تخضع زراعة القرنبيط لمعايير صارمة لمراقبة الجودة عند البيع، وهو ما يؤكد أهمية دقة توقيت الحصاد في نجاح التسويق وتقليل الفاقد، ويمكن لاستخدام بيانات السلاسل الزمنية في تنميط النبات أن يوفر رؤى حول التطور الديناميكي للقرنبيط ويتيح تنبؤات أدق بموعد جاهزية المحصول للحصاد مقارنة بالملاحظات في لحظة زمنية واحدة، غير أن جمع البيانات يوميًا أو أسبوعيًا يستهلك موارد كبيرة، ما يجعل اختيار أيام الجمع أمرًا بالغ الأهمية، وتبحث هذه الدراسة في الأيام ومراحل التطور التي تؤثر إيجابيًا في دقة النموذج بما يساعد على التخطيط المستقبلي لجمع البيانات بكفاءة أعلى
ويمثل التنميط الظاهري للنبات بالصور ركيزة متنامية في الزراعة الدقيقة، إذ تتيح أدوات التصوير المتتابعة رصد نمو المحصول وتطوره دون إتلافه، وتحويل الصور إلى بيانات كمية تغذي نماذج تنبؤ تساعد المزارع على اتخاذ قرارات دقيقة في الحصاد وغيره، غير أن وفرة البيانات المصورة تطرح تحديًا في كلفة جمعها وتخزينها ومعالجتها، ما يجعل البحث في الحد الأدنى الكافي من الملاحظات الزمنية سؤالًا علميًا وعمليًا في آن واحد
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تحديد أيام جمع البيانات ومراحل التطور التي تحسن دقة التنبؤ بجاهزية القرنبيط للحصاد، وحللت الدراسة هذه الجاهزية باستخدام السلاسل الزمنية لصور القرنبيط من مجموعة بيانات غرولي فلاور، واستخدمت نموذج تصنيف معدلًا من طراز ريزنت 18 متضمنًا ترميزًا موضعيًا لتواريخ جمع البيانات لإضافة معلومات ضمنية عن تطور النبات، وحللت مقاربة التعلم الآلي القابل للتفسير غروب شاب إسهامات النقاط الزمنية المختلفة، ثم استبعدت النقاط الزمنية ذات أدنى متوسط إسهام مطلق من السلسلة الزمنية لتحديد أثرها في دقة النموذج
واعتمدت المنهجية على إدخال الترميز الموضعي لتواريخ الجمع في نموذج التصنيف بحيث يتعلم النموذج موضع كل صورة في مسار النمو لا مظهرها فحسب، ثم استخدم ترتيب إسهامات النقاط الزمنية وفق مقاربة غروب شاب لتحديد النقاط الأقل إسهامًا واستبعادها وقياس أثر الاستبعاد في الدقة، وهي إستراتيجية تجعل اختيار أيام الجمع قرارًا مستندًا إلى دليل كمي مستمد من تفسير النموذج نفسه بدل الحدس وحده
ثانيًا: أبرز النتائج
1- حققت الدراسة باستخدام السلاسل الزمنية للصور بدلًا من النقاط الزمنية المفردة زيادة في الدقة مقدارها 4 في المئة في التنبؤ بجاهزية القرنبيط للحصاد، 2- أتاحت مقاربة غروب شاب اختيار النقاط الزمنية التي تؤثر إيجابيًا في دقة النموذج من بين جميع النقاط المتاحة، 3- أدى استخدام سبع نقاط زمنية مختارة بدلًا من النقاط الإحدى عشرة كلها إلى تحسين الدقة بنسبة إضافية مقدارها 4 في المئة، 4- بلغت الدقة الإجمالية للنموذج بعد اختيار النقاط الزمنية 89.3 في المئة، بما يدل على أن اختيار النقاط الزمنية المناسبة قد يقود إلى تقليل جهود جمع البيانات في المستقبل دون الإضرار بالأداء بل مع تحسينه
ثالثًا: دلالات الدراسة وتطبيقاتها
تقدم هذه النتائج إرشادات عملية لتخطيط حملات جمع البيانات في الزراعة الدقيقة، إذ يمكن للمزارعين والباحثين تركيز التصوير والملاحظة في الأيام ومراحل النمو الأكثر إسهامًا في دقة التنبؤ، فينخفض العبء والكلفة مع الحفاظ على جودة القرار المتعلق بتوقيت الحصاد، كما تبرز الدراسة قيمة دمج تفسيرات التعلم الآلي في فهم سلوك النماذج وتحسينها بدل الاقتصار على رفع الدقة الرقمية، وهي مقاربة قابلة للنقل إلى محاصيل أخرى تخضع لمعايير جودة صارمة عند التسويق
وتمتد فائدة هذه المقاربة إلى تخطيط البحوث الزراعية الميدانية عمومًا، إذ يمكن تطبيق منطق اختيار النقاط الزمنية على تجارب محاصيل أخرى ومهام تنبؤ مختلفة كاكتشاف الأمراض وتقدير الغلة، كما يمكن دمج النقاط المختارة في أنظمة دعم قرار تنبه المزارع إلى نافذة الحصاد المثلى، وتزداد قيمة ذلك مع انتشار منصات التصوير منخفضة الكلفة التي تجعل الرصد المتكرر ممكنًا لشريحة أوسع من المنتجين
وخلاصة القول إن السلاسل الزمنية للصور تتفوق على الملاحظات المفردة في التنبؤ بجاهزية القرنبيط للحصاد، وإن انتقاء النقاط الزمنية الأكثر إسهامًا بأدوات التفسير رفع الدقة الإجمالية إلى 89.3 في المئة مع تقليل البيانات المطلوبة، وهو ما يجمع بين الكفاءة والدقة في دعم قرارات الحصاد
