A breeder in the sky: scoring flowering with fewer flights

في عالم الزراعة، التوقيت هو كل شيء. فبالنسبة لمربي النباتات الذي يحاول تطوير صنف جديد من الذرة، فإن معرفة متى ستزهر المحاصيل بدقة أمر بالغ الأهمية. هذه اللحظة تحدد ما إذا كان بإمكان النبات البقاء على قيد الحياة في حال حدوث صقيع محلي، ومدة نموه قبل الحصاد، وما إذا كان سيزدهر في منطقة معينة. تقليديًا، كان العثور على هذه الإجابة مهمة شاقة يقوم بها البشر؛ ولأن الأزهار لا تظهر في تاريخ تقويمي ثابت بل تعتمد على الطقس والوراثة، يتعين على الباحثين السير عبر حقولهم كل بضعة أيام، لمراقبة العلامات الأولى لظهور حبوب اللقاح أو الخيوط (السيلي). ويجب عليهم تكرار هذه العملية لأسابيع، من أول نبات يزهر إلى آخر نبات، للحصول على متوسط دقيق لكل قطعة أرض. هذه المراقبة المستمرة بطيئة ومكلفة، وتحد من عدد الحقول التي يمكن للفريق دراستها في وقت واحد.

ولحل هذه المشكلة، لجأ العلماء إلى الطائرات بدون طيار، أو المركبات الجوية غير المأهولة، والتي يمكنها التقاط صور عالية الدقة لحقول كاملة من السماء. ومع ذلك، فإن مجرد التقاط الصور ليس كافيًا. فقد تطلبت المحاولات السابقة لاستخدام هذه الصور للتنبؤ بوقت الإزهار طيران الطائرة بدون طيار فوق نفس الحقل عشرات المرات، حيث تلتقط صورًا كل يوم أو يومين خلال موسم الإزهار. وقد خلق هذا كمية هائلة من البيانات التي كان من الصعب معالجتها، ولا يزال يتطلب رحلات جوية متكررة ومكلفة. ظل التحدي قائمًا: هل يمكن للكمبيوتر أن يتعلم تحديد متى أزهرت نبات الذرة بدقة من مجرد حفنة من الصور، وربما من صورة واحدة فقط، دون الحاجة إلى الطيران فوقها باستمرار؟

لقد أجاب فريق من الباحثين الآن على هذا السؤال باستخدام نهج جديد يغير كيفية رؤية المشكلة. فبدلاً من تعليم الكمبيوتر ببساطة تحديد ما إذا كان النبات "يزهر" أو "لا يزهر" في لقطة واحدة، قاموا بتدريب نموذج ذكاء اصطناعي ليعمل كحافظ للوقت. لقد طلبوا من النموذج النظر إلى صورة لقطعة أرض من الذرة وتقدير عدد الأيام التي تفصل النبات عن لحظة ذروة إزهاره. يمكن أن يكون هذا الرقم سالبًا، مما يعني أن النبات لم يزهر بعد، أو موجبًا، مما يعني أنه تجاوز تلك المرحلة بالفعل. ومن خلال التعامل مع الإزهار كخط زمني مستمر وليس كمجرد مفتاح بسيط (نعم أو لا)، استطاع النموذج التعلم من التغيرات الطفيفة في مظهر النبات قبل وبعد الإزهار.

بنى الباحثون هذا النظام باستخدام مجموعة ضخمة من البيانات التي تم جمعها على مدار ست سنوات. فقد جمعوا أكثر من 200,000 صورة ملتقطة بواسطة طائرات بدون طيار من تجارب ميدانية في سبع ولايات مختلفة، تغطي أكثر من 1,200 نوع مختلف من هجن الذرة. وقد اقترنت هذه الصور بسجلات دقيقة لموعد إزهار كل قطعة أرض محددة، كما حددها المراقبون البشريون الذين ساروا في الحقول. استخدم الفريق نوعًا قويًا من الذكاء الاصطناعي يُعرف باسم "محول الرؤية" (Vision Transformer)، وهو مصمم لفهم الأنماط البصرية المعقدة. لقد عرضوا على الكمبيوتر صورًا لقطع أراضي الذرة مع الوقت الدقيق للفارق بين وقت التقاط الصورة ووقت إزهار الذرة. ومع مرور الوقت، تعلم النموذج التعرف على الإشارات البصرية التي تشير إلى اقتراب نبات الذرة من تاريخ إزهار، مثل اتجاه الأوراق العلوية أو الامتداد الطفيف للساق، قبل ظهور الزهرة نفسها للعين البشرية بفترة طويلة.

كانت النتائج فعالة بشكل مذهل. فقد اختبر الفريق نموذجهم على تجارب ميدانية لم يرها من قبل، بما في ذلك مواقع وسنوات جديدة تمامًا بالنسبة للنظام. وحتى عندما أُعطي النموذج صورة واحدة فقط لحقل تم التقاطها في غضون أسبوعين من تاريخ الإزهار، استطاع التنبؤ بوقت الإزهار بمتوسط خطأ قدره حوالي ثلاثة أيام فقط. هذا المستوى من الدقة يضاهي دقة المراقبين البشريين الذين يسيرون في الحقول. وعندما قام الباحثون بمتوسط التنبؤات من رحلتين أو ثلاث رحلات جوية، انخفض الخطأ أكثر، ليصل غالبًا إلى أقل من يومين. وهذا يشير إلى أن المربين يمكنهم تحقيق نتائج عالية الدقة باستخدام عدد أقل بكما من الرحلات الجوية مما كان يُعتقد ضروريًا سابقًا، مما قد يقلل من تكلفة وجهد مراقبة المحاصيل بهامش كبير.

كما كشفت الدراسة كيف "يرى" الكمبيوتر النباتات. فمن خلال تصور الأجزاء التي ركز عليها النموذج في الصورة، وجد الباحثون أن انتباه الذكاء الاصطناعي يتغير ديناميكيًا مع نمو النباتات. قبل ظهور الأزهار، ركز النموذج على مركز النبات حيث ستظهر الزهرة لاحقًا. ومع مرور الوقت، انتقل تركيزه إلى الأوراق المحيطة والشكل العام للمظلة النباتية. وهذا يشير إلى أن النموذج لا يبحث فقط عن زهرة؛ بل إنه يفهم رحلة النمو الكاملة للنبات. يمكنه اكتشاف التغيرات الفسيولوجية الطفيفة التي تحدث قبل أيام من ملاحظة الإنسان لأي شيء مختلف، ويستمر في تتبع حالة النبات بعد حدوث الإزهار.

وكانت إحدى أهم النتائج هي أن النموذج عمل بشكل جيد حتى عندما جاءت البيانات من سنوات مختلفة، ومواقع مختلفة، وأنواع مختلفة من الكاميرات. وهذا يشير إلى أن النظام قوي بما يكفي ليتم استخدامه في بيئات جديدة دون الحاجة إلى إعادة تدريبه من الصفر باستخدام بيانات محلية. كما اختبر الباحثون ما إذا كان استخدام قياس زمني يعتمد على درجة الحرارة، والمعروف باسم "درجات النمو المتراكمة"، سيحسن النتائج. وبينما قدمت هذه الطريقة ميزة طفيفة في الدقة، إلا أن النموذج أدى أداءً ملحوظًا باستخدام الأيام التقويمية البسيطة أيضًا. وهذا يعني أن النظام لا يتطلب بيانات طقس معقدة ليعمل، مما يسهل نشره في مجموعة واسعة من الإعدادات.

إن الآثار المترتبة على تربية النباتات كبيرة للغاية. فمن خلال تقليل الحاجة إلى الرحلات الجوية اليومية والتقييم اليدوي، تسمح هذه الطريقة للباحثين بمراقبة مجموعات أكبر بكثير من المحاصيل بموارد أقل. إنها تفتح الباب لدراسة كيفية استجابة الأصناف الوراثية المختلفة لوقت الإزهار عبر نطاق أوسع من البيئات، وهو أمر ضروري لتطوير محاصيل يمكنها التكيف مع تغير المناخ. وتثبت الدراسة أن رحلة واحدة بالطائرة بدون طيار، أو ربما بضع رحلات فقط، يمكن أن توفر نفس المعلومات الحرجة التي كانت تتطلب أسابيع من العمل البشري. النموذج لا يستبدل المربي، بل يعمل كأداة قوية توسع نطاق وصوله، مما يسمح له برؤية الإيقاعات غير المرئية لنمو النبات من السماء.