التقسيم الآلي للأعشاب الضارة مع وسم قائم على المعرفة لتطبيقات تعلّم الآلة

لماذا تهم مكافحة الأعشاب الضارة الأذكى

تسرق الأعشاب الضارة بصمت جزءًا كبيرًا من غذاء العالم. إنها تزدحم المحاصيل، تقلّل الغلات، وتدفع المزارعين إلى رشّ المزيد من مبيدات الأعشاب، ما يكلف مالياً ويضر بالبيئة. تُظهر هذه الدراسة كيف يمكن للطائرات بدون طيار وتحليل الصور الذكي أن تُنقّط أعشاب الحقول قَطريًا—دون أن يضطر أحد إلى وسم النباتات يدويًا بعناء. مثل هذا الأتمتة قد تسرّع تطوير أدوات الرش الدقيق، مما يقلّل استخدام المواد الكيميائية مع الحفاظ على محصول مرتفع.

من الرش الشامل إلى الاستهداف الدقيق

في أنحاء العالم، قد تفقد الحقول التي تفتقر إلى مكافحة فعالة للأعشاب الضارة ما يتراوح بين خمس الإنتاج المحتمل وحتى خسارة كبيرة جدًا منه. في أماكن مثل مقاطعات البراري في كندا، تصل تكاليف مبيدات الأعشاب بالفعل إلى مئات الملايين من الدولارات سنويًا، وتنتشر الأعشاب المقاومة للمبيدات. تهدف أدوات «الزراعة الدقيقة» الجديدة إلى الرش فقط حيث توجد الأعشاب فعليًا، بدلًا من معالجة الحقول بأكملها. ولتحقيق ذلك، تحتاج الآلات أولاً إلى خرائط أعشاب دقيقة، وتعتمد الأساليب الحديثة على نماذج تعلّم آلة تفحص كل بكسل في الصورة. والعقبة هي أن هذه النماذج تتطلب مجموعات بيانات تدريبية ضخمة وموسومة بعناية—عادةً ما ينشئها البشر برسم حدود حول الأعشاب، صورة تلو الأخرى. تسأل هذه الدراسة: هل بإمكاننا تخطي خطوة الوسم اليدوي تمامًا؟

منظور الطائرة بدون طيار للمحصول والأعشاب

عمل الباحثون في حقل تجريبي للقمح بمساحة 2000 متر مربع قرب ساسكاتون في كندا. زُرع القمح في صفوف مستقيمة، وزرعت شرائط من عدة أنواع من الأعشاب الضارة—بما في ذلك الكوشيا، الشوفان البري، الخردل البري، والنباتات الشبيهة بالجرذان—بين صفوف المحصول عمدًا. طائرة بدون طيار مجهزة بكاميرا RGB عالية الدقة حلّقت على ارتفاع 10 أمتار فوق الأرض، لالتقاط صور مفصلة لدرجة أن كل بكسل مثّل أقل من مليمتر واحد على سطح الحقل. جُمعت هذه الصور في «أورثوفوتو» واحد، وهو صورة خريطة دقيقة للحقل، أصبحت مدخلاً لسير عمل حاسوبي آلي.

تحويل اللون والشكل إلى وسوم آلية

بدلًا من تدريب نموذج تعلم عميق على آلاف الأمثلة الموسومة يدويًا، بنى الفريق خط أنابيب قائمًا على المعرفة داخل برنامج متخصص لتحليل الصور. أولًا، حسّنوا الصورة باستخدام صيغ لونية بسيطة تُبرز النباتات الخضراء مقابل التربة البنية. تم دمج مؤشرات مثل مؤشر الأخضر الزائد ومؤشر لون الغطاء النباتي لفصل الغطاء النباتي بوضوح عن الأرض العارية. بعد ذلك، بحث النظام عن ميزات طويلة ورفيعة شبيهة بالخطوط تطابق شكل واتجاه أوراق القمح وصفوفها. من خلال مسح الصورة بزوايا متعددة وتطبيق مرشحات التلافيف—نوافذ حسابية منزلقة تبرز البنى المتكررة—تمكن سير العمل من تحديد مواقع صفوف المحصول، وبالمقارنة، أماكن تواجد الأعشاب المحتملة بين أو داخل تلك الصفوف.

من البكسلات إلى خرائط الأعشاب دون رسم يدوي

بمجرد تحديد صفوف المحصول والمناطق المغطاة بالنباتات، طبق البرنامج عتبات آلية لتصنيف كل بكسل إلى واحدة من ثلاث فئات: محصول، عشب ضار، أو تربة عارية. ساهمت تقنيات تقسيم على غرار رقعة الشطرنج وحساب المسافة إلى الصف في تحسين هذه القرارات، خصوصًا في النقاط الحساسة حيث تنمو الأعشاب داخل صفوف المحصول. والأهم أن كل هذه الخطوات تعمل وفق مجموعة ثابتة من القواعد—مستندة إلى معرفة زراعية حول مظهر القمح والأعشاب وأماكن نموها—دون استخدام عينات تدريب موسومة يدويًا. تمت معالجة الصورة في قطع صغيرة لكفاءة أعلى، ثم أعيدت تجميعها في خريطة مصنفة بالكامل للحقل بأكمله.

ما مدى دقة الخرائط الخالية من التدريب؟

لاختبار الطريقة، قارن الفريق خريطتهم الآلية مع آلاف نقاط التفتيش العشوائية في صور الحقل، ومع تقديرات بشرية لتغطية الأعشاب وعددها. بشكل عام، وسَّم سير العمل 87% من النقاط بشكل صحيح، وكان مقياس الاتفاق الإحصائي المعروف باسم كابا 0.81، وهو مستوى يُعتبر قويًا. بلغت دقة المستخدم لاكتشاف الأعشاب 76%، مع وقوع معظم الأخطاء حيث تداخلت مظلات المحصول الكثيفة مع مظلات الأعشاب. ومع ذلك، تابعت تغطية وعدّ الأعشاب الآلية عن كثب تقييمات الحقل البشرية والتقديرات البصرية، بعلاقات قوية بما يكفي لمنح الثقة بأن النظام يلتقط أنماطًا بيولوجية حقيقية، وليس مجرد ضوضاء في الصورة.

ماذا يعني هذا للمزارع المستقبلية

تُظهر هذه الدراسة أن خرائط أعشاب عالية الجودة يمكن إنتاجها من صور الطائرات بدون طيار باستخدام قواعد خبراء بدلًا من مجموعات تدريب موسومة يدويًا. على حاسوب مكتبي قياسي، تمت معالجة الحقل الذي تبلغ مساحته 2000 متر مربع بالكامل في حوالي 20 دقيقة. يمكن أن تدعم الخرائط الموصوفة الناتجة مهامًا مثل تقييم فعالية مبيدات الأعشاب، توجيه أجهزة الرش بمعدلات متغيرة، أو تزويد نماذج تعلّم الآلة والتعلّم العميق الأكثر تقدمًا ببيانات تدريب جاهزة. للمزارعين والباحثين على حد سواء، يوفر هذا الوسم الآلي مسارًا نحو إدارة أعشاب أسرع وأرخص وأكثر استدامة، يقرب الزراعة الدقيقة من التطبيق اليومي.

الاستشهاد: Ha, T., Aldridge, K., Johnson, E. et al. Automated weed segmentation with knowledge based labeling for machine learning applications. Sci Rep 16, 6220 (2026). https://doi.org/10.1038/s41598-026-37475-1

الكلمات المفتاحية: الزراعة الدقيقة, خرائط الأعشاب الضارة, صور الطائرات بدون طيار, الوسم الآلي, مراقبة المحاصيل