Hyperspectral–Region Aggregation Network for Maize Leaf Nitrogen Content Estimation via Spectral–Regional Joint Modeling
تقترح هذه الدراسة شبكة تجميع المناطق فائقة الطيف (HSRAN)، وهي إطار عمل للتعلم العميق يدمج إعادة المعايرة التكيفية الطيفية والتجميع المبوّب المدرك للسياق لمعالجة الفائض الطيفي والتباين الإقليمي بفعالية، مما يحقق دقة فائقة في تقدير محتوى النيتروجين في أوراق الذرة عبر مختلف مراحل النمو مقارنة بالنماذج التقليدية ونماذج التعلم العميق الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يُعد النيتروجين هو المحرك لنمو نبات الذرة، فهو الذي يقود عملية التمثيل الضوئي التي تحول ضوء الشمس إلى غذاء وتملأ الحبوب التي يحصدها المزارعون. فعندما يعاني النبات من نقص في هذا المغذي الحيوي، فإنه يكافح للنمو وتنخفض إنتاجيته؛ وعندما يتوفر منه الكثير، يُهدر السماد الزائد، مما يكلف مالاً وقد يضر بالبيئة عبر تلويث التربة والمياه. ولعقود من الزمن، سعى المزارعون والعلماء لإيجاد طريقة لقياس كمية النيتروجين الموجودة داخل ورقة الذرة بدقة دون الحاجة لقطعها أو إتلاف النبات. والأداة الأكثر واعدة لهذه المهمة هي التصوير الفائق الطيفي (hyperspectral imaging)، وهي تقنية تلتقط الضوء المنعكس من الورقة عبر مئات النطاقات اللونية الضيقة والدقيقة، بما يتجاوز بكثير ما تراه العين البشرية. يعمل هذا التوقيع الضوئي التفصيلي مثل بصمة الإصبع، حيث يكشف عن التركيب الكيميائي للورقة. ومع ذلك، فقد ثبت أن تحويل هذه الأنماط الضوئية المعقدة إلى عدد دقيق للنيتروجين أمر صعب، لأن البيانات الضوئية غالباً ما تكون متكررة، ولأن أجزاء مختلفة من ورقة واحدة يمكن أن تعكس الضوء بطرق مختلفة اعتماداً على بنيتها وصحتها.
لقد طور فريق من الباحثين من جامعة تشانغتشون للعلوم الأكندمية الصينية والأكاديمية الصينية للعلوم طريقة جديدة لحل هذه المشكلات المحددة. فقد أنشأوا نظاماً حاسوبياً يسمى "شبكة تجميع المناطق فائقة الطيف" (Hyperspectral–Region Aggregation Network)، المصمم للنظر إلى ورقة الذرة ليس كجسم واحد متجانس، بل كمجموعة من المناطق المحلية المتميزة، لكل منها توقيعها الضوئي الفريد. وبدلاً من حساب متوسط الضوء من الورقة بأكملها في إشارة ضبابية واحدة، يتعلم هذا النظام وزن أهمية أجزاء مختلفة من الورقة وألوان مختلفة من الضوء في آن واحد. ومن خلال التدريب على آلاف عينات الأوراق التي جُمعت على مدار موسمين زراعيين، وجد الباحثون أن هذا النهج يمكنه التنبؤ بمحتوى النيتروجين في ورقة الذرة بدقة أعلى بكثير من الطرق السابقة.
كان التحدي الذي واجهه الباحثون مزدوجاً. أولاً، تحتوي البيانات فائقة الطيف على الكثير من النطاقات اللونية المتداخلة، مما يسهل على الحاسوب الارتباك بسبب المعلومات المتكررة. ثانياً، ورقة الذرة ليست منتظمة تماماً؛ فالعروق والحواف والمركز، جميعها تمتلك أنسجة وهياكل مختلفة تؤثر على كيفية عكسها للضوء. وغالباً ما كانت الطرق القديمة تعامل الورقة بأكملها كعينة واحدة أو تنظر إلى كل نقطة صغيرة في الورقة بشكل منعزل، مما يؤدي لفقدان الصورة الكاملة. ومع ذلك، يستخدم النظام الجديد استراتيجية من خطوتين للتعامل مع هذه المشكلات. أولاً، يعمل كمرشح (فلتر) يقوم بتركيز أهم الإشارات اللونية مع تجاهل الإشارات الضوئية المزعجة والمتكررة. ثم ينظر إلى الأجزاء المختلفة من الورقة ويحدد كيفية ارتباطها ببعضها البعض، ويقرر أي أجزاء من الورقة هي الأكثر دلالة على الحساب النهائي.
ولاختبار هذه الفكرة، قام الفريق بزراعة الذرة في تجربة ميدانية خلال عامي 2024 و2025، وجمعوا الأوراق في ثلاث مراحل حرجة من النمو: عندما يتمدد النبات طولاً، وعند الإزهار، وعند النضج الكامل. وقاموا بقياس الضوء المنعكس من مئات المناطق الصغيرة في كل ورقة وقارنوا النتائج مع مستويات النيتروجين الفعلية الموجودة في المختبر. تفوق النظام الجديد على مجموعة واسعة من التقنيات الأخرى، بما في ذلك الأدوات الإحصائية القياسية والنماذج الحاسوبية المتقدمة الأخرى. وعند اختباره على بيانات الموسم الزراعي بأكمله، تنبأ النظام بمحتوى النيتروجين بدقة عالية، ملتقطاً التغيرات الدقيقة التي فاتتها الطرق الأخرى. وأظهرت النتائج أن النظام كان بارعاً بشكل خاص في التعامل مع التباينات الواقعية "الفوضوية" الموجودة في الحقل، محافظاً على دقته حتى مع نمو النباتات وتغيرها.
كان أحد أكثر الجوانب كشفاً في الدراسة هو مراقبة كيف يقرر الحاسوب أي أجزاء من الورقة هي الأكثر أهمية. ومن خلال رسم خريطة "الانتباه" الداخلي للنظام وإعادتها إلى الأوراق الفيزيائية، اكتشف الباحثون أن النموذج يولي أكبر قدر من الاهتمام للمناطق القريبة من عروق الورقة، والأطراف، والحواف. وهذا منطقي من منظور بيولوجي، حيث أن هذه المناطق غالباً ما تمتلك هياكل مختلفة وتنقل العناصر الغذائية بشكل مختلف عن منتصف الورقة المسطح. لقد تعلم النظام أن هذه المناطق المحددة توفر أوضح الأدلة حول حالة النيتروجين العامة للنبات. ويشير هذا الاكتشاف إلى أن النظر إلى الورقة كمجموعة من الأجزاء المتفاعلة أكثر فعالية بكثير من معاملتها كسطح مسطح واحد.
بينما تبدو النتائج واعدة، يحرص الباحثون على ملاحظة أن النظام لا يزال يواجه عقبات قبل أن يمكن استخدامه عالمياً في الحقول. فقد أدى النموذج أداءً جيداً جداً عند اختباره على بيانات من نفس السنوات والموقع الذي تم التدريب فيه، لكن دقته انخفضت عندما طُلب منه التنبؤ بمستويات النيتروجين لعام مختلف تماماً، ويرجع ذلك على الأرجب إلى تغير الظروف الضوئية وخصائص التربة. وهذا يشير إلى أنه بينما تعد هذه الطريقة خطوة متقدمة، إلا أنها لا تزال بحاجة إلى التكيف للتعامل مع التنوع الواسع في البيئات والظروف الجوية الموجودة في الزراعة الواقعية. ويقترح الفريق أن العمل المستقبلي سيركز على تعليم النظام كيفية التكيف مع هذه التغييرات وتبسيط التكنولوجيا بحيث يمكن استخدامها مع كاميرات أرخص وأسرع. وفي الوقت الحالي، تثبت هذه الدراسة أنه من خلال تعليم الحواسيب رؤية الاختلافات الدقيقة داخل ورقة واحدة، يمكننا الحصول على صورة أوضح لصحة النبات واحتياجاته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.