دراسة علمية من كلية الاقتصاد تبرز فعالية نماذج التعلم الآلي في التنبؤ بإنتاج محصول البطاطا

تُعَدُّ البطاطا من المحاصيل الزراعية الهامة التي تسهم بشكل كبير في الأمن الغذائي العالمي، وتؤدي دوراً حيوياً في اقتصاد العديد من البلدان، خاصة في المناطق النامية، وتشكل الهند ثاني أكبر مُنتِج للبطاطا في العالم، مما يجعل فهم ديناميكيات إنتاج هذا المحصول فيها أمراً بالغ الأهمية، لذلك كان من المهم تطوير نماذج دقيقة للتنبؤ بالإنتاج، مما يساهم في تخطيط الأعمال وإدارة الموارد، خاصة في ظل التحديات المتزايدة التي تواجه قطاع الزراعة.

وفي ضوء ما سبق قام فريق بحثي من كلية الاقتصاد بجامعة دمشق بالتعاون عدة جامعات ومعاهد في الهند بإجراء دراسة علمية حول نمذجة وتوقع إنتاج البطاطا العالمي، مع التركيز بشكل خاص على الهند، وجاءت هذه الدراسة تحت عنوان "تحليل قوة البطاطا: تنبؤ عالمي للإنتاج باستخدام التعلم الآلي وأحدث التقنيات"

وتأتي أهمية الدراسة العلمية لسد هذه الفجوة المعرفية، من خلال تحليل بيانات إنتاج البطاطا في الهند وولاياتها الرئيسية، باستخدام مجموعة متنوعة من النماذج الإحصائية المتقدمة وتقنيات التعلم الآلي عبر تطوير نماذج تنبؤية دقيقة، يمكن أن تفيد المزارعين وصناع السياسات في اتخاذ قرارات مستنيرة بشأن هذا المحصول الهام.

اعتمدت الدراسة العلمية على بيانات إنتاج البطاطا السنوية للفترة من 1967 إلى 2020، للهند وولاياتها الرئيسية المنتجة للبطاطا (أوتار براديش، والبنغال الغربية، وبيهار، وماديا براديش، وغوجارات، والبنجاب)، حيث تم تطوير ومقارنة عدة نماذج، بما في ذلك نماذج السلاسل الزمنية التقليدية: نموذج المتوسط المتحرك المتكامل الذاتي (ARIMA)، ونماذج فضاء الحالة (State Space Model)، وتقنيات التعلم الآلي: نموذج التعزيز التدرجي .(XGBoost)تم تقييم كفاءة النماذج باستخدام معايير المعلومات، ومقاييس الخطأ، والتحقق من صحة التنبؤات خارج العينة التدريبية.

أظهرت نتائج الدراسة  أنَّه لا يوجد تفوق لأي نموذج بشكل ثابت في جميع الولايات، بل إنَّ أفضل نموذج يختلف من ولاية لأُخرى، مما يؤكّد على أهمية تخصيص النماذج لتتوافق مع تعقيد البيانات والأنماط الخاصة بكل منطقة، كما تنبأت ببلوغ إنتاج الهند من البطاطا حوالي 46.712 ألف طن متري، بمختلف مناطقها خلال الفترة من 2021 إلى 2027.

 أظهرت النماذج المختلفة تفوقًا في مجالات معينة: كان نموذج XGBoost الأفضل في بعض الولايات لقدرته على التعامل مع العلاقات غير الخطية، بينما تفوّقت نماذج فضاء الحالة في ولايات أُخرى لقدرتها على التعامل مع القيم الشاذة، في حين قدمت نماذج ARIMA أداء جيداً في بعض الحالات.

أكّدت الدراسة على أنَّ التقييم الكمي لخطية البيانات، والثبات، والقيم الشاذة أثناء تحديد النموذج هو أمر بالغ الأهمية لصُنّاع القرار وأصحاب المصلحة الذين يحتاجون إلى تنبؤات دقيقة.

وتوصي الدراسة بأهمية اختيار النماذج بناءً على تحليل دقيق لخصائص البيانات لكل ولاية، وعدم الاعتماد على نموذج واحد لجميع المناطق، وأكّدت على ضرورة استخدام مجموعة متنوعة من النماذج الإحصائية وتقنيات التعلم الآلي لتحقيق أفضل النتائج في التنبؤ بإنتاج البطاطا، كما حثت الباحثين على الاستمرار في تطوير النماذج وتحسين دقتها، لتلبية احتياجات صناع القرار والجهات المعنية في قطاع الزراعة.

تُعَدُّ هذه الدراسة من الدراسات القليلة التي تقارن بين مجموعة واسعة من النماذج (إحصائية وتعلم آلي) للتنبؤ بإنتاج البطاطا، مع التركيز على الهند كمُنتِج رئيسي، كما تم استخدام بيانات تاريخية طويلة (أكثر من 50 عاماً) لتحليل الأنماط والاتجاهات. وتم تخصيص النماذج لكل ولاية على حدة، مراعاةً لاختلاف الظروف المحلية.

ويشار إلى أن هذه الدراسة نُشرت في مجلة "Potato Research " التابعة لدار النشر Springer Nature، وهي مجلة ذات تصنيف Q1.