UMAF: A Unified Multi-Matrix Analytical Framework for Interpretable Crop-Yield Modelling

في عالم الزراعة الحديث، أصبحت البيانات لا تقل أهمية عن المطر أو ضوء الشمس. يتجه المزارعون وعلماء الزراعة بشكل متزايد نحو الحواسيب لتقرير أي المحاصيل ستزدهر في حقل معين وكيفية إنتاج تلك المحاصيل للغذاء. هذا المجال، المعروف بالزراعة الدقيقة، يعتمد على قياس البيئة: درجة الحرارة، والرطوبة، وحموضة التربة، ومستويات العناصر الغذائية مثل النيتروجين والفوسفور والبوتاسيوم. وبينما أصبحت الحواسيب جيدة جداً في التنبؤ بالنتائج، لا تزال هناك فجوة كبيرة بين مجرد تخمين رقم ما وفهم "السبب" الحقيقي وراءه. يحتاج المزارع ليس فقط لمعرفة أن المحصول سينمو، بل لمعرفة مقدار الغذاء الإضافي الذي سيحصل عليه إذا أضاف المزيد من السماد، أو عند أي نقطة يتوقف إضافة المزيد من الموارد عن كونه يستحق التكلفة. هذا هو الفرق بين التنبؤ والدليل الموجه للعمل.

اقترح فريق من الباحثين طريقة جديدة لسد هذه الفجوة، والانتقال من مجرد التنبؤ البسيط إلى رسم خريطة مفصلة لكيفية تفاعل العوامل البيئية المختلفة لخلق حصاد. عملهم، الذي يحمل عنوان "إطار التحليل الموحد متعدد المصفوفات"، أو UMAF، مصمم لأخذ الشبكة المعقدة من بيانات التربة والطقس وتفكيكها إلى علاقات واضحة ومفهومة. وبدلاً من معاملة المزرعة كصندوق أسود تدخل فيه المدخلات ويخرج منه محصول، يعمل هذا الإطار مثل مجموعة من العدسات، كل منها يركز على جانب مختلف من العلاقة: مدى حساسية المحصول للتغيير، ومدى تناسب ذلك التغيير، وكيف يمكن للعوامل المختلفة أن تساعد بعضها البعض أو تعيق بعضها البعض، وكم تبلغ تكلفة الحصول على نتيجة أفضل. الهدف هو إنشاء أداة ليست دقيقة فحقة فحسب، بل قابلة للتفسير أيضاً، مما يسمح للخبراء برؤية المنطق الكامن وراء الأرقام.

لاختبار هذا الإطار الجديد، لم يبدأ الباحثون بحقل من المحاصيل الحقيقية، لأن البيانات العامة التي استخدموها تضمنت توصيات بشأن المحاصيل التي يجب زراعتها ولكنها لم تتضمن سجلات الحصاد الفعلية. بدلاً من ذلك، قاموا ببناء محاكاة واقعية. أخذوا ظروف التربة والمناخ المعروفة من 2,200 سيناريو مختلف تغطي 22 نوعاً من المحاصيل، تتراوح من الحبوب إلى الفواكه والبن. وباستخدام قواعد زراعية راسخة، قاموا بتوليد عائد افتراضي لكل سيناريو رياضياً. سمح لهم ذلك بإنشاء بيئة محكومة حيث يعرفون بالضبط كيف ينبغي أن تسلك المدخلات، بما في ذلك حقيقة أن إضافة المزيد من السماد ستتوقف في النهاية عن مساعدة المحصول على النمو — وهو مفهوم يُعرف بالعوائد المتناقصة. ثم قاموا بتشغيل إطارهم الجديد مقابل هذه البيانات المحاكاتية ليروا ما إذا كان بإمكانهم تحديد القواعد التي بنوها في النظام بشكل صحيح.

أول شيء فعله الإطار هو قياس الحساسية. تخيل دفع أرجوحة؛ الحساسية تخبرك بمدى ارتفاع الأرجوحة لكل دفعة تعطيها لها. في المحاكاة، وجد الباحثون أن النيتروجين كان المحرك الأقوى للنمو. أدت زيادة صغيرة في النيتروجين إلى زيادة كبيرة في العائد الافتراضي. وكان الفوسفور هو الأكثر أهمية بعد ذلك، يليه البوتاسيوم. ومن المثير للاهتمام أن الإطار نظر أيضاً في درجة الحرارة وحموضة التربة. في العالم الحقيقي، للمحاصيل درجة حرارة ومستوى حموضة مثاليان؛ فكون الجو حاراً جداً أو بارداً جداً، أو أن التربة حمضية جداً أو قلوية جداً، يضر بالمحصول. ولأن البيانات تضمنت نباتات على جانبي هذه النقاط المثالية، أظهرت عملية حساب متوسط بسيطة تأثيراً شبه معدوم لدرجة الحرارة والحموضة. ومع ذلك، فقد صُمم الإطار للنظر بعمق أكبر، ونجح في تحديد أن هذه العوامل كانت حاسمة بالفعل، ولكن بطريقة غير خطية قد يغفلها المتوسط البسيط.

بعد ذلك، نظر الفريق في كيفية عمل هذه العوامل معاً. في الطبيعة، تتفاعل العناصر الغذائية والطقس غالباً؛ فعلى سبيل المثال، قد يؤدي المطر الغزير إلى غسل السماد، أو قد تغير الرطوبة العالية كيفية استخدام النبات للعناصر الغذائية. استخدم الباحثون تقنية رياضية خاصة للكشف عن هذه الشراكات الخفية. اختبروا طريقتهم على نسخة أبسط من البيانات حيث عرفوا عدم وجود تفاعلات، ووجد النظام بالفعل عدم وجود أي منها. ثم اختبروه على نسخة أضفنا إليها سراً تفاعلات محددة، ونجح النظام في العثور عليها. وعندما طبقوا ذلك على محاكاتهم الرئيسية، وجد النظام بعض الروابط الظاهرية بين المتغيرات، ولكن بما أن القواعد الأساسية لمحاكاتهم لم تتضمن في الواقع هذه التفاعلات، فمن المرجح أن تكون هذه النتائج مجرد آثار ناتجة عن تعقيد البيانات بدلاً من كونها حقائق بيولوجية حقيقية. سلط هذا الضوء على نقطة حاسمة: الإطار قوي، ولكنه يتطلب تفسيراً دقيقاً للتمييز بين التآزر البيولوجي الحقيقي والضجيج الإحصائي.

كما تناول البحث الجانب الاقتصادي للزراعة. لا يمكن للمزارعين مجرد النظر إلى ما يساعد المحصول على النمو؛ بل يجب عليهم مراعاة تكلفة تحقيق هذا النمو. خصص الباحثون تكلفة نظرية لكل مدخل يمكن التحكم فيه، مثل سعر سماد النيتروجين مقابل تكلفة تعديل حموضة التربة. ثم قاموا بحساب درجة "كفاءة التكلفة"، والتي تقيس مقدار العائد الإضافي الذي يحصل عليه المزارع مقابل كل وحدة نقدية يتم إنفاقها. وأظهرت النتائج أن النيتروجين كان الاستثمار الأكثر كفاءة من حيث التكلفة بفارق كبير. ورغم أن تعديل حموضة التربة كان نظرياً أرخص للوحدة الواحدة، إلا أن الإطار أظهر أنه أنتج عائداً إضافياً ضئيلاً جداً مقارنة بالتكلفة، مما يجعله استثماراً سيئاً في هذا السيناريو المحدد. هذا النوع من التحليل يساعد في نقل النصيحة الزراعية من "أضف المزيد من السماد" إلى "أنفق أموالك على النيتروجين أولاً".

كان جزء رئيسي آخر من الإطار هو إيجاد نقطة التحول، أو العتبة، حيث يتوقف تقديم المزيد من الموارد عن كونه مفيداً. في المحاكاة، عرف الباحثون أن المحاصيل ستتوقف في النهاية عن الاستجابة للمغذيات الإضافية. نجحت طريقتهم في تحديد نقاط التعادل هذه للنيتروجين والفوسفور والبوتاسيوم. بالنسبة للنيتروجين، اقترح التحليل أن نقطة العوائد المتناقصة تحدث عند حوالي 55 كيلوغراماً للهكتار. بعد هذه النقطة، سيؤدي إضافة المزيد من النيتروجين إلى إنتاج كمية قليلة جداً من الغذاء الإضافي. هذه معلومة حيوية للمزارع، حيث تمنع الهدر والأضرار البيئية الناجمة عن الإفراط في التسميد.

لضمان موثوقية طريقتهم الجديدة، قارن الباحثون إطارهم بأداة تعلم حاسوبي متقدمة وشائعة تُعرف باسم "الغابة العشوائية" (Random Forest)، والتي تُستخدم غالباً في التنبؤ بالزراعة. استخدموا تقنية تُسمى "SHAP"، وهي تساعد في شرح ما يفكر فيه نموذج حاسوبي معقد، لمعرفة ما إذا كانت تتفق مع إطارهم الجديد والأبسط. وقد اتفقتا بشكل ملحوظ على العامل الأكثر أهمية: كلاهما حدد النيتروجين كمحرك مهيمن للعائد. وبينما لم يكن الاتفاق مثالياً، إلا أنه كان قوياً بما يكفي للإشارة إلى أن الإطار الجديد يلتقط المنطق الأساسي للنظام دون الحاجة إلى تعقيد نموذج حاسوبي ضخم.

أخيراً، أنشأ الفريق درجة واحدة لتمثيل الإجهاد العام على البيئة، من خلال الجمع بين عوامل مثل مدى ابتعاد درجة الحرارة عن المثالية، وجفاف التربة، ومدى حموضة الأرض. واختبروا ثلاث طرق مختلفة لوزن هذه العوامل: إحداها تعتمد على الإحصاء البسيط، وأخرى تعتمد على الأهمية المتساوية، والثالثة بناءً على رؤية النموذج الحاسوبي المعقد. ووجدوا أن الطريقة التي تستخدم رؤية النموذج المعقد كانت الأفضل في التنبؤ بالعائد الافتراضي، مما يشير إلى أنه بالنسبة للإجهاد البيئي، فإن العلاقات غير الخطية والمعقدة تهم أكثر من المتوسطات البسيطة.

يؤكد الباحثون بحذر أن هذا العمل هو "إثبات مفهوم". ولأن بيانات العائد تم إنشاؤها بواسطة صيغة حاسوبية وليس تم قياسها في حقل حقيقي، فإن الأرقام والعتبات المحددة الموجودة هنا ليست جاهزة بعد لاستخدامها كقواعد عالمية لجميع المزارع. لا تدعي الدراسة أنها حلت لغز نمو المحاصيل، بل إنها بنت طريقة أوضح للنظر في المشكلة. إنها توضح أنه من الممكن الجمع بين الحساسية، والتكلفة، والتفاعل، والإجهاد في سير عمل واحد مفهوم. يقترح المؤلفون أن الخطوة التالية هي اختبار هذا الإطار على بيانات من العالم الحقيقي من حقول فعلية، حيث يمكن قياس الطبيعة الفوضوية وغير المتوقعة للزراعة الحقيقية مباشرة. وحتى ذلك الحين، يقف هذا الإطار كأداة متطورة لتنظيم فهمنا لكيفية تشكيل البيئة للغذاء الذي نزرعه، مما يوفر مساراً نحو قرارات زراعية أكثر كفاءة واستدامة.