Integrating LightGBM with SHapley Additive exPlanations (SHAP) for Enhanced Soil Analysis and Interpretability

على مدى قرون، كانت زراعة الغذاء لعبة تعتمد على الحظ والملاحظة. فقد كان المزارعون ينظرون إلى لون التربة، ويتحسسون ملمسها، ويراقبون الطقس لتخمين أي البذور ستزدهر وأيها ستذبل. وبينما أطعم هذا الحدس العالم، إلا أنه غالباً ما ترك الكثير للخيال. فالتربة تحت أقدامنا هي خليط معقد من المواد الكيميائية والظروف الفيزيائية، ومعرفة ما تحتاجه بقعة محددة من الأرض بالضبط لدعم نبات معين هي لغز صعب. وفي السنوات الأخيرة، توجه العلماء إلى الحواسيب للمساعدة في حل هذه المعضلة، مستخدمين تعلم الآلة لإيجاد أنماط في البيانات قد تغفل عنها العين البشرية. ومع ذلك، غالباً ما تعمل هذه البرامج الحاسوبية كصناديق سوداء: فهي تعطي إجابة، لكنها لا تشرح كيف توصلت إليها. وهذا النقص في الشفافية يجعل من الصعب على المزارعين الوثوق بالنصيحة أو فهم سبب اقتراح الحاسوب محصولاً معيناً دون غيره. ولجسر هذه الفجوة، عكف فريق من الباحثين من جامعة ميرو للعلوم والتكنولوجيا في كينيا على بناء نظام لا يتنبأ فقط بأفضل محصول لقطعة من الأرض، بل يشرح أيضاً منطقه بكلمات بشرية واضحة.

ركز الباحثون على ستة مكونات رئيسية تحدد صحة التربة: النيتروجين، والفسفور، والبوتاسيوم (العناصر الغذائية الثلاثة الرئيسية التي تتغذى عليها النباتات)، بالإضافة إلى مستوى حموضة التربة، ودرجة حرارتها، ورطوبة الهواء المحيط بها. وقد جمعوا مجموعة ضخمة من البيانات من السجلات القائمة، تغطي اثنين وعشرين نوعاً مختلفاً من المحاصيل، من التفاح والموز إلى الذرة والأرز. احتوت هذه المجموعة من البيانات على آلاف الأمثلة لظروف التربة المقترنة بالمحاصيل التي نمت بشكل جيد فيها. وبدلاً من محاولة حفظ كل مثال على حدة، علم الفريق نموذجاً حاسوبياً كيفية التعرف على العلاقات المعقدة وغير الخطية بين عوامل التربة هذه ونجاح المحصول. وقد اختاروا نوعاً معيناً من أدوات التعلم المتقدمة يسمى LightGBM، المعروف بسرعته وكفاءته في التعامل مع كميات كبيرة من المعلومات. ولضمان دقة النموذج قدر الإمكان، قاموا باختبار آلاف الإعدادات المختلفة بشكل منهجي لإيجاد المزيج المثالي للتعلم من البيانات.

كانت النتائج دقيقة بشكل مذهل. فعندما تم اختبار النموذج على عينات تربة لم يرها من قبل، تنبأ بمدى ملاءمة المحاصيل بدقة تقارب الكمال. كانت تنبؤات الحاسوب قريبة جداً من الظروف المثالية الفعلية لدرجة أن معدل الخطأ كان أقل من نصف بالمائة. ويشير هذا المستوى من الدقة إلى أن النموذج قد تعلم القواعد الحقيقية لكيمياء التربة بدلاً من مجرد التخمين. ومع ذلك، لم يكن الاختراق الحقيقي في الدقة فحسب، بل في القدرة على فتح الصندوق الأسود. فقد استخدم الفريق طريقة تسمى SHAP، والتي تعمل مثل عدسة مكبرة لعملية صنع القرار في الحاسوب؛ حيث تقوم هذه الأداة بتفكيك التنبؤ النهائي وتخصيص قيمة محددة لكل عامل من عوامل التربة، مما يوضح بالضبط مدى مساهمة هذا العامل في دعم أو إعاقة نمو المحصول.

وعندما نظر الباحثون داخل منطق النموذج، وجدوا قصة واضحة. فبالنسبة لمعظم المحاصيل التي درسوها، كان الفسفور والبوتاسيوم هما أقوى المحركات للنجاح؛ حيث دفع هذان العنصران باستمرار النموذج نحو توصية إيجابية. وفي المقابل، لعب النيتروجين والرطوبة أدواراً أكثر تحديداً؛ فقد كانا حاسمين لبعض النباتات بينما كانت أهميتهما أقل لنباتات أخرى. فعلى سبيل المثال، عندما حلل النموذج عينة من التربة المخصصة للذرة، وجد أن درجة الحرارة كانت مناسبة تماماً، لكن الرطوبة كانت عالية جداً ومستويات النيتروجين كانت منخفضة جداً. لم يكتفِ النظام بالقول "هذه التربة سيئة للذرة"، بل أوضح أن الرطوبة العالية كانت عاملاً سلبياً، وأن إضافة سماد النيتروجين ستكون المفتاح للتحسين. هذا النوع من الرؤية المحددة والقابلة للتنفيذ هو ما يحول التنبؤ الحاسوبي إلى أداة عملية للمزارع.

وللتأكد من أن نظامهم سيعمل في العالم الحقيقي، اختبره الفريق على مجموعة مختلفة تماماً من البيانات من إثيوبيا، لم يسبق للنموذج مواجهتها أثناء تدريبه. وبينما انخفضت الدقة قليلاً مقارنة بالبيانات الأصلية، إلا أن النموذج ظل يعمل بشكل جيد للغاية، مما أثبت أنه قد تعلم قواعد عامة حول التربة والنباتات بدلاً من مجرد حفظ المجموعة الأولى من الأرقام. وهذا يشير إلى إمكانية تكييف النظام مع مناطق جديدة وظروف زراعية مختلفة. وتخلص الدراسة إلى أنه من خلال الجمع بين الحوسبة عالية السرعة والتفسيرات الواضحة، يمكن إنشاء أداة تساعد المزارعين على اتخاذ قرارات أفضل بشأن الأسمدة والري واختيار المحاصيل. إن هذا العمل يتجاوز مجرد التنبؤ البسيط ليقدم شراكة بين الخبرة البشرية وذكاء الآلة، مما يضمن أن التكنولوجيا تخدم الأشخاص الذين هم في أمس الحاجة إليها.