حين يصبح الضوء مبيدًا: كيف تقود الصين ثورة التكنولوجيا الذكية في مكافحة الآفات الزراعية؟ الجزء 1

---

التقنيات الصينية الحديثة في وقاية النبات: الرصد الذكي والطائرات والمصائد المتصلة

كيف تستخدم الصين الرصد المبكر والتنبؤ والتدخل الدقيق للحد من الرش الشامل؟

مقدمة

ظلّت مكافحة الآفات الزراعية، طوال عقود، مرتبطة في أذهان كثير من المزارعين بصورة عامل يحمل آلة الرش، ويمر بين النباتات بعد ظهور علامات الإصابة، محاولًا إيقاف الضرر قبل أن يمتد إلى بقية الحقل. وقد ساهمت المبيدات الكيميائية، بلا شك، في حماية جزء مهم من الإنتاج الزراعي العالمي، غير أن الإفراط في استعمالها، أو استخدامها في غير موعدها وبجرعات غير ملائمة، أفرز مشكلات متزايدة؛ من أبرزها تطور مقاومة الآفات، وتلوث التربة والمياه، وظهور متبقيات في المنتجات الزراعية، فضلًا عن الإضرار بالملقحات والأعداء الحيوية وغيرها من الكائنات النافعة. وفي الوقت نفسه، أصبحت وقاية المحاصيل أكثر تعقيدًا. فقد أسهم تغير المناخ، واتساع حركة التجارة، وانتقال المنتجات الزراعية بين البلدان، في تغير مواسم ظهور بعض الآفات وتوسع نطاق انتشارها. كما باتت الحقول الكبرى والبيوت المحمية الواسعة تحتاج إلى مراقبة متواصلة لا يستطيع الفحص البشري وحده توفيرها بالسرعة والدقة المطلوبتين. وقد تُكتشف الإصابة أحيانًا بعد أن تكون الحشرة أو المُمْرض قد انتشرا، فتتحول المعالجة من تدخل موضعي محدود إلى رش مساحة كاملة، بما يرفعه ذلك من تكلفة اقتصادية وبيئية. أمام هذه التحديات، لم تتجه الصين إلى البحث عن مبيد أقوى فحسب، بل شرعت في إعادة بناء منظومة وقاية النبات نفسها. فالكاميرات المثبتة في الحقول والمصائد بدأت تلتقط صور الحشرات والنباتات، وأصبحت خوارزميات الذكاء الاصطناعي قادرة على تحليل هذه الصور والتعرف إلى بعض الآفات وعدّها، بينما تتولى أجهزة الاستشعار ومحطات الطقس جمع البيانات عن الحرارة والرطوبة والأمطار. وتُدمج هذه المعلومات في منصات رقمية ترسم خرائط الإصابة، وتراقب تطورها، وتساعد على تحديد المكان والموعد المناسبين للتدخل. أما الطائرات الزراعية المسيّرة، فلم تعد وظيفتها مقتصرة على حمل المبيدات ورشها، بل أصبحت تُستخدم كذلك في مسح الحقول، والتقاط الصور، واكتشاف بؤر الإجهاد والإصابة، ثم تنفيذ المعالجة في المواقع التي تحتاج إليها. وفي الوقت ذاته، أخذت المصيدة التقليدية تتحول إلى محطة مراقبة مستقلة: تجذب الحشرة، وتلتقطها، وتصورها، وترسل بياناتها إلى منصة مركزية، دون الحاجة إلى حضور يومي لفحصها. لذلك، لا تكمن الثورة الزراعية الصينية في اختراع جهاز منفرد، ولا في استبدال الإنسان بالآلة، وإنما في الربط بين حلقات كانت تعمل سابقًا بصورة منفصلة: الرصد، والتشخيص، والتنبؤ، واتخاذ القرار، ثم التدخل الدقيق. والغاية من ذلك ليست القضاء التام على المبيدات بين ليلة وضحاها، بل تقليل التدخلات غير الضرورية، واستعمال وسائل المكافحة المناسبة في المكان والوقت والجرعة التي تقتضيها الحالة الفعلية للمحصول. فكيف أصبحت الآلة ترى الآفة وتتعرف إليها وتراقب تحركها؟ وهل تستطيع هذه التقنيات أن تجعل مكافحة الآفات أكثر دقة وأقل كلفة وضررًا، أم أنها لا تزال حبيسة المزارع النموذجية والمختبرات؟ ذلك ما سنحاول استجلاءه من خلال أهم الابتكارات التي تشهدها وقاية النبات في الصين.

1. الرصد الاستباقي واتخاذ القرار

لم تكن مكافحة الآفات التقليدية تفتقر إلى المعرفة أو الخبرة، فقد طوّر المزارعون والباحثون، عبر أجيال، وسائل متعددة لمتابعة المحاصيل وتشخيص الإصابات واختيار أساليب العلاج. غير أن هذه المنظومة ظلت تعتمد بدرجة كبيرة على الزيارات الميدانية المتباعدة، والملاحظة البصرية، وأخذ العينات يدويًا. لذلك كان نجاح التدخل مرتبطًا بقدرة المزارع أو التقني على اكتشاف الآفة في الوقت المناسب، قبل أن تتضاعف أعدادها أو تتسع بؤر الإصابة. أما التحول الذي تقوده الزراعة الذكية فيقوم على الانتقال من معالجة الضرر بعد ظهوره إلى رصد مؤشراته الأولى والتنبؤ باحتمال وقوعه. فبدل انتظار اصفرار الأوراق أو ظهور الثقوب أو تساقط الثمار، يمكن للكاميرات والمصائد وأجهزة الاستشعار أن تجمع بيانات متواصلة عن حالة النبات وأعداد الحشرات والظروف المناخية المحيطة بها. وعندما ترتفع المؤشرات عن مستوى معين، يُرسل النظام تنبيهًا يساعد المزارع أو خبير وقاية النبات على التحقق من الوضع واتخاذ القرار المناسب. ويقوم هذا النموذج الجديد على أربعة أسئلة مترابطة:

1. ما الآفة الموجودة؟
   إذ لا يمكن اختيار وسيلة المكافحة قبل تحديد النوع تشخيصًا صحيحًا.
2. أين توجد الإصابة؟
   فقد تكون محصورة في طرف الحقل أو في عدد محدود من الأشجار، ولا تستدعي معالجة المساحة كاملة.
3. هل بلغت مستوى يستوجب التدخل؟
   فوجود عدد قليل من الحشرات لا يعني بالضرورة أن المحصول يتعرض لخطر اقتصادي، خاصة إذا كانت الأعداء الحيوية قادرة على الحد من تكاثرها.
4. ما الوسيلة الأنسب ومتى تُستخدم؟
   فقد يكون التدخل مصيدة أو عاملًا حيويًا أو إجراءً زراعيًا أو معالجة موضعية، ولا يكون المبيد الكيميائي إلا أحد الخيارات المتاحة.

ويُعد السؤال الثالث أكثر هذه الأسئلة حساسية؛ لأن التقنية قد تنجح في اكتشاف حشرة على ورقة، لكنها لا تستطيع، اعتمادًا على الصورة وحدها، أن تقرر أن الحقل يحتاج إلى الرش. فالقرار السليم يتطلب ربط عدد الآفات بمرحلة نمو النبات، والضرر المتوقع، وقيمة المحصول، والظروف المناخية، وكثافة الأعداء الحيوية، وتكلفة المكافحة. وهنا تظل عتبة الضرر الاقتصادي مبدأً أساسيًا لا ينبغي أن تلغيه سرعة الآلة أو دقة الكاميرا. وتظهر أهمية النموذج الصيني في محاولة ربط مصادر مختلفة داخل منظومة واحدة. فقد تُجمع صور الحقل بواسطة طائرة مسيّرة، وتأتي أعداد الحشرات من مصائد ذكية، وتوفر محطة الأرصاد بيانات الحرارة والرطوبة والرياح، بينما تضيف السجلات السابقة معلومات عن موعد ظهور الآفة في المواسم الماضية. وبعد تحليل هذه البيانات، تقدم المنصة خريطة للمخاطر أو إنذارًا مبكرًا، لكن القرار النهائي ينبغي أن يبقى خاضعًا للتحقق الميداني والتقدير المهني. بهذه الطريقة، لا يصبح الذكاء الاصطناعي بديلًا عن خبير وقاية النبات، وإنما أداة توسّع قدرته على المراقبة والتحليل. فالخبير الذي كان يفحص عشرات النقاط في الحقل يستطيع الآن الاستفادة من آلاف الصور والقياسات، والتركيز على المواقع التي تشير البيانات إلى احتمال وجود مشكلة فيها. وهذه هي النقلة الحقيقية: من تعميم المعالجة على الحقل، إلى تخصيص القرار لكل بؤرة؛ ومن التدخل وفق جدول ثابت، إلى التدخل عند ثبوت الحاجة.. غير أن نجاح هذا التحول لا يقاس بعدد الكاميرات والطائرات المنتشرة، بل بقدرته على خفض الخسائر وتقليل استعمال المبيدات وحماية الكائنات النافعة، دون تحميل المزارع تكلفة لا يستطيع تحملها. فالزراعة الذكية لا تصبح أكثر استدامة لمجرد أنها تستخدم أجهزة حديثة؛ وإنما تصبح كذلك عندما توظف هذه الأجهزة لاتخاذ قرار زراعي أدق وأكثر أمانًا.

مراحل اتخاذ قرار المكافحة الذكية، بدءًا بجمع البيانات وتحديد الآفة وموقع الإصابة، ثم مقارنة النتائج بعتبة التدخل واختيار الإجراء المناسب.

2. الرؤية الحاسوبية وتشخيص الآفات

تبدأ المكافحة الدقيقة بتشخيص الآفة وتحديد موقعها. وتعتمد الرؤية الحاسوبية على تدريب الخوارزميات بصور مصنفة، ثم تحليل الشكل والحجم واللون ونمط الأجنحة وغيرها من السمات للعثور على الحشرة أو العرض المرضي داخل الصورة. وتطورت هذه التطبيقات من اكتشاف جسم فوق الورقة إلى تحديد النوع وعدّ الأفراد ورسم حدود بؤرة الإصابة. ويظل التمييز بين الآفة والحشرة النافعة شرطًا أساسيًا، لأن وجود حشرة في الصورة لا يبرر التدخل تلقائيًا. قدّم باحثون صينيون سنة 2024 نموذج InsectMamba لتحسين تصنيف الآفات المتشابهة ظاهريًا. اختُبر النموذج على خمس قواعد بيانات، وأظهر قدرة متقدمة مقارنة بالنماذج التي شملتها الدراسة. ومع ذلك، تعكس النتيجة أداءً داخل بيانات محددة، ولا تعني أن النظام يتعرف إلى كل آفة في أي حقل. تتغير الدقة مع الإضاءة وخلفية الصورة وطور الحشرة والصنف النباتي، وقد تختبئ الآفة أسفل الورقة أو داخل الساق والثمرة. امتدت التطبيقات الصينية إلى آفات الحبوب المخزنة، حيث يصعب اكتشاف الإصابة داخل الكومة.

ويجمع نظام Pest Manager بين مصيدة مجسّية، وحساسات للأشعة تحت الحمراء، ونموذج ذكاء اصطناعي لعدّ الحشرات وتحديد أنواعها. فعندما تسقط الحشرة داخل المجس تسجل الحساسات إشارة مرورها، ثم يحلل النظام شكل الإشارة. وتفيد هذه المقاربة في الكشف المبكر، لكنها تحتاج إلى اختبار مستمر تحت ظروف التخزين التجارية المختلفة. وضمت قاعدة البيانات خمسًا من آفات الحبوب المخزنة الشائعة، جميعها حشرات تنتمي إلى رتبة غمديات الأجنحة (Coleoptera)، وهي: سوسة الذرة (Maize weevil، Sitophilus zeamais)، وثاقبة الحبوب الصغرى (Lesser grain borer، Rhyzopertha dominica)، وخنفساء الدقيق الحمراء (Red flour beetle، Tribolium castaneum)، وخنفساء الحبوب المنشارية (Sawtoothed grain beetle، Oryzaephilus surinamensis)، وخنفساء الحبوب المفلطحة (Flat grain beetle، Cryptolestes pusillus). وحقق النظام، ضمن ظروف الاختبار، دقة بلغت نحو 99.2% في العدّ و86.9% في تحديد النوع. وتشير هذه النتائج إلى قدرة التكنولوجيا على اكتشاف الإصابة في مراحل مبكرة، قبل ظهور الحشرات فوق أكوام الحبوب أو تفاقم الضرر. لكن هذه الأرقام ينبغي قراءتها بحذر؛ فهي تعبر عن أداء النظام داخل قاعدة بيانات وتجارب محددة، ولا تضمن بالضرورة الدقة نفسها في جميع المخازن، حيث تتغير الحرارة والرطوبة وكثافة الحبوب وأنواع الآفات وظروف تشغيل الأجهزة. على الرغم من التقدم السريع، ما تزال الرؤية الحاسوبية تواجه عقبات ميدانية حقيقية. فقد تختبئ الحشرات أسفل الأوراق أو داخل الساق والثمرة، وقد تؤثر الظلال والغبار وحركة النبات في جودة الصورة. كما يمكن أن تتغير ألوان الحشرة وأحجامها باختلاف أطوارها، وقد يختلط على الخوارزمية التمييز بين آفة وحشرة نافعة متشابهتين. وتبرز كذلك مشكلة البيانات المحلية. فالنموذج الذي دُرّب على صور جُمعت في إقليم صيني أو في ظروف مخبرية قد لا يحافظ على الدقة نفسها عند استخدامه في منطقة أخرى، أو فوق صنف نباتي مختلف، أو تحت إضاءة ودرجات حرارة مغايرة. لذلك يتطلب نقل هذه التكنولوجيا إلى بلدان أخرى إنشاء قواعد صور محلية، يشرف على تصنيفها متخصصون في علم الحشرات وأمراض النبات. لذلك، لا تُلغي العين الاصطناعية دور الخبير، بل تمنحه قدرة أوسع على الفحص والفرز. فهي تستطيع تحليل آلاف الصور والتنبيه إلى الحالات المشتبه فيها، بينما يتولى المتخصص التحقق من التشخيص وربطه بحالة المحصول وعتبة الضرر. وعندما تقترن هذه القدرة بمصيدة تجذب الحشرة وتصورها وترسل بياناتها تلقائيًا، ننتقل إلى ابتكار صيني آخر أكثر تكاملًا: المصائد الذكية التي ترى الآفة وتعدّها وتتصل بمنصة المراقبة دون حضور بشري متواصل.

3. المصائد الذكية والمراقبة الآلية

احتلت المصائد، ولا سيما الفيرومونية منها، مكانة أساسية في برامج المراقبة والمكافحة المتكاملة للآفات. فهي تسمح بالكشف عن وصول الآفة، وتتبع منحنى طيران الحشرات البالغة، وتحديد فترات الذروة، والمساعدة على اختيار موعد أخذ العينات أو تنفيذ التدخل. غير أن المصيدة التقليدية تظل في حاجة إلى زيارات ميدانية منتظمة لتغيير اللوح اللاصق، وعدّ الحشرات، والتعرف إلى الأنواع المسجلة، ثم تدوين النتائج ونقلها إلى الجهة المشرفة. وقد تبدو هذه المهام بسيطة عندما يتعلق الأمر بعدد محدود من المصائد، لكنها تصبح مرهقة عند نشر شبكة واسعة عبر مناطق متباعدة. كما أن تأخر عملية الفحص عدة أيام قد يؤدي إلى ضياع جزء من قيمة الإنذار، خصوصًا لدى الآفات سريعة التطور أو المهاجرة. لهذا ظهرت المصائد الذكية التي لا تكتفي بجذب الحشرة، بل تضيف إلى ذلك مجموعة من الوظائف الآلية: التقاطها أو قتلها، وتصويرها، والتعرف إليها، وعدّها، وتحديد موقع المصيدة، ثم إرسال النتائج إلى منصة رقمية يمكن متابعتها بواسطة الحاسوب أو الهاتف. قدّم فريق بحث صيني سنة 2025 نظامًا ذكيًا لمراقبة الآفات، يجمع بين المصيدة الفيرومونية والصعق الكهربائي والرؤية الحاسوبية. ويتكون النظام من ثلاث وحدات مترابطة:

1. مصيدة كهربائية مزودة بجاذب فيروموني وكاميرا.
2. خادم رقمي يستقبل الصور ويشغّل نموذج التعرف والعدّ.
3. منصة تعرض النتائج الإحصائية وتسمح بإدارة الأجهزة عن بُعد.

زُوّدت المصيدة بلوح شمسي لتوفير الطاقة في المناطق الزراعية البعيدة عن شبكة الكهرباء، وبقفص يحتوي على الجاذب الفيروموني، وشبكة للصعق، وكاميرا صناعية، ولوحة تصوير متحركة، وحاوية سفلية لجمع الحشرات. عندما تدخل الحشرة المستجيبة إلى الجاذب، تصطدم بالشبكة الكهربائية وتسقط فوق لوحة التصوير. وتلتقط الكاميرا صورة عالية الدقة، ثم ترسلها إلى الخادم مع معلومات الجهاز وموقعه الجغرافي وحالته التشغيلية.

وبعد معالجة الصورة والتعرف إلى الحشرات وعدّها، تدور اللوحة آليًا لتسقط العينة في الحاوية السفلية، وتصبح جاهزة لدورة تصوير جديدة. وهكذا تتحول العملية التقليدية إلى سلسلة شبه مستقلة: جذب الحشرة ← صعقها ← تصويرها ← إرسال الصورة ← تحديد النوع ← العدّ ← تخزين النتيجة ← تنظيف سطح التصوير. اختُبرت سبع مصائد خلال سنتي 2023 و2024 في مواقع زراعية بثلاث مناطق صينية مختلفة مناخيًا وجغرافيًا: جينهوا في مقاطعة تشجيانغ، وتشوهاي في غوانغدونغ، ومنطقة نينغجيانغ بمدينة سونغيوان في جيلين. واستُخدم في كل مصيدة جاذب يتناسب مع الآفة المستهدفة. وجمعت الأجهزة 1796 صورة تضم أكثر من 12 ألف هدف حشري قبل زيادة البيانات رقميًا، وشملت سبعة أنواع مهمة، منها: حفار ساق الأرز الآسيوي Chilo suppressalis؛ دودة أوراق الأرز Cnaphalocrocis medinalis؛ دودة الحشد الخريفية Spodoptera frugiperda؛ حفار الساق الوردي Sesamia inferens؛ دودة الحشد التبغية Spodoptera litura. واستُخدمت هذه الصور لتدريب نموذج مطور أطلق عليه الباحثون YOLOv9-TrapPest. وقد صُمم لمعالجة صعوبات خاصة بصور المصائد؛ فقد تنفصل أرجل الحشرة أو أجنحتها بسبب الصعق، وقد تتراكب عدة حشرات فوق بعضها، كما قد تنجذب أنواع متقاربة إلى المصيدة نفسها بسبب التشابه الجزئي في مكونات بعض الفيرومونات.

وسجل النموذج، ضمن مجموعة الاختبار، دقة تصنيف بلغت 97.5%، وبلغ معدل الاسترجاع، أي قدرته على اكتشاف الحشرات الموجودة فعلًا وعدم إغفالها، 96.6% (أي إنه اكتشف نحو 96.6 حشرة من كل 100 حشرة موجودة في صور الاختبار)، ومتوسط دقة عند عتبة تقاطع 50% بلغ 98.3% (أي متوسط أداء النموذج في اكتشاف الأنواع السبعة وتحديد مواقعها، مع اعتبار الكشف صحيحًا عندما تتداخل مساحة الإطار الذي رسمه النموذج حول الحشرة مع الإطار المرجعي الذي حدده الباحثون بنسبة 50% على الأقل). وهي نتائج مرتفعة ومشجعة، لكن تفسيرها يجب أن يظل مرتبطًا بقاعدة الصور والأنواع السبعة والظروف التي استُخدمت في الدراسة، لا باعتبارها ضمانًا للأداء نفسه أمام جميع الآفات وفي كل البيئات. الدراسة الأصلية في Frontiers in Plant Science. لم يغير الذكاء الاصطناعي مبدأ عمل الجاذب الفيروموني، لكنه غيّر طريقة استثمار المعلومات الناتجة عنه. فبدل الحصول على رقم متأخر بعد زيارة المصيدة، أصبح ممكنًا إنتاج سلسلة زمنية شبه فورية تبين: موعد أول ظهور للآفة؛ تطور أعداد المصيد اليومي؛ بداية منحنى الطيران وذروته وانخفاضه؛ الفروق بين المواقع؛ الاتجاه المحتمل لانتشار الآفة؛ توقيت تكثيف الفحص الحقلي؛ الأعطال التي تصيب الجهاز أو انخفاض مستوى الطاقة. وإذا رُبطت هذه البيانات بدرجات الحرارة وتراكم الوحدات الحرارية، أمكن استعمالها في تقدير تطور الأجيال والتنبؤ بالفترة المحتملة لخروج البيض أو ظهور اليرقات، وهي المرحلة المرتبطة غالبًا بالضرر الفعلي وبقرار التدخل.

الرصد ليس هو المكافحة

رغم أن المصيدة الصينية تقتل الحشرات التي تدخلها، فإن ذلك لا يعني أنها تحقق بالضرورة مكافحة جماعية مؤثرة في كثافة الآفة. فالفرق يظل قائمًا بين استعمال المصيدة من أجل الرصد واستعمال شبكة كثيفة من المصائد من أجل الاصطياد الجماعي. ولا يكفي انخفاض عدد الحشرات الملتقطة لاستنتاج انخفاض تعداد الآفة في الحقل؛ فقد يتأثر المصيد بحالة الجاذب، واتجاه الرياح، ودرجة الحرارة، وتنافس الفيرومون الاصطناعي مع الإناث الطبيعية، وموقع المصيدة وارتفاعها، وكثافة الغطاء النباتي. كما أن المصائد الجنسية تلتقط في الغالب الذكور البالغة، بينما يحدث الضرر بواسطة اليرقات أو أطوار أخرى. لذلك ينبغي تفسير منحنيات المصيد إلى جانب: تعداد البيض أو اليرقات على النباتات؛ نسبة الأعضاء النباتية المصابة؛ شدة الضرر وتوزيعه؛ مرحلة نمو المحصول؛ نشاط الأعداء الحيوية؛ العتبة الاقتصادية المعتمدة. وبهذا المعنى، لا تتخذ المصيدة الذكية قرار المكافحة، وإنما توفر بيانات أسرع وأكثر انتظامًا تساعد المتخصص على اتخاذه. كشفت التجربة نفسها بعض العقبات العملية. فقد أدت الأيام الممطرة والمتتالية قليلة الإشعاع إلى انخفاض الطاقة التي توفرها الألواح الشمسية، وانعكس ذلك على إضاءة بعض الصور. كما سببت كثافة الحشرات وتراكبها صعوبة في الفصل بين الأفراد، في حين أمكن أن تُحسب بعض الأطراف المنفصلة أهدافًا مستقلة قبل تحسين النموذج. وتبقى هناك تحديات أخرى، مثل: انتهاء فعالية الجاذب وضرورة استبداله؛ تراكم الأتربة والرطوبة داخل الجهاز؛ اختلاف الاستجابة للفيرومون بين المناطق والمواسم؛ الحاجة إلى صيانة الشبكة والكاميرا والبطارية؛ ضعف الاتصال في بعض المناطق؛ ضرورة تحديث النموذج عند إضافة نوع جديد؛ التحقق الدوري من النتائج بواسطة مختص في التصنيف الحشري. ومع ذلك، تمثل المصائد الذكية نقلة عملية مهمة؛ لأنها تحول شبكة المراقبة من نقاط تُفحص على فترات متباعدة إلى مصدر مستمر للبيانات. وعندما تجتمع بيانات عشرات أو مئات المصائد مع معلومات الطقس والرادارات والسجلات التاريخية، لا نعود أمام مصائد منفردة، بل أمام شبكة للإنذار المبكر قادرة على تتبع حركة الآفات زمانيًا ومكانيًا. وهذا هو الابتكار التالي.

4. شبكات الإنذار المبكر وتتبع هجرة الآفات

تتيح المصيدة الذكية معرفة ما يحدث في نقطة محددة من الحقل، لكنها لا تستطيع بمفردها تفسير ما يجري على مستوى إقليم واسع، ولا التنبؤ بوصول موجة من الحشرات المهاجرة قادمة من منطقة تبعد مئات الكيلومترات. ولذلك لا تظهر القيمة الكاملة لهذه المصائد إلا عندما تُربط فيما بينها، وتُدمج بياناتها مع المشاهدات الحقلية والطقس والرادارات والاستشعار عن بُعد داخل شبكة للإنذار المبكر. ولا تبدأ هذه المنظومة الصينية من الصفر؛ فقد أنشأت الصين نظامًا وطنيًا لمراقبة الآفات والإنذار بها منذ أكثر من أربعة عقود. لكن التحول الحديث يتمثل في رقمنة هذا النظام، وتسريع تدفق المعلومات، وإدماج أجهزة الرصد الآلي والذكاء الاصطناعي والنماذج المناخية في بنيته. وهكذا لم يعد السؤال مقتصرًا على: كم حشرة التقطت هذه المصيدة؟ بل أصبح أكثر اتساعًا: هل تمثل الزيادة المسجلة بداية جيل محلي أم وصول مجموعة مهاجرة؟؛ من أي منطقة جاءت الحشرات؟؛ ما المسار المحتمل لتحركها؟؛ هل تساعد الرياح السائدة على انتقالها إلى مناطق جديدة؟؛ ما المحاصيل الموجودة في المناطق الواقعة على المسار؟؛ ومتى ينبغي إرسال التنبيه وبدء الفحص الميداني المكثف؟. تعمل شبكة الإنذار المبكر من خلال تجميع بيانات تأتي من مستويات مختلفة. ففي الحقل توجد المصائد والمشاهدات المباشرة وأخذ العينات. وعلى مستوى المنطقة تُجمع المعلومات المناخية وبيانات المحاصيل. أما على المستوى الأوسع، فتُستخدم الرادارات وصور الأقمار الاصطناعية ونماذج حركة الكتل الهوائية لتقدير مسارات الهجرة والانتشار. ويمكن تلخيص بنية الشبكة في خمس حلقات مترابطة:

1. الرصد الميداني: المصائد، وفحص النباتات، وتقدير الإصابة والضرر.
2. الرصد الآلي: الكاميرات، وأجهزة الاستشعار، والمصائد الذكية والرادارات.
3. تجميع البيانات: إرسال النتائج إلى قاعدة مركزية مرتبطة بالموقع والزمن.
4. التحليل والتنبؤ: مقارنة الأعداد بالطقس والسجلات السابقة ومسارات الرياح.
5. إصدار الإنذار: تحديد مستوى الخطر والمناطق المتوقع تعرضها للإصابة.

وبذلك تصبح المصيدة جزءًا من جهاز إنذار أوسع. فارتفاع المصيد في موقع واحد قد يكون حادثًا محليًا، أما تسجيل الارتفاع نفسه بالتتابع في عدة مواقع تقع على مسار واحد، ومتزامنًا مع رياح ملائمة، فقد يشير إلى موجة هجرة تتقدم جغرافيًا.

الرادار الحشري: مراقبة الحياة في طبقات الجو

من أكثر أدوات هذه الشبكة إثارة للاهتمام الرادار الحشري. ويقوم مبدؤه على إرسال موجات كهرومغناطيسية نحو طبقات الجو، ثم تحليل الإشارات المرتدة عن الأجسام الطائرة. وقد استُخدمت الرادارات في الصين لدراسة هجرة الحشرات منذ ثمانينيات القرن الماضي، وأسهمت في الكشف عن الحركة الموسمية الهائلة للحشرات ليلًا وعلى ارتفاعات لا يمكن متابعتها بالمصائد الأرضية وحدها. ويمكن لبعض الرادارات الحشرية المتخصصة تقدير: كثافة الأجسام الحشرية المارة؛ ارتفاع طيرانها؛ سرعتها؛ اتجاه حركتها؛ حجمها التقريبي أو خصائصها الانعكاسية؛ توقيت الإقلاع والوصول والهبوط. وتتسم هذه المعلومات بأهمية كبيرة لدى الآفات المهاجرة، مثل نطاطات الأرز، ودودة أوراق الأرز، ودودة الحشد الخريفية، وبعض أنواع العث التي تستطيع قطع مسافات طويلة مستفيدة من الرياح الليلية. وقد أظهرت دراسة واسعة نُشرت سنة 2024، اعتمادًا على رادارات حشرية في الصين، أن الهجرة الليلية على ارتفاعات كبيرة لا تقتصر على أنواع قليلة من الآفات، بل تشمل تدفقات موسمية ضخمة من الحشرات تتحرك شمالًا في الربيع والصيف، ثم تعود جنوبًا في الخريف. وتكشف هذه الحركة أن الغلاف الجوي يمثل ممرًا بيولوجيًا واسعًا تنتقل عبره الآفات، إلى جانب الملقحات والمفترسات والحشرات الأخرى. الدراسة المنشورة في دورية Science Advances. على الرغم من قوة الرادار، فإنه لا يستطيع في جميع الحالات تحديد النوع الحشري تحديدًا قاطعًا. فقد يسجل جسمًا بحجم معين يتحرك بسرعة واتجاه محددين، لكن عدة أنواع قد تتشابه في خصائصها الجوية أو تنشط في الوقت نفسه. ولهذا لا تُفسر إشارة الرادار بمعزل عن بقية مصادر المعلومات، بل تُقارن مع: المصائد الضوئية والفيرومونية والغذائية؛ عينات الحشرات الملتقطة على الأرض؛ المصائد المرتفعة أو الشباك الجوية؛ تاريخ ظهور الآفة في المنطقة؛ اتجاه الرياح ودرجة الحرارة؛ حالة المحاصيل العائلة؛ الفحص المورفولوجي أو الجزيئي عند الضرورة. والتمييز بين الأنواع ليس تفصيلًا ثانويًا؛ لأن الإشارات الجوية قد تضم آفة مهاجرة إلى جانب حشرات نافعة أو غير مؤثرة اقتصاديًا. لذلك يستطيع الرادار أن يقول بدرجة معقولة: هناك كتلة حشرية تتحرك في هذا الاتجاه وعلى هذا الارتفاع، لكنه يحتاج إلى المصائد والتشخيص الميداني للإجابة بثقة عن سؤال: أي نوع يتحرك؟.

لا تتحرك معظم الحشرات المهاجرة لمسافات طويلة بقوتها الذاتية وحدها، بل تختار أحيانًا ارتفاعًا توجد فيه رياح مناسبة، فتستفيد منها لقطع مسافات كبيرة خلال الليل. ولهذا تُدمج بيانات الرادار مع نماذج الأرصاد الجوية، وخاصة: اتجاه الرياح وسرعتها في طبقات الجو المختلفة؛ درجة الحرارة الملائمة للطيران؛ الأمطار والعواصف؛ الضغط الجوي؛ مواقع الجبهات الهوائية؛ مسارات الكتل الهوائية السابقة والمتوقعة. ويمكن تحليل المسار بطريقتين متكاملتين. فإذا وصلت الآفة إلى منطقة جديدة، يُستخدم المسار الرجعي لتقدير المنطقة التي يحتمل أنها انطلقت منها. أما إذا رُصدت موجة إقلاع في منطقة مصدر، فيُستخدم المسار الأمامي لتوقع الجهات التي قد تصل إليها الحشرات خلال الساعات أو الليالي التالية. برزت أهمية هذه المقاربة مع دخول دودة الحشد الخريفية Spodoptera frugiperda إلى الصين سنة 2019. فالآفة لا تستطيع، بسبب البرودة، الاستمرار طوال السنة في معظم المناطق الشمالية، لكنها تحافظ على تجمعات شتوية في الأقاليم الجنوبية الدافئة، كما يمكن أن تصل مجموعات منها من بلدان جنوب شرق آسيا. ومع ارتفاع درجات الحرارة، تتحرك الأجيال تدريجيًا نحو الشمال، مستفيدة من الرياح وتتابع زراعة الذرة والمحاصيل العائلة. لذلك لا تكفي مراقبتها داخل حدود مقاطعة واحدة، بل يتطلب الأمر الربط بين: بؤر التكاثر الشتوية؛ مصائد الجذب؛ تقارير الحقول؛ نماذج الرياح؛ تواريخ زراعة الذرة؛ مسارات الهجرة المتوقعة؛ المعلومات الواردة من الدول المجاورة. وتكشف هذه الحالة أن الإنذار المبكر للآفات المهاجرة ليس مسألة محلية فقط، بل يتطلب تبادلًا إقليميًا للبيانات. فالآفة لا تعترف بالحدود الإدارية، وقد يكون التنبيه الصادر من منطقة بعيدة هو الذي يمنح المزارعين في منطقة أخرى الوقت اللازم للاستعداد. لا ينبغي أن يؤدي تدفق البيانات إلى إصدار تحذيرات متواصلة تفقد قيمتها. فالإنذار المفيد ليس مجرد إخبار المزارع بوجود حشرات، بل رسالة تحدد: الآفة المحتملة؛ المنطقة المهددة؛ مستوى الثقة في التوقع؛ الفترة الزمنية المتوقعة للوصول؛ المحاصيل أو المراحل النباتية الأكثر عرضة؛ الفحص المطلوب تنفيذه؛ الإجراء المقترح عند تأكيد الإصابة. وهنا يتدخل خبير وقاية النبات لمقارنة المؤشرات الرقمية بالمعرفة البيولوجية للآفة. فقد يرصد النظام وصول أعداد كبيرة من الحشرات البالغة، لكن المحصول قد لا يكون في المرحلة الحساسة، أو قد لا تتوافر الظروف المناسبة لوضع البيض وبقاء اليرقات. كما قد تشير بيانات المصائد إلى ارتفاع المصيد دون أن يصل التعداد الحقلي إلى عتبة الضرر الاقتصادي. لذلك ينبغي أن تمر الشبكة بثلاث درجات: إشارة آلية ← تحقق متخصص ← إنذار زراعي قابل للتنفيذ. تمنح شبكة الإنذار المبكر السلطات الزراعية والمزارعين وقتًا ثمينًا للاستعداد، وتساعد على توجيه فرق المراقبة نحو المناطق الأكثر تعرضًا للخطر بدل توزيع الجهود بصورة متساوية. كما تسمح بتوفير عوامل المكافحة، وتحديد موعد التدخل، وتجنب الرش الوقائي العشوائي في مناطق لم تصل إليها الآفة. غير أن كفاءة الشبكة تتوقف على جودة حلقاتها جميعًا. فإذا تعطلت المصائد، أو تأخر إرسال البيانات، أو كانت محطات الرصد موزعة بصورة غير ممثلة، أو استُخدم نموذج غير ملائم، فقد يصبح التوقع مضللًا. كما أن الأنظمة المدربة على السجلات السابقة قد تواجه صعوبة أمام تغيرات مناخية غير معتادة أو سلوك جديد للآفة. وهكذا لا تلغي الشبكة عدم اليقين، لكنها تجعله قابلًا للقياس والإدارة. وبدل أن يفاجأ المزارع بالآفة بعد استقرارها في الحقل، يصبح في الإمكان رصد حركتها وهي لا تزال في الجو، وتوقع المنطقة التي قد تصل إليها، ثم توجيه المراقبة والتدخل نحوها. لكن مراقبة مساحات زراعية شاسعة من الأرض تظل محدودة، حتى مع شبكة كثيفة من المصائد. لهذا استعانت الصين بعين أخرى تحلق فوق الحقول، قادرة على مسح مساحات واسعة ورسم خرائط تفصيلية لبؤر الإصابة: الطائرات الزراعية المسيّرة، وهي الابتكار الذي سنتكلم عنه باسهاب في الجزء 2 مع محاور اخرى : المكافحة البيولوجية المدعومة بالتقنيات الرقمية و حدود التطبيق الميداني و أولويات قابلة للتطبيق في المغرب وهل يمكن استهداف الآفة مباشرة بأشعة الليزر؟.

---

يتناول الجزء الأول من هذا المقال التحول الذي تشهده الصين في مكافحة الآفات الزراعية بفعل الجمع بين الرصد الميداني والذكاء الاصطناعي والاتصال الرقمي. وينطلق من سؤال يختصر اتجاهًا تقنيًا جديدًا: هل يمكن أن يصبح الضوء وسيلة دقيقة لاستهداف الآفة بدل الاعتماد الدائم على الرش الواسع؟ غير أن الوصول إلى هذا النوع من المكافحة يبدأ قبل التدخل نفسه، عبر منظومة تجمع البيانات، وتحدد موضع الخطر، وتتحقق من هوية الآفة، ثم تساعد على اختيار القرار المناسب في الوقت المناسب. يعرض المحور الأول أسس الرصد الاستباقي واتخاذ القرار الذكي، حيث تُدمج مشاهدات الحقل مع بيانات المصائد والطقس والصور لتقدير مستوى الخطر وتوجيه المراقبة نحو المواقع الأكثر عرضة للإصابة. ويتناول المحور الثاني الرؤية الحاسوبية التي تمكّن الكاميرات والخوارزميات من تحليل صور الأوراق والثمار والحشرات، وتحديد الأعراض أو الأفراد المشتبه فيها، وتصنيفها مع إظهار درجة الثقة، مع التأكيد أن النتيجة الرقمية لا تعوّض التحقق الحقلي أو المختبري عند الاشتباه في مرض خطير أو آفة حجرية. أما المحور الثالث فيعرض المصائد الذكية المزودة بجاذبات وكاميرات ووسائل اتصال، والتي ترسل الصور إلى خادم رقمي لتشغيل نماذج التعرف والعد، ثم تعرض النتائج على منصة تسمح بمتابعة تغير أعداد الآفات وإدارة الأجهزة عن بُعد. ويشرح المحور الرابع كيف ترتبط هذه الأدوات ضمن شبكات للإنذار المبكر وتتبع هجرة الآفات، بالاعتماد على بيانات المصائد ومحطات الطقس ومسارات الرياح والسجلات المكانية لإصدار تنبيهات تساعد المزارعين والمصالح المختصة على تكثيف المراقبة والاستعداد للتدخل. وتوضح التجربة الصينية أن قيمة التقنية لا تقاس بكثرة الأجهزة، وإنما بقدرتها على تحويل بيانات متفرقة إلى قرار قابل للتنفيذ، يقلل التأخر في الكشف والتدخلات غير الضرورية، ويحسن دقة المكافحة. ومع ذلك، تبقى جودة الصور والبيانات، وصحة التشخيص، وصيانة الأجهزة، والتحقق الميداني شروطًا أساسية لنجاح هذه المنظومات. وبذلك يمهد هذا الجزء لفهم أدوات التدخل الأكثر تقدمًا التي سيتناولها الجزء الثاني، وفي مقدمتها الطائرات المسيّرة والتطبيق الموجّه.

الكلمات المفتاحية: المكافحة الذكية، الرؤية الحاسوبية، الإنذار المبكر.

The first part of this article examines how China is reshaping agricultural pest management by combining field surveillance, artificial intelligence, and connected digital tools. It begins with a question that captures an emerging technical direction: can light become a precise means of targeting pests instead of relying repeatedly on broad pesticide spraying? Reaching that level of precision starts well before any treatment. It requires a system that collects reliable data, locates the threat, verifies the identity of the pest or disease, and supports a timely and proportionate decision. The first section discusses anticipatory surveillance and smart decision-making. Field observations are combined with trap records, weather data, and images to estimate risk and focus scouting on the areas most likely to be affected. The second section addresses computer vision, through which cameras and algorithms analyse images of leaves, fruit, symptoms, and insects, identify suspicious features, classify possible causes, and report a confidence score. Digital recognition can accelerate diagnosis, but it cannot replace field or laboratory confirmation when a serious disease or quarantine pest is suspected. The third section presents smart traps equipped with attractants, cameras, and communication modules. These devices transmit images to digital servers that run recognition and counting models, while monitoring platforms display population trends and allow remote device management. The fourth section explains how these tools can be connected through early-warning networks that track pest migration. Trap observations, weather stations, wind patterns, and spatial records are combined to issue alerts that help farmers and plant-protection services intensify surveillance and prepare an appropriate response. China’s experience shows that the value of smart technology lies less in the number of devices deployed than in its ability to convert scattered observations into an operational decision. This approach can shorten detection delays, reduce unnecessary interventions, and improve the spatial and temporal precision of control. Its success, however, depends on image and data quality, diagnostic reliability, equipment maintenance, and systematic field verification.

Keywords: Smart pest management, Computer vision, Early-warning systems.

---

لماذا تُعَدّ الصين قوّةً عالمية؟ الجزء 2

من معجزات الصين : الجزء 1- سد الممرات الثلاثة الطاقي

اختراق تحت الحصار: هل ولدت EUV الصينية فعلًا؟ وما الذي يعنيه ذلك للعالم؟