طور باحثون في جامعة الصين الزراعية إطار عمل يعتمد على الذكاء الاصطناعي لتقييم نضج بذور البرسيم (Medicago sativa L.) بدقة عالية عبر مواسم زراعية مختلفة، متغلبين على مشكلة انحراف الخصائص الفسيولوجية للبذور بسبب تغير المناخ.
تحدي التقييم عبر المواسم
تنضج بذور البرسيم على نفس النبات بشكل غير متزامن، مما يؤدي إلى خلط بذور غير ناضجة وناضجة ومفرطة النضج عند الحصاد. الاختبارات التقليدية مدمرة وتستغرق وقتًا طويلًا وتعتمد على الحكم الذاتي، بينما يوفر التصوير متعدد الأطياف بديلًا غير مدمر. إلا أن نماذج التعلم العميق المدربة على بيانات سنة واحدة تفشل عند تغير الظروف المناخية والتربة والري بين السنوات.
شبكة MSANet وإطار التكيف الموجه بمسافة نقل الأرض
طور الفريق شبكة انتباه مكاني متعدد الأطياف (MSANet) التي تطبق انتباهًا طيفيًا عبر فروع عالمية ومحلية، ثم تستخرج ميزات مكانية-طيفية باستخدام شبكة عصبية ثلاثية الأبعاد (3D-CNN)، وأخيرًا تُنمذج التبعيات المكانية بعيدة المدى باستخدام معالج مكاني محول (Transformer) بثمانية رؤوس.
على بيانات سنة واحدة، حققت MSANet دقة تصنيف بلغت 93%، متفوقة على آلة المتجهات الداعمة (SVM) بنسبة 77% وResNet18 بنسبة 88%. لكن النقل المباشر إلى سنة مختلفة أسقط الدقة إلى 41-50%، مما كشف عن فجوة كبيرة في التوزيع.
تقليل تكلفة التصنيف بنسبة 90%
شخّص الإطار الموجه بمسافة نقل الأرض (EMD) فجوات التوزيع الخاصة بكل طبقة، وكيّف إحصائيات تطبيع الدفعات بشكل انتقائي (AdaBN)، وضبط النموذج بدقة باستخدام مجموعة صغيرة مصنفة من السنة المستهدفة. مع 100 عينة لكل صنف، عادت الدقة لتتجاوز 90%، مما قلل تكاليف التصنيف اليدوي بنحو 90% مقارنة بالإشراف الكامل.
ظل النموذج مستقرًا تحت اختلال توازن الأصناف وضوضاء التصنيف. أظهرت تحليلات القابلية للتفسير فصلًا تدريجيًا للأصناف وتحول انتباه خرائط التنشيط الموزونة بالتدرج (Grad-CAM) من مناطق محلية في البذور غير الناضجة إلى سطح البذرة بالكامل عند النضج. ارتبطت الإشارات الطيفية سلبًا بالكلوروفيل وإيجابيًا بالبروتين الخام، مما يدعم التعلم البيولوجي المعقول.
آفاق التطبيق في صناعة البذور
قال الباحثون إن التقدم لا يكمن في درجة عالية واحدة، بل في تشخيص سبب انهيار النماذج عبر السنوات. يمكن للباحثين استخدام مسافة نقل الأرض كمقياس توزيعي لتحديد الطبقات الأكثر تأثرًا بالتغيرات المناخية، ثم محاذاتها عبر AdaBN الموجه، وضبط حدود القرار بتصنيف قليل العينات.
يجعل هذا الإطار نمط البذور المقاوم للمناخ عمليًا لبرامج التربية واختبارات الجودة، مع التنبيه إلى الحاجة لتحقق أوسع عبر مواقع وأصناف وظروف جوية قاسية. بالنسبة لصناعة البذور، يمكن للإطار دعم توقيت حصاد أكثر اتساقًا، ودفعات بذور أكثر تجانسًا، وفحوص جودة غير مدمرة أسرع حتى عند اختلاف مواسم النمو.
نُشرت الدراسة في دورية Plant Phenomics (2026، المجلد 8، المقالة 100184) بدعم من صندوق CARS (CARS-34) ومشروع تقنية إنتاج بذور البرسيم تحت إجهاد الملوحة والجفاف (2022ZD0401105).


