Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings
طورت هذه الدراسة شبكة عصبية هجينة قائمة على الفيزياء (PINN) تدمج بيانات الطقس مع أعداد البكسلات الخضراء المستمدة من الصور للتنبؤ بدقة بحجم غطاء نبات الفراولة اليومي، مما أظهر أداءً فائقاً على النماذج المرجعية لصنفين تجاريين تحت ظروف ميدانية واقعية.
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 الحقول الهادئة في فلوريدا، حيث تُزرع الفراولة على نطاق واسع، تُكتب صحة النبات غالباً في أوراقه. بالنسبة للمزارعين، فإن معرفة مقدار الخضرة في أوراق النبات في أي لحظة معينة أمر بالغ الأهمية؛ فهي تخبرهم ما إذا كان المحصول يزدهر، أو إذا كان عطشاً، أو إذا كان يتعرض لهجوم من الأمراض. تقليدياً، كانت عملية الحصول على هذه المعلومات تعني السير بين الصفوف والقياس يدوياً، وهي مهمة بطيئة وتتطلب جهداً كبياً ولا تقدم سوى لقطة للماضي. في السنوات الأخيرة، قدمت التكنولوجيا طريقة أسرع: كاميرات يمكنها عد البكسلات الخضراء في صورة النبات لتقدير حجمه. ومع ذلك، فإن مجرد عد البكسلات الخضراء ليس كرة بلورية؛ فهو يخبر المزارع بما يبدو عليه النبات الآن، لكنه يكافح للتنبؤ بما سيكون عليه النبات غداً، خاصة عندما يتغير الطقس بشكل غير متوقع. فموجة برد مفاجئة أو أمطار غزيرة يمكن أن تغير مظهر النبات بطرق لا تستطيع الكاميرا البسيطة توقعها، مما يؤدي إلى تخمينات مستحيلة بيولوجياً، مثل انكماش النبات عندما يكون الطقس في الواقع يزداد دفئاً.
ولسد الفجوة بين ما تراه الكاميرا وما تمليه البيولوجيا، طور باحثون في جامعة فلوريدا ووزارة الزراعة الأمريكية نوعاً جديداً من البرامج الحاسوبية. يجمع هذا النظام بين طريقتين مختلفتين في التفكير حول النمو. يعتمد الجزء الأول على القوانين المعروفة لبيولوجيا النبات، وتحديداً كيف تنمو النباتات بشكل أسرع مع تراكم الحرارة بمرور الوقت، وهو مفهوم استخدمه المزارعون لعقود لتتبع التطور. أما الجزء الثاني فهو أداة تعلم مرنة تراقب الطقس والصور اليومية لرصد التقلبات قصيرة المدى، مثل الانخفاض المؤقت في اللون الأخضر الناتج عن يوم غائم. ومن خلال دمج هذين النهجين معاً، ابتكر الباحثون نظاماً لا يكتفي بالتخمين فحسب، بل يحترم قواعد الطبيعة مع الاهتمام أيضاً بالواقع المتغير والمضطرب للحقل.
اختبر الفريق هذا النظام في حقل فراولة في سيترا، فلوريدا، خلال شتاء عام 2025. قاموا بتركيب محطة كاميرا ذاتية التشغيل تعمل بالألواح الشمسية، والتي التقطت صوراً للنباتات كل خمس عشرة دقيقة لمدة شهر تقريباً. ركزوا على صنفين شائعين من الفراولة، أحدهما يسمى "فلوريدا بريليانس" (Florida Brilliance) والآخر يسمى "فلوريدا ميداليون" (Florida Medallion). التقطت الكاميرا صور النباتات من الأعلى، واستخدم الباحثون برامج لعزل الأوراق الخضراء عن التربة والغطاء البلاستيكي، وعدّ عدد البكسلات الخضراء لقياس حجم المظلة الورقية. وإلى جانب هذه الصور، سحب النظام بيانات الطقس في الوقت الفعلي، بما في ذلك درجة الحرارة والرطة وضوء الشمس، لمعرفة كيف أثرت البيئة على النباتات يوماً بعد يوم.
كان جوهر ابتكارهم هو نموذج حاسوبي هجين تعلم من هذه البيانات. اتبع جزء من النموذج منحنى سلس ومتوقع بناءً على إجمالي الحرارة التي تلقتها النباتات، مما يضمن أن التنبؤات تتبع دائماً مساراً بيولوجياً منطقياً حيث تنمو النباتات بشكل عام لتصبح أكبر مع دفء الموسم. أما الجزء الآخر من النموذج فقد عمل كآلية تصحيح، حيث تعلم كيفية تعديل ذلك التنبؤ السلس بالزيادة أو النقصان بناءً على الأحداث الجوية للأسبوع الماضي. فإذا ضربت موجة باردة، يتعلم النموذج توقع توقف طفيف في النمو أو تغيراً في اللون، بدلاً من اتباع المنحنى السلس بشكل أعمى. والأهم من ذلك، تم تصميم النظام بقاعدة سلامة: فقد مُنع من التنبؤ بانكماش النبات في يوم تزداد فيه تراكمات الحرارة، وهو أمر مستحيل بيولوجياً غالباً ما يربك النماذج الحاسوبية الأبسط.
أظهرت النتائج أن هذا النهج المدمج كان يعمل بشكل أفضل بكثير من استخدام أي من الطريقتين بمفردهما. بالنسبة لصنف "فلوريدا بريليانس"، تنبأ النظام بالحجم اليومي لمظلة النبات بمتوسط خطأ قدره حوالي 6,996 بكسل، وهو رقم يمثل فرق 4.53% عن القياسات الفعلية. وكان هذا تحسناً ملحوظاً مقارنة بنموذج يتبع فقط المنحنى البيولوجي السلس، والذي أخطأ الهدف بأكثر من 10,000 بكسل، وكان أفضل بكثير من مجرد تخمين يفترض بقاء النبات بنفس الحجم كما كان في اليوم السابق. كما أدى النظام أداءً جيداً في صنف "فلوريدا ميداليون"، وإن كان معدل الخطأ أعلى قليلاً عند 16.4%. وأشار الباحثون إلى أن هذا الخطأ الأعلى يعود على الأرج_ح إلى امتلاكهم بيانات أقل لهذا النبات تحديداً، حيث أدت عاصفة شديدة إلى إتلاف معداتهم في وقت مبكر من الدراسة، مما قلص فترة المراقبة. وحتى مع هذه البيانات المحدودة، ظل النموذج الهجين يتفوق على الطرق الأبسط، مما أثبت أن الجمع بين القواعد البيولوجية والتعلم الواعي بالطقس هو نهج قوي.
إن ما يجعل هذا الاكتشاف قيماً بشكل خاص هو أن النموذج الحاسوبي لم ينتج رقماً فحسب، بل تعلم أيضاً خصائص النمو الخاصة بالفراولة التي كان يراقبها. فبدون إخباره بالإجابات مسبقاً، استنتج النظام الحجم الأقصى الذي يمكن أن تصل إليه النباتات وسرعة نموها، وهي قيم تطابقت مع ما لاحظه الباحثون في الحقل. وهذا يشير إلى أن النموذج لا يقوم بمجرد حفظ البيانات، بل يفهم بالفعل البيولوجيا الكامنة وراءها. ووجد الباحثون أن النظام يمكن تشغيله على كمبيوتر صغير وغير مكلف بحجم بطاقة الائتمان، مما يجعله قابلاً للاستخدام من قبل المزارعين في الوقت الفعلي دون الحاجة إلى خوادم باهظة الثمن أو اتصال دائم بالإنترنت.
تسلط هذه الدراسة الضوء على مسار مستقبلي للزراعة الدقيقة، حيث تساعد التكنولوجيا المزارعين على اتخاذ القرارات قبل أن تصبح المشكلات مرئية بالعين المجردة. فمن خلال التنبؤ بكيفية استجابة النبات للطقس القادم، يمكن للمزارع ري محاصيله أو تغذيتها في اللحظة المناسبة تماماً، بدلاً من الانتظار حتى تظهر علامات الإجهاد. وبينما تم اختبار النظام الحالي لفترة قصă نسبياً وركز على مراحل النمو الأولى، يقترح الباحثون أنه مع المزيد من البيانات وطرق أفضل للتعامل مع ظروف الإضاءة المتغيرة، يمكن توسيع هذا النهج ليشمل موسم النمو بأكُمُله. إن هذا العمل يوضح أنه عندما يحترم علم الحاسوب القوانين الأساسية للبيولوجيا، فإنه يمكنه خلق أدوات ليست دقيقة فحسب، بل وموثوقة أيضاً للأشخاص الذين يعتمدون عليها لإطعام العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.