في البلدان منخفضة الدخل، يؤثر الإنتاج الزراعي وإنتاجية المزارع العائلية تأثيراً مباشراً على نواتج الدخل والأمن الغذائي والتغذية على مستوى الأسرة المعيشية، ولذلك، فإن البيانات التي يتم جمعها عن الأنشطة الزراعية لأصحاب الحيازات الصغيرة في إطار المسوح واسعة النطاق للأسر المعيشية والمزارع، تحظى بأهمية محورية في تصميم السياسات الرامية إلى زيادة الإنتاجية الزراعية من خلال تشجيع استخدام المستلزمات الزراعية الحديثة والممارسات الزراعية المُراعية للمناخ، على سبيل المثال لا الحصر.
ومع ذلك، فإن القياس الدقيق لغلة المحاصيل – وهو المؤشر الرئيسي للإنتاجية الزراعية – لا يزال يشكل تحدياً للمزارع الصغيرة. ولا يزال الاعتماد على البيانات التي يعلن عنها المزارعون بشأن إنتاج المحاصيل والمساحات المزروعة هو النهج الأكثر شيوعاً لتقدير غلة المحاصيل في المسوح واسعة النطاق. غير أن الجهود البحثية الأخيرة – من إثيوبيا ومالي وأوغندا– أظهرت أن غلة المحاصيل التي أعلن عنها المزارعون كانت بها أخطاء كبيرة ومنهجية في القياس.
يتمثل النهج البديل والموضوعي لتقدير غلة المحاصيل في طريقة قطع المحاصيل، وتتطلب هذه الطريقة ترسيم جزء مختار عشوائياً من قطعة الأرض، على سبيل المثال، مساحة 4 × 4 أمتار، ثم حصاد المحصول المأخوذ من هذه المنطقة ووزنه لتقدير إنتاجية المحصول، ومع ذلك، لا يزال اعتماد أسلوب قطع المحاصيل محدوداً في المسوحات واسعة النطاق التي تُجرى في البلدان منخفضة الدخل، نظراً لتعقيداته اللوجستية، وارتفاع متطلبات الإشراف، وبالتالي تكاليفه الباهظة.
الحل: التعلم الآلي وتكامل البيانات
في بحث جديد أجرته دراسة قياس مستويات المعيشة (LSMS) – وهي البرنامج الرئيسي للبنك الدولي المعني بالمسح الأسري (استقصاء الأسر المعيشية) – نظر الفريق فيما إذا كان من الممكن الاعتماد على التعلم الآلي وتكامل البيانات في استكمال البيانات "الناقصة" بشأن غلة محاصيل المزارع الصغيرة، في الحالات التي يتمكن فيها منفذو المسح من اعتماد طريقة قطع المحاصيل، مع قصرها على عينة صغيرة من قِطَع الأراضي، نظراً لوجود قيود تتعلق بالموازنة المالية والجوانب اللوجستية.
يشير استكمال البيانات إلى عملية التنبؤ بالبيانات الناقصة. وفي هذه الحالة، تُستخدم البيانات المتاحة عن غلة المحاصيل في بناء نموذج لتقدير البيانات التي تعذر جمعها.
ويستفيد بحثنا من بيانات فريدة تم جمعها من جولتين متتاليتين من المسح الزراعي الوطني في مالي – وهو أحد المسوح القليلة في أفريقيا التي تنفذ أسلوب قطع المحاصيل لمجموعة واسعة من المحاصيل، من بينها الذرة الرفيعة والذرة البيضاء والذرة الشامية والأرز واللوبياء والفول السوداني.
ولكل محصول من هذه المحاصيل، وضعنا نموذج تعلم آلي تنبؤي لغلة المحاصيل المقطوعة المرصودة في جزء فقط من قطع الأراضي التي طُبقّ عليها أسلوب قطع المحاصيل أثناء العمل الميداني: عينة التدريب. وتشمل متغيرات التنبؤ الواردة في النموذج غلة المحاصيل التي أعلن عنها المزارعون، وخصائص قطع الأرض المأخوذة من المسح، بالإضافة إلى المتغيرات الجغرافية والمكانية، مثل هطول الأمطار وجودة التربة، بناء على مواقع قطع الأراضي المحددة جغرافياً.
وفي المقابل، نحصل على غلات قطع المحاصيل "التي استُكملت بياناتها" لعينة المحاصيل المقطوعة المتبقية التي استبعدناها من تدريب النموذج: عينة الاختبار. وقد ساعدتنا مقارنة الغلة المرصودة بالغلة التي تم استكمال بياناتها في عينة الاختبار في الإجابة على سؤال البحث موضع الاهتمام.
أربع نتائج رئيسية
- تبين أن غلة المحاصيل التي أعلن عنها المزارعون تعد مؤشراً رئيسياً على الرغم مما يشوبها من أوجه قصور: على الرغم من أن دقة غلة المحاصيل التي أعلن عنها المزارعون قد يشوبها تحيزات، سيظل لها دور مهم في التنبؤ بغلة المحاصيل. وفضلاً عن ذلك، كان أداء النماذج أفضل بالنسبة للمحاصيل ذات معدلات الزراعة البينية المنخفضة ومعدلات التسويق التجاري المرتفعة، أي المحاصيل التي يستطيع المزارعون على الأرجح الإبلاغ عن معلومات إنتاج دقيقة بشأنها.
- البيانات الجغرافية المكانية تعزز دقة التنبؤ: من شأن استخدام أدوات التنبؤ الجغرافية المكانية، مثل هطول الأمطار وتحديد الارتفاع والمسافة إلى الأسواق، أن يحسن كثيراً من دقة غلات المحاصيل، حيث توفر هذه المتغيرات بيانات موضوعية ترصد العوامل البيئية والخاصة بالموقع التي تؤثر على إنتاجية المحاصيل.
- طريقة استكمال البيانات تحقق أفضل النتائج في إطار جولة المسح نفسها: تجدر الإشارة إلى أن غلة المحاصيل التي تم استكمال بياناتها ستكون أدق عند التنبؤ بالبيانات الناقصة في جولة المسح نفسها. وعند تطبيق النماذج للتنبؤ بالغلة في جولات مسح مختلفة (أي باستخدام بيانات من مسح 2017 للتنبؤ بغلة 2018)، كانت النتائج أقل دقة. ويشير هذا إلى أن التقلب السنوي في إنتاج المحاصيل، بسبب عوامل مثل الطقس والممارسات الزراعية، يجعل من الصعب تعميم التنبؤات بين المواسم المختلفة.
- يكفي قصر قطع المحاصيل على عينة فرعية متواضعة من قطع الأرض لتدريب النموذج: فيما يخص أكثر المحاصيل، أنتجت نماذج التعلم الآلي تقديرات للغلة تضاهي إلى حد كبير تلك المستمدة من قطع المحاصيل، حتى عند استخدام عينة فرعية صغيرة من بيانات المحاصيل المقطوعة. ومن الأساليب التي قد تكون فعالة من حيث التكلفة، وتحقق تنبؤات موثوقة من التعلم الآلي لإنتاجية المحاصيل، إجراء قطع المحاصيل لثلث العينة على سبيل الحد الأدنى، ولنصف العينة على الوجه الأمثل. ومن شأن ذلك أن يكون له آثار كبيرة على خفض التكاليف في المسوح المستقبلية، من خلال تقليل الحاجة إلى قطع المحاصيل على نطاق واسع.
الشكل 1. متوسطات غلة المحاصيل المقطوعة (أحمر) والتعلم الآلي (أخضر) والمعلن عنها ذاتيا (أزرق) على المستويين الوطني والإقليمي في عام 2017.
الآثار على تصميم المسوح المستقبلية
للنتائج التي توصلنا إليها مدلولات مهمة لتصميم المسوح الزراعية في البلدان منخفضة الدخل. فمن شأن التمكُّن من التنبؤ بغلات المحاصيل باستخدام التعلم الآلي وتكامل البيانات أن يحقق خفضاً كبيراً في تكاليف إجراء مسوح واسعة النطاق.
ومن خلال إجراء عملية قطع المحاصيل على عينة فرعية متواضعة من قطع الأراضي واستكمال البيانات الناقصة للبقية، سيتمكن واضعو السياسات والباحثون من الحصول على إحصاءات موثوقة عن الغلة مع الحفاظ على الموارد.
وأخيراً، يمكن أن يكون هذا النهج قيّماً على وجه الخصوص في المناطق التي يصعب الوصول إليها، التي قد يتعذر اتباع طريقة قطع المحصول التقليدية فيها. ففي مثل هذه السياقات، توفر أساليب استكمال البيانات باستخدام التعلم الآلي بديلاً عملياً للحفاظ على استمرارية البيانات ودعم اتخاذ القرارات القائمة على الأدلة.
التقرير الكامل متاح للتحميل هنا: رؤى جديدة: استخدام التعلم الآلي لسد فجوات البيانات الزراعية في المسوح.
انضم إلى النقاش