تقدم هذه الورقة إطار عمل مدفوع بتقنيات التعلم الآلي لتحليل وتوقع بلاء البطاطس المتأخر (الناجم عن Phytophthora infestans) عبر نظامين مختلفين من الزراعة - البيئي والمتكامل - باستخدام ستة أنواع من البطاطس. تم تطبيق أساليب إحصائية تقليدية، بما في ذلك تحليل التباين ذي العاملين (ANOVA) واختبار فارق الدلالة الكبير لتوكاي، لتقويم آثار أنظمة الزراعة وأنواع البطاطس والسنة. لتعزيز دقة التوقع وقابلية تفسير النموذج، تم تطوير مسار متقدم للتعلم الآلي، يسمى النموذج المتكامل البيئي. يدمج هذا النموذج تقنية SMOTE (أسلوب زيادة العينة الأقلية) للتعامل مع عدم توازن الفئات، وSHAP (تفسيرات شابلي الإضافية) لقابلية التفسير وتحليل أهمية الميزات، والمصنف CatBoost للتوقع القوي وعالي الأداء. تحتوي مجموعة البيانات، التي تم جمعها على مدى ثلاث سنوات (2018-2020)، على سجلات متعددة الأنواع ونظام محدد لحدوث البلاء المتأخر للبيانات المستندة إلى الزراعة البيئية المتكاملة، وتعمل كمدخلات لتدريب النموذج وتقييمه. أظهر النموذج المتكامل البيئي قدرة توقع عالية، وكشف أن أنظمة الزراعة المتكاملة أكثر فعالية عمومًا في تقليل تقدم المرض. علاوة على ذلك، تم تحديد اختلافات كبيرة بين الأنواع من حيث susceptibility to late blight، كما تم تسليط الضوء عليه من خلال التحليلات الإحصائية وتحليلات التعلم الآلي. تبرز هذه النتائج قيمة دمج نهج قابل للتفسير ومعتمد على البيانات في توقع أمراض النباتات. يوفر النموذج المتكامل البيئي حلاً قابلًا للتوسع وقابلًا للتفسير ودقيقًا في التوقع، مما يساهم في ممارسات الزراعة الدقيقة ويدعم اتخاذ القرارات المبنية على الأدلة لإنتاج البطاطس المستدام واستراتيجيات إدارة الأمراض.
درس Bagchi وآخرون (2026) هذا السؤال.