Systematic evaluation of hyperspectral imaging workflows for predicting pigment and nutrient traits in tomato leaves under varying nitrogen supply levels
قيمت هذه الدراسة بشكل منهجي سير عمل التصوير الفائق الطيفي لتحديد التركيبات المثلى لتقسيم العينات، والمعالجة المسبقة للطيف، واختيار الميزات، ونماذج التعلم الآلي للتنبؤ غير المدمر بخصائص الصبغات والمغذيات في أوراق الطماطم، وكشفت أنه بينما تم التنبؤ بالسمات المرتبطة بالنيتروجين بشكل موثوق باستخدام الشبكات العصبية التلافيفية، ظل التنبؤ بالكلوروفيل محدوداً، وأن تحسين سير العمل يجب أن يكون مصمماً خصيصاً لسمات مستهدفة معينة.
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
في الإيقاع الهادئ لبيت زجاجي، يطلق نبات الطماطم نداءً صامتًا. إنه يحتاج إلى النيتروجين، وهو عنصر غذائي أساسي يعمل كمحرك للنمو، حيث يقود تكوين الأوراق الخضراء وتطور الثمار. وعندما يقدم المزارع كمية قليلة جدًا، يعاني النبات، فتتحول أوراقه إلى اللون الشاحب ويتعثر نموه. وعندما يُعطى الكثير، قد ينمو النبات بغزارة ولكن بضعف، أو والأسوأ من ذلك، قد يراكم مستويات ضارة من النترات التي يمكن أن تؤثر على سلامة الغذاء والبيئة. لعقود من الزمن، كان معرفة الكمية الدقيقة التي امتصها النبات عملية تخمين أو عملية بطيئة ومدمرة؛ فقد اضطر المزارعون إلى قطف ورقة، وسحقها في مختبر، والانتظار لأيام للحصول على تحليل كيميائي، وهي طريقة بطيئة للغاية لدرجة لا تسمح بتوجيه القرارات اليومية في دورة محصول سريعة الحركة.
ولحل هذه المشكلة، لجأ العلماء إلى تقنية ترى العالم بألف ظل من الألوان. فبدلاً من الألوان الثلاثة التي تدركها أعيننا، تلتقط الكاميرات فائقة الطيف مئات النطاقات الضيقة من الضوء، مما يخلق بصمة تفصيلية لكل سطح تم مسحه. تتغير بصمة الض light هذه اعتمادًا على ما يوجد داخل الورقة، مما يكشف عن أسرار متعلقة بمائها، وبنيتها، وتركيبها الكيميائي. ومع ذلك، فإن التحدي يكمكم في أن هذه البيانات معقدة للغاية؛ فلا يكفي مجرد توجيه كاميرا نحو نبات والحصول على إجابة، بل يجب على الباحثين اختيار كيفية تنقية البيانات الصاخبة بعناية، وتحديد الألوان التي يجب التركيز عليها، والأدوات الرياضية التي ستستخدم لترجمة الضوء إلى رقم. والسؤال هو: هل يمكن لطريقة واحدة أن تعمل لكل عنصر غذائي، أم أن كل سمة تتطلب مسارًا فريدًا خاصًا بها نحو الاكتشاف؟
لقد سعى فريق من الباحثين في نينغشيا بالصين إلى إيجاد الإجابة من خلال العمل مع نباتات الطماطم في بيت زجاجي محكوم. قاموا بزراعة صنف شائع يسمى "بروفانس" (Provence) تحت أربعة أنظمة تغذية مختلفة: تلقت إحدى المجموعات لا يوجد نيتروجين على الإطلاق، بينما تلقت المجموعات الأخرى كميات متزايدة، تتراوح من 210 كيلوغرام لكل هكتار حتى 390 كيلوغرام. وعلى مدار موسم النمو، زاروا النباتات في ثلاث لحظات حرجة: عند الإزهار وعقد الثمار، وعند نضج الثمار، وأخيرًا عند الحصاد. وفي كل زيارة، اختاروا أوراقًا محددة واستخدموا كاميرا فائقة الطيف محمولة لمسحها، ملتقطين الطريقة التي يرتد بها الضوء عن سطح الورقة. ومباشرة بعد المسح، أخذوا تلك الأوراق نفسها إلى المختبر لقياس محتواها الكيميائي الفعلي، وتحديد الكمية الإجمالية للكلوروفيل، وإجمالي النيتروجين، ومستويات النترات باستخدام اختبارات كيميائية دقيقة ومعيارية. وقد خلق هذا تطابقًا مثاليًا بين التوقيع الضوئي والكيمياء الواقعية لمئات العينات.
ثم تعامل الباحثون مع هذه البيانات كأنها لغز معقد، حيث اختبروا عشرات الطرق المختلفة لحله. جربوا تقسيم البيانات إلى مجموعات تدريب واختبار بأربع طرق مختلفة لضمان عدالة نماذجهم. وطبقوا سبع طرق مختلفة لتنقية الإشارات الضوئية، لإزالة التشويش والضجيج الذي غالبًا ما يشوب هذه القياسات. كما اختبروا استراتيجيتين متميزتين لاختيار الألوان الأكثر أهمية من بين المئات المتاحة، متسائلين عن الأطوال الموجية المحددة التي تحمل مفتاح الإجابة. وأخيرًا، غدوا هذه المعلومات المنقحة في أربعة أنواع مختلفة من نماذج التعلم الحاسوبي، بدءًا من الأدوات الإحصائية الراسخة وصولًا إلى شبكات التعلم العميق المتقدمة، لمعرفة أي منها يمكنه التنبؤ بالقيم الكيميائية بناءً على الضوء وحده بشكل أفضل.
وكشفت النتائج عن حقيقة واضحة: لا توجد طريقة واحدة "مثلى" للتنبؤ بكل سمة. فالمسار نحو إجابة دقيقة يعتمد تمامًا على ما يحاول الباحثون قياسه. فعندما كان الهدف هو تقدير إجمالي الكلوروفيل، جاءت أفضل النتائج من نوع معين من تقسيم البيانات وتقنية تنعيم بسيطة، ومع ذلك عانى أفضل نموذج من صعوبة تقديم تنبؤات دقيقة. وجد الفريق أن التباين في الكلوروفيل عبر مراحل النمو المختلفة جعل من الصعب بناء قاعدة واحدة موثوقة. ومع ذلك، عندما تحول التركيز إلى النيتروجين والنترات، تغيرت القصة. فبالنسبة لإجمالي النيتروجين، كانت الطريقة التي تختار مجموعة مدمجة من الأطوال الموجية الرئيسية هي الأفضل، بينما كانت استراتيجية اختيار مختلفة هي المتفوقة بالنسبة للنترات.
كما كان لنوع نموذج الحاسوب المستخدم أهمية بالغة. فبالنسبة للكلوروفيل، كان نموذج "آلة ناقلات الدعم" (Support Vector Machine)، وهو خوارزمية قوية وتقليدية، هو الأفضل أداءً. ولكن بالنسبة للمهام الأكثر تعقيدًا المتمثلة في التنبؤ بإجمالي النيتروجين والنترات، تفوقت الشبكة العصبية الالتفافية (Convolutional Neural Network)، وهي نوع من نماذج التعلم العميق التي تحاكي طريقة معالجة الدماغ للأنماط، على جميع النماذج الأخرى. استطاع نموذج التعلم العميق هذا رؤية الروابط غير الخطية الدقيقة في بيانات الضوء التي فاتتها النماذج الأبسط، مما وفر تنبؤات أكثر موثوقية لسمات النيتروجين. وأظهرت الدراسة أن منطقة "الحافة الحمراء" في الطيف، حيث يتغير انعكاس الضوء بشكل حاد، ومنطقة الأشعة تحت الحمراء القريبة، كانت المناطق الأكثر إفادة للتمييز بين مستويات النيتروجين المختلفة.
في نهاية المطاف، يوضح هذا العمل أن الزراعة الدقيقة لا يمكن أن تعتمد على نهج واحد يناسب الجميع. ولرصد صحة محصول الطماطم بدقة دون إتلاف ورقة واحدة، يجب تصميم سير العمل بأكم له ليتناسب مع العنصر الغذائي المحدد. وبينما يظل التنبؤ بإجمالي الكلوروفيل أمرًا صعبًا في ظل الظروف التي تم اختبارها، فإن القدرة على التنبؤ بإجمالي مستويات النيتروجين والنترات بشكل موثوق تقدم أداة جديدة قوية. ومن خلال مطابقة تنقية البيانات الصحيحة، واختيار الطول الموجي المناسب، ونموذج الحاسوب الملائم للسمة المحددة، يمكن للمزارعين الاقتراب من مستقبل يعرفون فيه بالضبط ما تحتاجه نباتاتهم، مما يسمح لهم بتطبيق الأسمدة بدقة جراحية بدلاً من التخمين العشوائي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.