Machine learning forecasting of teak (Tectona grandis L.f.) growth parameters in Ghanaian plantations: a plot-level grouped-split analysis with ablation and sensitivity analysis
تُطوّر هذه الدراسة نموذجاً للشبكة العصبية متعددة الطبقات تم تدريبه على بيانات القياسات الخلوية المستخرجة للتنبؤ بدقة بمعايير نمو خشب التيك في المزارع الغانية، وذلك عبر توظيف تقسيم صارم للبيانات على مستوى القطع لتجنب التسرب، مع إثبات أن خصوبة التربة تؤثر بشكل كبير على تنبؤات النمو رغم غياب جرد ميداني مركزي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
ليست الغابات مجرد خلفيات ثابتة؛ بل هي أنظمة حية تنمو فيها الأشجار، وتتنافس، وتستجيب للأرض التي تحتها. وبالنسبة لخبراء الغابات، يعد التنبؤ بمدى سرعة نمو الشجرة أو كمية الخشب التي ستنتجها أمراً ضرورياً لإدارة الموارد الخشبية والتخطيط للمستقبل. تقليدياً، كان يتم ذلك من خلال قياس الأشجار في الميدان، وتسجيل طولها وعرضها، واستخدام قواعد رياضية لتقدير حجمها. ومع ذلك، في أجزاء كثيرة من العالم، بما في ذلك غانا، لا يوجد قاعدة بيانات مركزية ومحدثة لهذه القياسات. وبدون بيانات حديثة من الأرض، يصبح من الصعب إنشاء نماذج دقيقة تخبرنا كيف ستنمو أشجار التيك، وهي نوع ثمين من الأخش hard wood التجاري، في ظروف مختلفة. هذه الفجوة تترك المديرين في حالة تخمين حول إمكانات مزارعهم، خاصة عندما تختلف جودة التربة والمعالم الجغرافية من موقع إلى آخر.
ولحل هذه المشكلة، لجأ باحثون في غانا ورومانيا إلى نهج مختلف، باستخدام التعلم الحاسوبي لسد الفراغ الذي تركته البيانات الميدانية المفقودة. فقد بنوا نموذجاً رقمياً قادراً على التنبؤ بنمو أشجار التيك من خلال التعلم من الدراسات العلمية القائمة بدلاً من القياسات الجديدة. جمع الفريق معلومات من التقارير المنشورة حول مزارع التيك في غانا، واستخرجوا تفاصيل حول حجم الأشجار، وعمرها، وظروف التربة والمناظر الطبيعية المحددة التي نمت فيها. ولأنهم لم يمتلكوا بيانات خام للأشجار الفردية، استخدموا صيغاً علمية راسخة لتوليد مجموعة كبيرة من سجلات الأشجار المحاكية. ثم تم تغذية هذه السجلات في نوع من الذكاء الاصطناعي يُعرف باسم "المدرك متعدد الطبقات" (multilayer perceptron)، وهو نظام مصمم لإيجاد أنماط معقدة في البيانات. كان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر تعلم العلاقة بين البيئة - مثل مغذيات التربة، وهطول الأمطار، والارتفاع - وبين الحجم الناتج للأشجار، وتحديداً إجمالي ارتفاعها وحجم الخشب في جذوعها.
واجه الباحثون تحدياً كبيراً في كيفية اختبار نموذجهم. فبما أن العديد من الأشجار المحاكية جاءت من نفس قطع الأراضي في الدراسات المنشورة، فقد تشاركت في بيانات بيئية متطابقة. وإذا سُمح للكمبيوتر بالتعلم من بعض الأشجار في قطعة أرض معينة ثم اختباره على أشجار أخرى من نفس القطعة، فإنه ببساطة سيحفظ الظروف المحددة لذلك الموقع بدلاً من تعلم قاعدة عامة لكيفية نمو الأشجار. ولمنع ذلك، قام الفريق بتقسيم البيانات على مستوى قطع الأراضي؛ حيث ضمنوا أن كل شجرة من موقع دراسة معين تذهب بالكامل إما إلى مجموعة التدريب أو مجموعة الاختبار، ولا تذهب إلى كليهما أبداً. وهذا يعني أن الكمبيوتر كان عليه التنبؤ بنمو الأشجار في مواقع لم يرها من قبل، مما وفر اختباراً أكثر صرامة وصدقاً لقدرته على فهم البيولوجيا الأساسية للغابة.
بعد تدريب النظام على آلاف السجلات المحاكية، أظهرت النتائج أن النموذج الحاسوبي يمكنه إعادة إنتاج أنماط نمو التيك بدقة ملحوظة. فعند اختباره على قطع أراضٍ جديدة تماماً، تنبأ النموذج بحجم الخشب في جذوع الأشجار بمعدل نجاح شبه مثالي، حيث استوعب 99 بالمائة من التباين في البيانات. كما كان التنبؤ بارتفاع الأشجار قوياً أيضاً، حيث حدد بشكل صحيح 81 بالمائة من التباين، وإن كان أقل دقة قليلاً من تقديرات الحجم. وكانت العوامل الأكثر تأثيراً في هذه التنبؤات هي قطر الشجرة، وارتفاعها المهيمن بالنسبة للأشجار الأخرى في المجموعة، وعمر المزرعة. ومع ذلك، كشفت الدراسة أن كيمياء التربة لعبت دوراً أكثر أهمية مما كان متوقعاً عندما يتم التعامل مع البيانات بعناية؛ فعندما أزال الباحثون بيانات التربة من النموذج، انخفضت الدقة قليلاً ولكن بشكل ملحوظ، مما أثبت أن خصوبة التربة هي محرك حقيقي للنمو، وليست مجرد تفصيل زائد.
كما كشف التحليل عن كيفية عمل العوامل البيئية المختلفة معاً. فبينما كان لكل عنصر من عناصر مغذيات التربة مثل النيتروجين أو البوتاسيوم تأثير متوسط بمفرده، وجدت الدراسة أنه عندما تم النظر في الخصائص الكيميائية للتربة كمجموعة، فإنها تسببت في أكبر التحولات في أخطاء التنبؤ. وهذا يشير إلى أن الصحة الكيميائية العامة للتربة تعمل كقوة منسقة تشكل مدى طول الأشجار. وفي المقابل، كان لكثافة الأشجار في المجموعة، أو عدد الأشجار المزروعة في الهكتار الواحد، تأثير مستقل ضئيل تقريباً على التنبؤات بمجرد معرفة حجم الشجرة وعمرها. كما تعلم النموذج أن الارتفاع، الذي غالباً ما يعمل كبديل للظروف البيئية الأخرى، أصبح أقل أهمية عند توفر بيانات التربة الفعلية، مما يشير إلى أن الكمبيوتر كان يمنح الأولوية الصحيحة للسبب المباشر للنمو بدلاً من العامل البديل.
وعلى الرغم من هذه النجاحات، كان الباحثون حذرين في الإشارة إلى حدود عملهم. فبما أن بيانات التدريب تم توليدها من صيغ رياضية بدلاً من قياسها مباشرة من الأرض، فإن النموذج قد تعلم أساساً إعادة إنتاج العلاقات الموصوفة بالفعل في الأدبيات العلمية. لقد أكد النموذج أن الكمبيوتر يمكنه بنجاح محاكاة قواعد نمو التيك في غانا إذا تم تزويده بالمدخلات الصحيحة، لكنه لا يمكنه بعد أن يحل محل الحاجة إلى القياسات الواقعية. وتعد هذه الدراسة بمثابة إثبات للمفهوم، حيث توضح أن التعلم الآلي يمكن أن يكون أداة قوية لفحص مواقع المزارع المحتملة وتقدير النمو عندما تكون البيانات الميدانية شحيحة. والخطوة التالية، كما يقترح المؤلفون، هي إعادة تدريب هذا النظام نفسه بمجرد توفر قياسات مباشرة جديدة من قطع الغابات الدائمة. وحتى ذلك الحين، يوفر النموذج طريقة موثوقة ومنخفضة التكلفة لفهم أنماط نمو التيك، بشرط استخدامه مع الإدراك بأنه مبني على أساس المعرفة العلمية الموجودة وليس على ملاحظات ميدانية جديدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.