IoT-based Low-Cost Time-Domain Reflectometry for Granular Soils: Sand-Specific Moisture Calibration and Machine-Learning Sand Identification
تقدم هذه الدراسة إطار عمل منخفض التكلفة ومدعوم بتقنية إنترنت الأشياء يعمل على تحسين تقدير رطوبة التربة في الرمال بشكل كبير من خلال معايرة محددة، ويثبت جدوى التحديد الآلي لنوع الرمل باستخدام التعلم الآلي على بيانات المستشعر العازل.
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
التربة ليست مجرد تراب؛ بل هي خليط معقد من الجسيمات الصلبة، والماء، والهواء، ويحدد التوازن بين هذه المكونات كيفية نمو النباتات، وكيفية ثبات القواعد، وكيفية حركة المياه عبر الأرض. بالنسبة للمهندسين والمزارعين، يعد معرفة كمية الماء الموجودة في التربة بدقة أمرًا بالغ الأهمية، لكن قياسها دون حفر الأرض ظل لفترة طويلة تحديًا. وتتضمن إحدى الطرق الراسخة إرسال نبضة كهربائية عالية السرعة عبر الأرض والاستماع إلى كيفية ارتدادها. ولأن الماء يبطئ هذه النبضة أكثر مما تفعل الرمال أو الصخور الجافة، فإن الوقت الذي تستغرقه الإشارة للعودة يكشف عن محتوى الرطوبة في التربة. ومع ذلك، فإن هذه التقنية تعاني من خلل كبير: فالصيغ القياسية المستخدمة لتفسير هذه الإشارات تم تطويرها للتربة الناعمة الشبيهة بالطين. وعند تطبيقها على الرمل، الذي يتصرف بشكل مختلف تمامًا، غالبًا ما تفشل الصيغ العالمية هذه، مما يؤدي إلى قراءات غير دقيقة يمكن أن تتسبب في إفراط أنظمة الري في الري أو تقليل مشاريع البناء لتقدير استقرار الأرض.
لقد وضع فريق من الباحثين في جامعة راجشاهي للهندسة والتكنولوجيا في بنغلاديش هدفًا لإصلاح هذه المشكلة خصيصًا للتربة الرملية. قاموا ببناء نظام استشعار منخفض التكلفة ومتصل بالإنترنت قادر على قياس ليس فقط الرطوبة، بل أيضًا درجة الحرارة وخصائص التربة الأخرى. وبدلاً من الاعتماد على صيغة واحدة تناسب الجميع، اختبروا خمسة أنواع مختلفة من الرمال الطبيعية، لكل منها أحجام حبيبات وأنسجة مختلفة قليلاً. ومن خلال جمع آلاف القياسات في بيئة مختبرية محكومة، أنشأوا علاقة رياضية فريدة لكل نوع محدد من الرمال، تربط الإشارة الكهربائية الخام مباشرة بالوزن الفعلي للماء في التربة. وقد أثبت عملهم أنه من خلال تخصيص أداة القياس لتناسب المادة المحددة التي تختبرها، استطاعوا التنبؤ بمستويات الرطوبة بدقة تصل إلى 96.5 بالمائة، وهو تحسن كبير مقارنة بالطرق العامة.
وبعيدًا عن مجرد قياس الماء، اكتشف الباحثون أن بيانات المستشعر تحتوي على معلومات كافية لتحديد نوع الرمل نفسه. فقد قاموا بتدريب برامج حاسوبية، تُعرف بنماذج تعلم الآلة، للتعرف على "البصمة" الفريدة لكل عينة رمل بناءً على قراءات الرطوبة ودرجة الحرارة. وعند اختبار النظام على عينة مجهولة، نجح في تحديد نوع الرمل الصحيح بنسبة تقارب 90 بالمائة. وهذه خطوة مهمة للأمام لأنها تعني أن المستشعر يمكنه مستقبلاً إخبار المزارع أو المهندس ليس فقط بمدى رطوبة الأرض، بل أيضًا بنوع الأرض التي يتعامل معها، دون الحاجة إلى أخذ عينة فيزيائية إلى المختبر.
بدأت الدراسة بجمع خمس عينات رمل متميزة من الحقل. وقام الباحثون بتحليل الخصائص الفيزيائية لكل منها بعناية، حيث قاسوا حجم الحبيبات وكيفية توزيعها. ووجدوا أنه بينما صُنفت جميع العينات الخمس كرمال سيئة التدرج — أي أنها منتظمة الحجم في الغالب — إلا أنها كانت لا تزال تمتلك اختلافات دقيقة في هيكل حبيباتها. ولاختبار المستشعرات، قاموا بإعداد مئات من عينات التربة، مع تغيير محتوى الماء من الجفاف الشديد إلى الرطوبة العالية. ولكل عينة، سجلوا الإشارة الكهربائية الخام من المستشعر وقارنوها بمحتوى الرطوبة الحقيقي، الذي تم تحديده عن طريق تجفيف التربة في فرن ووزنها. أنتجت هذه العملية مجموعة بيانات ضخمة تضم ما يقرب من 1,900 قراءة مزدوجة، مما وفر أساسًا متينًا لتحليلهم.
وعندما رسم الباحثون قراءات المستشعر مقابل قيم الرطوبة الحقيقية، ظهر نمط واضح. فبالنسبة لكل نوع من الرمال، كانت العلاقة بين الإشارة ومحتوى الماء تتبع خطًا مستقيمًا، لكن ميل هذا الخط كان مختلفًا لكل عينة رمل. إذ تطلب نوع واحد من الرمل تغيراً أكبر بكثير في الإشارة للإشارة إلى ارتفاع الرطوبة، بينما استجاب نوع آخر بشكل أكثر حدة. وقد أثبت هذا الاكتشاف أن صيغة واحدة لا يمكن أن تعمل لجميع أنواع الرمال. وعندما حاولوا استخدام معادلة عالمية واحدة لجميع الأنواع الخمسة، كان الخطأ في توقعاتهم أعلى بشكل ملحوظ. ومع ذلك، عندما استخدموا معادلة محددة لكل نوع من الرمال، أصبحت التوقعات دقيقة للغاية، حيث انخفضت الأخطاء إلى أقل من ثلاث نقاط مئوية في معظم الحالات.
ثم ذهب الفريق بهذا النهج خطوة أبعد من خلال التساؤل عما إذا كان المستشعر يمكنه تحديد نوع الرمل دون معرفة مسبقة. فقد أدخلوا بيانات الرطوبة ودرجة الحرارة من المستشعرات في ثلاثة خوارزميات مختلفة لتعلم الآلة. تعلمت هذه البرامج التمييز بين أنواع الرمال الخمسة من خلال التعرف على الأنماط في كيفية تغير الرطوبة ودرجة الحرارة معًا. وكانت النتة مبهرة: فقد حدد النظام نوع الرمل بشكل صحيح في ما يقرب من 90 بالمائة من الحالات. وكان الحاسوب جيدًا بشكل خاص في التمييز بين الرمال ذات النطاقات الحرارية المتميزة، لكنه خلط أحيانًا بين الأنواع الثلاثة التي تشترك في درجات حرارة دافئة متشابهة. وهذا يشير إلى أنه بينما الطريقة الحالية فعالة للغاية، فإن إضافة نقاط بيانات أخرى، مثل الموصلية الكهربائية، قد تجعل عملية التحديد أكثر موثوقية.
ولضمان صمود نتائجهم في العالم الحقيقي، اختبر الباحثون الجهاز المعاير على عينات تربة طازجة مأخوذة من الحقل. وقارنوا قراءات رطوبة المستشعر مع نتائج اختبار التجفيف في الفرن المخبري القياسي. وقد طابق الجهاز القيم المختبرية بمتوسط دقة بلغ 96.5 بالمائة، مما أكد أن معادلات المعايرة المحددة التي تم تطويرها في المختبر تعمل بشكل مثالي في الظروف الخارجية العملية. علاوة على ذلك، أظهروا القوة الكاملة لنظامهم من خلال أخذ عينة تربة مجهولة، وتمريرها عبر عملية التحديد، وتحديد نوعها بنجاح. وبمجرد أن يحدد النظام نوع الرمل، يمكنه تقديم ملف تعريف مفصل لخصائصه الهندسية، مثل حجم الحبيبات والكثافة، وهي أمور ضرورية للتخطيط الإنشائي والزراعي.
يملأ هذا العمل الفجوة بين بيانات المستشعر البسيطة وعلوم التربة المعقدة. فمن خلال الابتعاد عن الافتراضات العامة وتبني الخصائص المحددة لمختلف المواد، خلق الباحثون طريقة أكثر موثوقية لمراقبة الأرض. إن إطارهم المتكامل، الذي يجمع بين مستشعر منخفض التكلفة وتحليل ذكي للبيانات، يقدم حلاً قابلاً للتوسع لأي شخص يحتاج إلى فهم ظروف التربة بسرعة ودقة. وسواء كان ذلك لإدارة الري في الزراعة أو ضمان استقرار أساسات المباني، فإن القدرة على معرفة كل من مستوى الرطوبة ونوع التربة في الوقت الفعلي تمثل قفزة كبيرة في كيفية تفاعلنا مع الأرض تحت أقدامنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.