AgriMind-PestGuard: An Explainable and Blockchain-Secured Pest Management System for Paddy Farming

يعد الأرز هو الخبز اليومي لمليارات البشر، ومع ذلك تواجه الحقول التي تزرعه حرباً صامتة ومستمرة. فالحشرات الصغيرة، من ماصات النبات إلى ثاقبات الساق، يمكنها التهام جزء كبير من المحصول العالمي قبل أن يلاحظ المزارع وجودها حتى. ولأجيال، كان الحل مزيجاً من المراقبة الدقيقة واليد الثقيلة للمرشات الكيميائية. غالباً ما يرش المزارعون حقولاً بأكملها لضمان السلامة، وهي ممارسة مكلفة وضارة بالبيئة، وغالباً ما تكون غير ضرورية لأن الآفات ليست موجودة بالفعل. وفي السنوات الأخيرة، حاول العلماء استخدام الذكاء الاصطناعي للمساعدة، عبر تعليم الحواسيب التعرف على الآفات من الصور. ومع ذلك، كانت هذه الأدوات الرقمية تبدو في كثير من الأحيان كصناديق سوداء؛ فهي تعطي إجابة ولكن دون ذكر السبب، مما يترك المزارعين غير متأكدين مما إذا كان بإمكانهم الوثوق بالآلة. علاوة على ذلك، فإن البيانات التي تجمعها هذه الأنظمة تُخزن غالباً في خوادم مركزية حيث يمكن تعديلها أو فقدانها، مما يخلق فجوة في الثقة بين التكنولوجيا والأشخاص الذين يعتمدون عليها.

قام فريق من الباحثين الآن ببناء نظام جديد يسمى "AgriMind-PestGuard" لسد هذه الفجوات. يجمع عملهم بين ثلاث تقنيات متميزة في أداة واحدة متماسكة مصممة خصيصاً لزراعة الأرز. أولاً، أنشأوا نظام رؤية حاسوبية متطوراً لا يكتفي بمجرد النظر إلى صورة، بل يفهم الأشكال والأنماط المحددة للآفات عبر أحجام مختلفة. ثان، أضافوا طبقة من الشفافية تشرح لماذا اتخذ الكمبيوتر قراراً، من خلال الإشارة إلى السمات المحددة، مثل أنماط الأجنحة أو أشكال الأجسام، التي أدت إلى تحديد الهوية. وأخيراً، قاموا بتأمين العملية بأكملها باستخدام تقنية السجل الرقمي التي تعمل كدفتر سجل غير قابل للتغيير، مما يضمن تسجيل كل عملية رصد وكل توصية بشكل دائم وصادق.

إن جوهر هذا النظام هو نموذج تعلم عميق تم تدريبه على مجموعة ضخمة تضم 58,400 صورة واقعية مأخوذة من اثني عشر مزرعة. وخلافاً للأنظمة السابقة التي قد تعاني عندما تكون الآفة صغيرة جداً أو عندما تشبه نوعاً آخر كثيراً، يستخدم هذا النموذج الجديد نهجاً متعدد المقاييس. فهو يفحص الصورة عند خمسة مستويات مختلفة من التفاصيل في آن واحد، مما يسمح له برصد السمات الدقيقة لحشرة صغيرة بنفس كفاءة رصد الشكل العام لحشرة أكبر. وفي الاختبارات، أثبت هذا النهج دقة ملحوظة؛ حيث حدد النظام صحيحاً أربعة عشر نوعاً رئيسياً من الآفات بدقة بلغت 97.83 بالمائة. كما نجح في التمييز بين آفات تبدو متطابقة تقريباً، مثل "حفار الساق البني" و"حفار الساق الأبيض الظهر"، وهي مهمة تاريخياً ما أربكت البشر والآلات على حد سواء.

ما يميز هذا النظام عن غيره من أدوات الذكاء الاصطناعي هو قدرته على شرح نفسه. ففي العديد من الأنظمة الحاسوبية المتقدمة، تكون عملية اتخاذ القرار مخفية، مما يجعل من الصعب على المزارع معرفة ما إذا كانت النتيجة موثوقة. وقد حل الباحثون هذه المشكلة بإنشاء وحدة تولد خريطة مرئية تسلط الضوء بدقة على الأجزاء التي ركز عليها الكمبيوتر من الحشرة. والأهم من ذلك، أنها تترجم هذه الدلائل المرئية إلى مفاهيم بيولوجية يمكن لعالم الحشرات التعرف عليها. فعلى سبيل المثال، بدلاً من مجرد إظهار بقعة حمراء على جناح، يمكن للنظام أن يشرح أنه حدد الآفة بناءً على نمط عروق الجناح المحدد أو شكل قرون الاستشعار. وعندما راجع الخبراء هذه التفسيرات، وافقوا على منطق الكمبيوتر بنسبة 93.7 بالمائة. هذا المستوى من الشفافية يحول النظام من "عراف غامض" إلى شريك موثوق يمكن للمزارعين فهمه والتحقق منه.

ولضمان عدم التلاعب بالبيانات الناتجة عن هذا النظام، قام الباحثون بربط كل عملية رصد بشبكة "بلوكشين". تعمل هذه التقنية مثل سجل رقمي مشترك حيث يتم قفل كل مدخل بطريقة تجعل من المستحيل تعديل السجلات الماضية دون أن يلاحظ الجميع ذلك. في هذا النظام، كلما تم اكتشاف آفة، يتم تسجيل بصمة الصورة (hash)، والموقع، والوقت، والإجراء الموصى به فوراً. وهذا يخلق تاريخاً دائماً وغير قابل للتغيير لنشاط الآفات واستخدام المبيدات الحشرية. النظام سريع بما يكفي للتعامل مع أكثر من 1,200 سجل من هذه السجلات في الثانية الواحدة، مما يضمن عدم فقدان أو تأخير أي بيانات حتى في مواسم الزراعة المزدحمة. وتعمل طبقة الأمن هذه على بناء سلسلة من الثقة بين المزارعين والمنظمين والباحثين، مما يسمح لهم بالاعتماد على البيانات لاتخاذ قرارات حاسمة.

جاء الاختبار الحقيقي للنظام خلال تجارب واقعية في اثنتي عشرة مزرعة موزعة على ثلاث مناطق مناخية مختلفة. وأظهرت النتائج أن النظام لم يكتفِ فقط بتحديد الآفات، بل غير طريقة إدارة المزارعين لمحاصيلهم. فمن خلال استخدام التوصيات الدقيقة للنظام، خفض المزارعون استخدامهم للمبيدات الحشرية بنسبة 34.2 بالمائة مقارنة بممارساتهم المعتادة. ولم يتحقق هذا الانخفاض عن طريق التخمين، بل من خلال استهداف المناطق التي تم اكتشاف الآفات فيها فعلياً. ونتيجة لذلك، تضررت المحاصيل بشكل أقل، وشهد المزارعون زيادة في إنتاجية الأرز بنسبة 8.7 بالمائة. كما خفض النظام التكلفة الإجمالية للزراعة لكل هكتار، مما أثبت أن الدقة التقنية العالية يمكن أن تكون مفيدة اقتصادياً وبيئياً.

يمثل هذا العمل خطوة كبيرة للأمام في كيفية دعم التكنولوجيا للزراعة. فمن خلال الجمع بين الكشف عالي الدقة والتفسيرات الواضحة والسجلات الآمنة، أنشأ الباحثون أداة تحترم ذكاء المزارع مع الاستفادة من قوة الحوسبة الحديثة. إن النظام لا يحل محل معرفة المزارع بل يعززها، ويوفر طريقة موثوقة وشفافة وآمنة لحماية أحد أهم مصادر الغذاء في العالم. ويشير نجاح هذه التجارب إلى أنه عندما يتم تصميم الذكاء الاصطناعي مع وضع ثقة الإنسان وسلامة البيانات في الاعتبار، فإنه يمكن أن يقدم تحسينات ملموسة في الميدان، محولاً التحدي المعقد لإدارة الآفات إلى ممارسة دقيقة ومستدامة وقابلة للإدارة.