكفي للتعامل مع الظروف الغريبة والمتطرفة لسنوات الكوارث. وقارنوا بين نهجين رئيسيين: التعلم الآلي التقليدي، الذي يستخدم قواعد إحصائية راسخة، والتعلم العميق، وهو شكل أكثر تقدماً من الذكاء الاصطناعي يحاكي الطريقة التي يعالج بها الدماغ البشري المعلومات من خلال طبقات من الاتصالات. وكان التحدي يكمكن في أن بيانات سنة الجفاف كانت مختلفة عما رآه النماذج من قبل، مما خلق وضعاً تكون فيه بيانات التدريب وبيانات الاختبار مختلفة جوهرياً.

ولمعالجة ذلك، جمع الباحثون بيانات الطقس اليومية لمئات المقاطعات، وتتبعوا ستة عشر عاملاً جوياً مختلفاً مثل درجة الحرارة، والرطوبة، والرياح، والإشعاع الشمسي. ولاحظوا أن البيانات كانت غير منظمة؛ حيث كانت بعض المقاطعات تفتقر إلى سجلات، ولم تغطِ القياسات اليومية العام بأكته، بل غطت موسم النمو فقط. ولجعل هذه البيانات مفهومة، حاولوا أولاً تبسيط المشكلة باستخدام تقنية تسمى "اختيار الميزات" (feature selection). فبدلاً من تغذية الحاسوب بكل قياس جوي منفرد، استخدموا طريقة لتحديد الدوافع المحددة التي تسبب في الواقع التغيرات في محصول المحاصيل. ووجدوا أنه بينما يعتقد الناس غالباً أن المطر ودرجة الحرارة هما أهم العوامل، إلا أن النماذج اعتمدت بشكل أكبر على "عجز ضغط البخار" و"النتح التبخيري". وهذه مقاييس توضح مقدار المياه التي يسحبها الهواء من النباتات والتربة، حيث تجمع آثار الحرارة والرطوبة وأشعة الشمس في إشارة واحدة قوية تعبر عن إجهاد النبات.

وكشفت الدراسة عن انقسام واضح في كيفية تعامل النماذج المختلفة مع الأزمة. فقد عانت نماذج التعلم الآلي التقليدية، والتي تشمل أساليب مثل الانحدار الخطي وأشجار القرار، عندما واجهت الجفاف الشديد. لقد كان أداؤها ضعيفاً لأنها تدربت على سنوات "طبيعية" ولم تستطع التعرف على الأنماط الغريبة لعام 2012. ومع ذلك، عندما قام الباحثون بتعديل هذه النماذج للتركيز فقط على أهم محركات الطقس وأعطوا أهمية إضافية للسنوات التاريخية القليلة التي كانت جافة أيضاً، تحسنت التوقعات بشكل ملحوظ. وهذا أظهر أنه بالنسبة للنماذج الأبسط، فإن فهم أي عوامل الطقس المحددة هي الأكثر أهمية يعد هو المفتاح للنجاة من عدم تطابق البيانات.

في المقابل، قدم نموذج التعلم العميق، المعروف باسم (VITA)، أداءً جيداً بشكل ملحوظ دون الحاجة إلى هذه التعديلات المحددة. فقد تم تدريب هذا النموذج مسبقاً على كمية هائلة من بيانات الطقس العالمية قبل اختباره في حقول الذرة. ولأنه تعلم بالفعل كيفية التعرف على أنماط الطقس المعقدة من مصادر متنوعة، فقد تمكن من التكيف مع جفاف عام 2012 بشكل طبيعي. وقد تفوق على جميع النماذج الأخرى، سواء في سنة الجفاف الشديد أو في السنة العادية، مما أثبت أن النظام الكبير المدرب مسبقاً يمكنه التعميم بشكل أفضل من الأنظمة الأصغر والمتخصصة عندما تصبح البيانات "غريبة". كما نظر الباحثون في كيفية اتخاذ النموذج لقراراته ووجدوا أنه ركز بشكل صحيح على منتصف موسم النمو، وتحديداً في أسابيع يونيو ويوليو عندما تكون الذرة أكثر عرضة للحرارة والجفاف. وقد أكد هذا أن النموذج لم يكن مجرد يخمن، بل كان يتعلم بالفعل الواقع البيولوجي للمحصول.

في النهاية، تشير الدراسة إلى أنه بينما تعد نماذج التعلم العميق المتقدمة أدوات قوية للتنبؤ بإنتاج المحاصيل أثناء الطقس المتطرف، إلا أنها ليست الحل الوحيد. فبالنسبة للحالات التي لا يمكن فيها استخدام أنظمة ضخمة ومعقدة، يمكن جعل النماذج الأبسط فعالة من خلال اختيار البيانات الصحيحة بعناية وتوزين الأحداث التاريخية الأكثر أهمية. وتسلط الأبحاث الضوء على أن العقبة الكبرى في التنبؤ ليست فقط نقص البيانات، بل حقيقة أن الأحداث المتطرفة تبدو مختلفة جداً عن الماضي بحيث تفشل الأدوات القياسية في التعرف عليها. ومن خلال فهم هذه الاختلافات وتعديل النماذج لتولي الاهتمام للإشارات الصحيحة، يمكن للعلماء بناء أنظمة أفضل للتنبؤ بالمحصول، حتى عندما تنقلب السماء ضد المحاصيل.