ولأسباب تتعلق بالأمن الغذائي والحوافز الاقتصادية، يسعى المزارعون باستمرار إلى تعظيم إنتاجية محاصيلهم القابلة للتسويق. نظرًا لأن النباتات تنمو بشكل غير متسق، في وقت الحصاد، سيكون هناك حتماً اختلافات في جودة وحجم المحاصيل الفردية. ولذلك فإن تحديد الوقت الأمثل للحصاد يمثل أولوية بالنسبة للمزارعين.
ومن الواضح أن النهج الجديد لاستخدام الطائرات بدون طيار والذكاء الاصطناعي يحسن هذا التقدير بعناية ودقة تحليل المحاصيل الفردية لتقييم خصائص النمو المحتملة.
تتحدث بعض قصص الخيال العلمي المتفائلة عن مستقبل ما بعد الندرة، حيث يتم تلبية احتياجات الإنسان وتوفير العمل الشاق بواسطة الآلات. هناك بعض الطرق التي يبدو أن هذه الرؤية تتنبأ بها ببعض عناصر التقدم التكنولوجي الحالي. أحد هذه المجالات هو البحث الزراعي، حيث أحدثت الأتمتة تأثيرًا.
ولأول مرة، أظهر باحثون، بما في ذلك باحثون من جامعة طوكيو، نظامًا آليًا إلى حد كبير لتحسين غلات المحاصيل، والذي يمكن أن يفيد الكثيرين وقد يساعد في تمهيد الطريق لأنظمة مستقبلية يمكنها يومًا ما حصاد المحاصيل مباشرة.
وقال البروفيسور المشارك وي جو من مختبر الفينوميات الميدانية: "الفكرة بسيطة نسبيًا، لكن التصميم والتنفيذ والتنفيذ معقد للغاية".
"إذا عرف المزارعون الوقت المثالي لحصاد حقول المحاصيل، فيمكنهم تقليل النفايات، وهو أمر مفيد لهم وللمستهلكين وللبيئة. لكن أوقات الحصاد المثالية ليست بالأمر السهل التنبؤ بها وتتطلب بشكل مثالي معرفة تفصيلية بكل نبات؛ ستكون مثل هذه البيانات باهظة التكلفة والوقت إذا تم توظيف الأشخاص لجمعها. هذا هو المكان الذي تأتي فيه الطائرات بدون طيار”.
يتمتع Guo بخلفية في كل من علوم الكمبيوتر والعلوم الزراعية، لذا فهو مناسب بشكل مثالي لإيجاد طرق يمكن أن تساعد بها الأجهزة والبرمجيات المتطورة في الزراعة. لقد أثبت هو وفريقه أن بعض الطائرات بدون طيار منخفضة التكلفة المزودة ببرامج متخصصة يمكنها تصوير وتحليل النباتات الصغيرة - البروكلي في حالة هذه الدراسة - والتنبؤ بدقة بخصائص نموها المتوقعة.
وتقوم الطائرات بدون طيار بعملية التصوير عدة مرات دون تدخل بشري، مما يعني أن النظام لا يتطلب سوى القليل من حيث تكاليف العمالة.
قال قوه: "قد يتفاجأ البعض بمعرفة أن حصاد الحقل قبل أو بعد الوقت الأمثل بيوم واحد يمكن أن يقلل الدخل المحتمل لهذا الحقل للمزارع بنسبة 3.7% إلى ما يصل إلى 20.4%".
"ولكن مع نظامنا، تحدد الطائرات بدون طيار كل نبات في الحقل وتصنفه، وتغذي بيانات التصوير الخاصة بها نموذجًا يستخدم التعلم العميق لإنتاج بيانات مرئية سهلة الفهم للمزارعين. ونظرًا للتكاليف المنخفضة نسبيًا حاليًا للطائرات بدون طيار وأجهزة الكمبيوتر، يجب أن تكون النسخة التجارية من هذا النظام في متناول العديد من المزارعين.
كان التحدي الرئيسي الذي واجهه الفريق هو تحليل الصور وجوانب التعلم العميق. يعد جمع بيانات الصورة في حد ذاته أمرًا تافهًا نسبيًا، ولكن نظرًا للطريقة التي تتحرك بها النباتات في مهب الريح وكيفية تغير الضوء مع الوقت والمواسم، تحتوي بيانات الصورة على الكثير من الاختلافات التي غالبًا ما تجد الآلات صعوبة في التعويض عنها.
لذلك، عند تدريب نظامهم، كان على الفريق استثمار قدر كبير من الوقت في تصنيف جوانب مختلفة من الصور التي قد تراها الطائرات بدون طيار، من أجل مساعدة النظام على تعلم تحديد ما يراه بشكل صحيح. وكان معدل نقل البيانات الهائل يمثل تحديًا أيضًا، إذ كانت بيانات الصور في كثير من الأحيان تصل إلى تريليونات من البيكسلات، أي أكبر بعشرات الآلاف من المرات حتى من كاميرا الهاتف الذكي المتطورة.
قال قوه: "لقد ألهمتني فكرة إيجاد المزيد من الطرق التي يمكن من خلالها للتنميط الظاهري للنبات (قياس سمات نمو النبات) الانتقال من المختبر إلى الحقل للمساعدة في حل المشكلات الرئيسية التي نواجهها".
المصدرجامعة طوكيو