Evaluating Machine Learning and Deep Learning Models for Predicting Rice Vegetation Condition in Acadia, Louisiana
قيمت هذه الدراسة سبعة نماذج من تعلم الآلة والتعلم العميق باستخدام 12,544 موسمًا لحقول الأرز في أكاديا، لويزيانا، ووجدت أن نموذج تعزيز التدرج (Gradient Boosting) حقق أعلى دقة تنبؤية (R² = 0.960) وأن مؤشر الاختلاف الطبيعي للمياه (NDWI) كان المتنبئ المهيمن على حالة غطاء الأرز النباتي، متفوقًا بفارق كبير على المتغيرات البيئية الأخرى.
يُعد الأرز غذاءً أساسياً لمليارات البشر، ومع ذلك فإن زراعته عملية توازن دقيقة تعتمد بشكل كبير على المياه والطقس. في أجزاء كثيرة من العالم، يفتقر المزارعون إلى الأدوات اللازمة للتحقق بسرعة من حالة محاصيلهم، خاصة عندما تتغير الأنماط المناخية بشكل غير متوقع. ولحل هذه المشكلة، لجأ العلماء إلى الأقمار الصناعية، التي تعمل كعيون في السماء، تلتقط صوراً لسطح الأرض بمرور الوقت. ومن خلال تحليل الضوء المنعكس من الحقول، يمكن للباحثين حساب أرقام محددة تكشف عن مدى اخضرار المحصول وكمية المياه التي يحملها. هذه الأرقام، المعروفة باسم المؤشرات الطيفية، تسمح للخبراء بمراقبة صحة النبات دون أن تطأ أقدامهم الحقل أبداً. ويكمكم التحدي في تحويل هذه التدفقات الهائلة من بيانات الأقمار الصناعية إلى تنبؤات واضحة وموثوقة حول ظروف المحاصيل، وهي مهمة تتطلب برامج حاسوبية متطورة قادرة على إيجاد أنماط في المعلومات المعقدة.
في قلب منطقة زراعة الأرز في أبرشية أكاديا بولاية لويزيانا، وضع فريق من الباحثين خطة لاختبار أي البرامج الحاسوبية تعمل بشكل أفضل في التنبؤ بصحة نباتات الأرز. وقد ركزوا على منطقة تُزرع فيها حقول الأرز مغمورة بالمياه، وهي طريقة تخلق علاقة فريدة بين المياه الموجودة على السطح والأوراق الخضراء فوقها. وللقيام بذلك، جمعوا كمية هائلة من البيانات تمتد لثمانية عشر عاماً، من عام 2008 إلى عام 2025. ودمجوا صور الأقمار الصناعية من برنامج "لاندسات" (Landsat)، الذي يقوم بتصوير الأرض منذ عقود، مع السجلات المحلية لهطول الأمطار ودرجة الحرارة وتضاريس الأرض. نظر الفريق إلى أكثر من اثني عشر ألف موسم حقل منفصل، مما خلق صورة مفصلة لكيفية تغير حقول الأرز من سنة إلى أخرى. لم يكن هدفهم مجرد التخمين للمستقبل، بل فهم بالضبط أي العوامل — مثل كمية المياه على الأرض أو درجة حرارة الهواء — كانت الأكثر أهمية لتفسير سبب ظهور بعض حقول الأرز بصحة أفضل من غيرها في أي موسم معين.
ولإيجاد أفضل طريقة لإجراء هذه التنبؤات، اختبر الباحثون سبعة أنواع مختلفة من النماذج الحاسوبية. اعتمدت بعض هذه النماذج على خطوط رياضية بسيطة، بينما كانت نماذج أخرى أنظمة معقدة مستوحاة من الطريقة التي يتعلم بها الدماغ البشري، وتعرف بالتعلم العميق. كما اختبروا أدوات قوية تبني العديد من أشجار القرار الصغيرة للوصول إلى إجابة نهائية، وهي طريقة تسمى التعلم الجمعي (Ensemble Learning). وقبل تشغيل الاختبارات، قام الفريق بعناية بإزالة تأثير السنة المحددة من بياناتهم. كانت هذه الخطوة حاسمة لأنها سمحت لهم برؤية كيف تختلف الحقول الفردية عن بعضها البعض داخل الموسم نفسه، بدلاً من مجرد رؤية كيف يتغير الإقليم بأكمده من سنة إلى أخرى. وعندما قارنوا النتائج، أظهر كل نموذج أداءً عالياً، لكن الطرق الجمعية، وخاصة واحدة تسمى "تعزيز التدرج" (Gradient Boosting)، تفوقت قليلاً على غيرها. استطاع هذا النموذج الأعلى أداءً تفسير جميع التباينات القابلة للتنبؤ بصحة الأرز تقريباً، مما يثبت أن هذه الأساليب الحاسوبية فعالة للغاية لهذا النوع من المراقبة الزراعية.
ومع ذلك، لم يكن الاكتشاف الأكثر إثارة للدهشة يتعلق بأي برنامج حاسوبي كان يعمل بشكل أفضل، بل بما كان الحاسوب ينظر إليه بالفعل لاتخاذ قراراته. فقد كشف التحليل أن العامل الأكثر أهمية للتنبؤ بصحة الأرز هو قياس محدد للمياه السطحية، يُعرف باسم "مؤشر الفرق الطبيعي للمياه" (NDWI). يقيس هذا المؤشر كمية المياه المفتوحة المرئية على الحقل. وفي المقابل، فإن عوامل أخرى قد يُتوقع أن تكون حاسمة، مثل إجمالي كمية الأمطار التي سقطت خلال موسم النمو أو متوسط درجة الحرارة، لم يكن لها أي تأثير تقريباً على تنبؤات النموذج بمجرد أخذ الاختلافات من سنة إلى أخرى في الاعتبار. وجد الباحثون أنه في هذه البيئة المحددة، حيث يدير المزارعون غمر حقولهم بعناً، فإن كمية المياه المستقرة على السطح تحكي القصة الكاملة لحالة المحصول. لقد تعلم الحاسوب أنه مع نمو الأرز وتغطيته للمياه، تتغير إشارة المياه السطحية بطريقة يمكن التنبؤ بها وتتطابق تماماً مع صحة النباتات.
توضح هذه الدراسة أنه بالنسبة للأرز المروي بالغمر، فإن مفتاح فهم صحة المحصول يكمن في مراقبة المياه. وقد أظهر الباحثون أنه باستخدام سجلات الأقمار الصناعية طويلة المدى والنماذج الحاسوبية القوية، من الممكن إنشاء نظام موثوق لمراقبة حقول الأرز عبر مساحات شاسعة. وبينما قدمت نماذج التعلم العميق الأكثر تعقيداً أداءً جيداً، إلا أن الأساليب الجمعية الأبسط قليلاً أثبتت أنها الأدوات الأكثر كفاءة ودقة للمهمة. وتشير النتائج إلى أن المزارعين والمخططين الزراعيين ليسوا بحاجة إلى الاعتماد على مجموعة واسعة من بيانات الطقس المعقدة لتتبع نمو الأرز في أنظمة الري المدارة؛ وبدلاً من ذلك، فإن التركيز على البصمة الطيفية للمياه نفسها يوفر الصورة الأكثر وضوحاً. يوفر هذا النهج طريقة عملية وقابلة للتوسع لمراقبة واحد من أهم مصادر الغذاء في العالم، مما يضمن توفر المعلومات اللازمة لدعم هذه المحاصيل بسرعة ودقة.
ملخص تقني: تقييم نماذج تعلم الآلة والتعلم العميق للتنبؤ بحالة الغطاء النباتي للأرز في أكاديا، لويزيانا
بيان المشكلة تتعرض زراعة الأرز بشكل متزايد لتقلبات المناخ، ومع ذلك تفتقر العديد من مناطق زراعة الأرز إلى البنية التحتية للملاحظات الأرضية اللازمة للتقييمات في الوقت المناسب لحالة المحصول. وبينما توفر الاستشعار عن بُعد حلاً قابلاً للتوسع، فإن دمج مجموعات البيانات من الأقمار الصناعية والبيانات البيئية متعددة المصادر يظل أمراً صعباً بسبب الاختلافات في الدقة المكانية، والتزامن الزمني، والخصائص الإشعاعية. علاوة على ذلك، غالباً ما تقيم الأدبيات الحالية عدداً محدوداً فقط من الخوارزميات أو تركز على التنبؤات قصيرة المدى، مما يترك فجوة في فهم أي من مناهج النمذجة تعمل باستمرار وبشكل أكثر اتساقاً لمراقبة الغطاء النباتي على المدى الطويل في المناظر الطبيعية المروية. بالإضافة إلى ذلك، غالباً ما تفشل نماذج تعلم الآلة (ML) والتعلم العميق (DL) التقليدية في مراعاة السياق الجغرافي المكاني بشكل صريح، مثل التبعيات المكانية والتباين البيئي، مما قد يؤدي إلى تنبؤات متحيزة.
المنهجية قيمت هذه الدراسة سبعة مناهج نمذجة للتنبؤ بحالة الغطاء النباتي للأرز (الممثلة بـ مؤشر الاختلاف الخضري الطبيعي، NDVI) في أبرشية أكاديا، لويزيانا، باستخدام بيانات من عام 2008 إلى 2025.
مصادر البيانات: دمج التحليل 12,544 ملاحظة من موسم الحقل المستمدة من:
صور الأقمار الصناعية: صور Landsat المجموعة 2 المستوى-2 (Landsat 5, 7, 8, 9) لحساب المؤشرات الطيفية: NDVI، ومؤشر النبات المعزز (EVI)، ومؤشر الرطوبة للفرق الطبيعي (NDMI)، ومؤشر المياه للفرق الطبيعي (NDWI).
المتغيرات البيئية: هطول الأمطار الشهري ودرجة حرارة الهواء على ارتفاع 2 متر من إعادة تحليل ERA5-Land، ومنحدر التضاريس من نموذج الارتفاع الرقمي SRTM.
بيانات المحاصيل: حدود حقول الأرز المستمدة من طبقة بيانات المحاصيل (CDL) التابعة لوزارة الزراعة الأمريكية (USDA-NASS).
المعالجة المسبقة وهندسة الميزات:
تمت معالجة البيانات في Google Earth Engine، مع تطبيق قناع السحب وإنشاء مركبات وسيطة شهرية.
تم تطبيق إجراء "التأثيرات الثابتة للسنة" (إزالة المتوسط) على جميع المتغيرات. أزال هذا الإجراء الارتباكات بين السنوات (مثل اختلافات المستشعرات، واتجاهات المناخ طويلة الأجل) لعزل التباينات داخل السنة الواحدة بالنسبة للمتنبئات البيئية.
تضمنت مجموعة البيانات النهائية مساحة الحقل، وNDWI، وNDMI، وإجمالي هطول الأمطار خلال موسم النمو، ومتوسط درجة حرارة موسم النمو، ومنحدر التضاريس كمتنبئات.
النماذج التي تم تقييمها: تم تدريب واختبار سبعة نماذج باستخدام التحقق المتقاطع العشوائي خماسي الطيات:
مقاييس التقييم: تم تقييم الأداء باستخدام معامل التحديد (R2)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE). تم تحديد أهمية المتغير باستخدام كل من مقاييس عدم النقاء (من نماذج الأشجار) وأهمية الميزة بالتبديل (Permutation Feature Importance) على مجموعة بيانات مستقلة للاحتجاز.
النتائج الرئيسية
أداء النماذج: حققت جميع النماذج السبعة دقة تنبؤية عالية. تفوقت طرق الأشجار التجميعية على النهج الخطية والتعلم العميق، رغم أن الفروق كانت هامشية.
حقق تعزيز التدرج (Gradient Boosting) أعلى أداء (R2=0.960±0.002).
تبعته نماذج LightGBM، والغابة العشوائية، وXGBoost عن قرب (R2≈0.958–0.959).
حققت الشبكة العصبية العميقة قيمة R2=0.956±0.002.
حققت نماذج الانحدار الخطي وريدج أدنى أداء (R2≈0.947–0.948).
أهمية المتغيرات: كشف تحليل أهمية الميزة بالتبديل عن متنبئ مهيمن:
كان NDWI (مؤشر المياه للفرق الطبيعي) هو المتنبئ المهيمن بشكل ساحق، بأهمية تبديل (ΔR2) بلغت 1.708.
كان NDMI هو الثاني في الأهمية (ΔR2=0.034).
كانت جميع المتغيرات الأخرى (مساحة الحقل، هطول الأمطار، درجة الحرارة، المنحدر) ذات مساهمات ضئيلة (ΔR2≤0.002).
بنية الارتباط: لوحظ ارتباط سلبي قوي (r=−0.963) بين NDVI وNDWI، مما يعكس التحول الفينولوجي من الحقول المغمورة (NDWI مرتفع، NDVI منخفض) إلى النباتات الكثيفة (NDWI منخفض، NDVI مرتفع).
المساهمات الرئيسية
التقييم المقارن للنماذج: تقدم الدراسة مقارنة منهجية لعدة خوارزميات لتعلم الآلة والتعلم العميق لمراقبة نباتات الأرز طويلة المدى، مما يثبت أن طرق الأشجار التجميعية توفر ميزة دقة ثابتة وإن كانت هامشية على التعلم العميق والنماذج الخطية لهذه المهمة الجيومكانية الجدولية المحددة.
تحديد المتنبئات المهيمنة: تُحدد الأبحاث الكمية للمحركات البيئية، مما يؤكد أن ديناميكيات طيف المياه السطحية (التي يلتقطها NDWI) تفسر جميع التباينات القابلة للتنبؤ تقريًا في حالة نباتات الأرز في الأنظمة المروية بعد التحكم في الارتباكات الزمنية.
تطبيق إطار عمل الذكاء الاصطناዊ الجغرافي (GeoAI): تضع الدراسة النمذجة التنبؤية ضمن إطار عمل الذكاء الاصطناዊ الجغرافي، مع تسليط الضوء على ضرورة التحكم في الارتباكات الزمنية (عبر التأثيرات الثابتة للسنة) لتقييم القدرة التفسيرية للمتغيرات البيئية بدقة.
الأهمية والادعاءات يزعم المؤلفون أن هذه النتائج تقدم إرشادات عملية لاختيار نماذج GeoAI قوية ومتنبئات طيفية لمراقبة الزراعة القائمة على الأقمار الصناعية. وتحديدًا:
الفائدة التشغيلية: تم تحديد نماذج الأشجار التجميعية على أنها مناسبة بشكل خاص لدعم القرار التشغيلي نظرًا لتوازنها بين الدقة، والكفاءة الحسابية، والقابلية للتفسير.
استراتيجية المراقبة: تشير هيمنة NDWI إلى أن ملاحظات الأقمار الصناعية الروتينية لديناميكيات المياه السطحية يمكن أن توضح بفعالية تطور المحاصيل في أنظمة الري المدارة دون الاعتماد الكبير على البيانات المناخية أو التضاريسية المساعدة.
القابلية للتوسع: توضح الدراسة أن دمج ملاحظات الأقمار الصناعية طويلة المدى مع تعلم الآلة يوفر نهجًا قابلًا للتوسع لمراقبة حالات نباتات الأرز في المناظر الطبيعية الزراعية المروية.
تحافظ الورقة على نبرة متواضعة فيما يتعلق بحدودها، حيث تقر بأن استخدام NDVI قد يصل إلى مرحلة التشبع تحت المظلات النباتية الكثيفة، وأن نهج التأثيرات الثابتة للسنة يحد من التنبؤ المباشر للمواسم المستقبلية غير المرئية، كما أن عدم تطابق الدقة المكانية للبيانات المدخلة قد يكون قد أخفى مساهمة متغيرات التضاريس والمناخ. يقترح المؤلفون أن العمل المستقبلي يجب أن يستكشف مناهج النمذجة الصريحة مكانيًا (مثل الانحدار الموزون جغرافيًا) والتحقق من صحة هذه النتائج في مناطق ذات ممارسات ري وتضاريس مختلفة.