Machine Learning-Based Yield and Water Efficiency Prediction for Deficit-Irrigated Maize in Semi-Arid Ethiopia
تُظهر هذه الدراسة أن نماذج تعلم الآلة، ولا سيما "XGBoost" وانحدار "Ridge"، يمكنها التنبؤ بفعالية بإنتاجية حبوب الذرة وكفاءة استخدام المياه في ظل الري الناقص في المناطق شبه القاحلة بإثيوبيا، حيث حددت معامل 70% من التبخر والنتح (ETc) كاستراتيجية مثلى توازن بين الإنتاجية العالية وتوفير كبير في المياه.
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
في المناطق شبه القاحلة في إثيوبيا، حيث تضرب الشمس الحقول التي تكافح للاحتفاظ بالرطوبة، تُعد المياه أثمن مورد يمكن أن يمتلكه المزارع. وبالنسبة لمحصول الذرة، وهو محصول أساسي يغذي الملايين، فإن توقيت وكمية المياه هي مسائل حياة أو موت بالنسبة للحصاد. فإذا قلّت المياه، تذبل النباتات قبل أن تتمكن من ملء حباتها؛ وإذا زادت، يُهدر المورد، مما يترك نصيباً أقل للجيران والمواسم القادمة. لطالما بحث المزارعون والعلماء عن حل وسط، وسيلة لإعطاء المحصول ما يكفي فقط ليزدهر دون إغراقه في الفائض. ويُسمى هذا التوازن غالباً بالري الناقص، وهي استراتيجية يتم فيها حجب المياه عمداً بدرجة معينة لتشجيع النبات على استخدام كل قطرة بكفاءة. ومع ذلك، فإن معرفة الكمية الدقيقة التي يجب حجبها أمر صعب؛ إذ يتطلب الأمر التنبؤ بكيفية استجابة النبات الحي للإجهاد، وهي مهمة تتضمن مراقبة نمو النبات، وقياس طوله وأوراقه، وتخمين كيف ستترجم تلك التغييرات إلى الوزن النهائي للحبوب.
في دراسة حديثة أجريت في مزرعة تجريبية بجامعة أربا مينتش، سعى الباحثون لحل هذا اللغز من خلال الجمع بين التجارب الميدانية التقليدية والتعلم الحاسوبي الحديث. أرادوا معرفة ما إذا كان بإمكانهم تعليم الكمبيوتر كيفية النظر إلى النمو اليومي لنباتات الذرة والتنبؤ بدقة بكل من كمية الحبوب التي ستنتجها ومدى كفاءة استخدامها للمياه المعطاة لها. قام الفريق بزراعة الذرة تحت خمسة أنظمة ري مختلفة، تتراوح من الري الكامل، حيث تتلقى النباتات كل المياه التي تحتاجها نظرياً، إلى العجز الشديد، حيث تتلقى جزءاً ضئيلاً فقط من تلك الكمية. وعلى مدار موسم النمو، قاموا بقياس النباتات بدقة كل أسبوعين، متتبعين طولها، وطول أوراقها، والوزن الإجمالي لكتلتها الحيوية الخضراء. كما سجلوا تفاصيل الحصاد النهائي، مثل حجم كيزان الذرة وعدد الحبات في كل كوز.
بعد ذلك، قام الباحثون بتغذية هذا التاريخ المفصل للنمو واستخدام المياه في عدة نماذج حاسوبية، وكأنهم يسألون الآلات عن إيجاد الأنماط الخفية التي تربط التطور المبكر للنبات بنجاحه النهائي. كانت النتائج كاشفة؛ فقد أثبت نوع من النماذج، معروف بقدرته على إيجاد العلاقات المعقدة وغير الخطية في البيانات، براعة استثنائية في التنبؤ بإنتاجية الحبوب النهائية. وعند اختباره على بيانات جديدة لم يسبق له رؤيتها، استطاع هذا النموذج تخمين وزن الحصاد بدقة ملحوما، حيث كان ينحرف غالباً بمقدار ضئيل فقط عن الإجمالي. وقد تعلم أن السرعة التي تراكم بها النبات الكتلة الحيوية، أو الوزن الأخضر الإجمالي، كانت أهم دليل على كمية الحبوب التي سينتجها في النهاية. أما مجموعة النماذج الثانية، التي اعتمدت على علاقات خطية أبسط، فقد أدت أفضل أداء في التنبؤ بكفاءة استخدام المياه. وهذا المقياس يخبرنا بعدد كيلوغرامات الحبوب المنتجة مقابل كل متر مكعب من المياه المستخدمة. وبالنسبة لهذه المهمة، وجد الكمبيوتر أن الشكل الفيزيائي لكوز الذرة وطول النبات الإجمالي هما أقوى المؤشرات على مدى كفاءة استخدام المياه.
قدمت التجارب الميدانية نفسها صورة واضية للمقايضات المعنية بإدارة المياه. فكلما قلل الباحثون كمية المياه المعطاة للنباتات، نمت المحاصيل بشكل أقصر، وأصبحت أوراقها أصغر، وانكمشت كيزان الذគ្ន في الطول والقطر. كما انخفض عدد الحبات في كل كوز بشكل كبير تحت وطأة الإجهاد المائي الشديد. ومن الطبيعي أن ينخفض إجمالي إنتاج الحبوب مع قطع إمدادات المياه. ومع ذلك، لم تكن القصة مجرد خط مستقيم من الخسارة؛ فقد وجدت الدراسة أن قطع إمدادات المياه إلى سبعين بالمائة من المتطلبات الكاملة خلق "نقطة مثالية". فعند هذا المستوى، وفر المزارعون كمية كبيرة من المياه — حوالي ألف وثلاثمائة وخمسين متراً مكعباً للهكتار الواحد — مع الاستمرار في إنتاج حصاد صحي للغاية يزيد عن ستة آلاف وستمائة كيلوغرام للهكتار. كان هذا المستوى من الإنتاج أقل قليلاً من الحد الأقصى الممكن، لكن توفير المياه كان كبيراً. وفي المقابل، أدى قطع المياه بشكل أكبر لتوفير المزيد من الموارد إلى انخفاض حاد في الإنتاجية لم يكن يستحق التوفير الإضافي.
كما سلطت الدراسة الضوء على حدود ما يمكن استنتاجه من بيانات موسم واحد. ولأن التجربة أجريت على عدد قليل نسبياً من القطع الأرضية، وصف الباحثون نتائجهم كخطوة استكشافية بدلاً من كونها قاعدة نهائية وعالمية. لقد عملت النماذج الحاسوبية بشكل جيد ضمن ظروف هذه المزرعة وهذا الموسم تحديداً، لكن المؤلفين حذروا من أنها ستحتاج إلى اختبار عبر العديد من المواقع والسنوات المختلفة لضمان عملها في كل مكان. ويشير نجاح النماذج الحاسوبية في هذا الإعداد المحدد إلى أن المزارعين ومخططي الزراعة يمكنهم في نهاية المطاف استخدام قياسات بسيطة ومتكررة لنمو النبات لاتخاذ قرارات أكثر ذكاءً بشأن الري. فبدلاً من التخمين أو الاعتماد على جداول زمنية جامدة، يمكنهم استخدام هذه الأدوات التنبؤية لتحديد اللحظة الدقيقة لتقليل المياه، مما يضمن أن كل قطرة تساهم في حصاد وفير ومستدام. وتؤكد الأبحاث أنه بينما يمثل نقص المياه تحدياً شديداً، فإن الجمع بين الملاحظة الميدانية الدقيقة وتحليل البيانات الحديثة يقدم مساراً واعداً لزراعة المزيد من الغذاء بكميات أقل من المياه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.