UniTriRob: نموذج انحدار تعلم آلي قوي لتوقع محاصيل الخس في الزراعة العمودية الهوائية

لماذا تهم مزارع الخس الأذكى

إطعام المدن بالخضراوات الطازجة طوال العام صعب عندما تكون الأرض والمياه والطقس تحت ضغط. تزرع المزارع العمودية الهوائية الخس في أبراج داخلية عالية باستخدام رذاذ بدلًا من التربة، مما يوفر المساحة والمياه. لكن الحصول على حصاد موثوق من هذه المزارع عالية التقنية يتطلب معرفة مسبقة بكمية الخس المتوقع إنتاجها. تقدّم هذه الدراسة طريقة جديدة للتنبؤ بمحصول الخس بدقة أكبر، مما يساعد المزارعين على التخطيط بشكل أفضل مع استخدام موارد أقل.

زراعة السلطة في الهواء

في الزراعة العمودية الهوائية، تجلس نباتات الخس في أعمدة مكدسة وتتدلى جذورها في الهواء، وتُرَشّ دوريًا برذاذ غني بالمغذيات. وبما أن كل شيء من درجة الحرارة والرطوبة إلى الإضاءة ودرجة الحموضة وقوة المحلول يمكن ضبطه بدقة، يمكن للمزارعين تنمية الخس بسرعة مع استهلاك مياه أقل مقارنةً بالحقول المعتمدة على التربة. الجانب السلبي أن هذه الأنظمة المُتحكّم فيها بدقة حساسة بشكل مفاجئ. قد تشوّه الأخطاء الصغيرة في الحساسات أو التقلبات القصيرة في الظروف القياسات، مما يجعل من الصعب الاعتماد على أدوات التنبؤ البسيطة التي تفترض بيانات نظيفة ومستقرة.

لماذا الرياضيات التقليدية تقصر

تعتمد العديد من توقعات المحصول الحالية على الانحدار القياسي أو طرق تعلم آلي شائعة، والتي تعمل بشكل أفضل عندما تتصرف البيانات بانتظام. في المزارع الهوائية الحقيقية، غالبًا ما تتضمن قراءات الحساسات التي تتتبّع الحموضة، والمواد الصلبة الذائبة الكلية، والموصلية الكهربائية، والعكارة، ودرجة الحرارة، والرطوبة، والإضاءة والنمو نقاطًا شاذة وضوضاء غير متوازنة. قد يسبب انسداد فوهة أو انقطاع طفيف في التيار أو انحراف حساس قيمًا متطرفة تجذب النماذج العادية بعيدًا عن الهدف. ونتيجةً لذلك، لم تستطع النهج السابقة التعامل بالكامل مع واقع التجارب الطويلة الأمد داخل البيوت المغلقة.

نموذج ثلاثي الأجزاء مصمم لتجاهل البيانات الرديئة

صمّم الباحثون إطار انحدار جديدًا يُسمى UniTriRob يدمج ثلاث تقنيات قوية في نموذج واحد. جزء يخفّف بلطف تأثير الشوائب الصغيرة؛ جزء آخر يركّب الخطوط مرارًا ويتجاهل القيم الشاذة الواضحة؛ وجزء ثالث يعتمد على الوسيط بدلًا من المتوسط لمقاومة النقاط المتطرفة. معًا يقومون بتقليل وزن القراءات المشبوهة بدلًا من السماح لها بالهيمنة على النتيجة. درّبوا النموذج على أكثر من 50,000 سجل مؤقّت تم جمعها كل 15 دقيقة على مدار عدة دورات نمو للخس في برج هوائي، موثّقين كيف تغيّرت الظروف الأساسية عبر الزمن وكيف أثّرت تلك التغيرات على المحصول النهائي.

اختبار النموذج في مزرعة عاملة

بعد تنظيف البيانات بعناية وتصويرها بصريًا، قسم الباحثون سجلاتهم إلى مجموعات تدريب واختبار. ثم قارَنوا UniTriRob بمجموعة من البدائل الشائعة، بما في ذلك الانحدار الخطي والتربيعي، وانحدار آلات الدعم، وعدد من الطرق القوية المستخدمة منفردة. باستخدام مقاييس مثل متوسط مربع الخطأ، ومتوسط الخطأ المطلق، ونسبة الخطأ، قدّم UniTriRob تنبؤات أقرب باستمرار إلى الوزن المحصود الفعلي للخس. فسّر نحو 98 بالمئة من التباين في المحصول، وقلّل معدلات الخطأ بنحو خُمُس إلى رُبع مقارنةً بالنماذج القياسية، وفعل ذلك بزمن حوسبة معقول، مما يجعله عمليًا لأنظمة التحكم في المزارع الحقيقية.

ماذا يعني هذا لمزارع المدن المستقبلية

تتيح التوقعات الأكثر دقة للمحصول للمزارعين الداخليون ضبط الري والمغذيات والإضاءة بدلاً من الاعتماد على التخمين. في هذه الدراسة ساعد النموذج القوي على كشف العوامل الأكثر أهمية، واقتراح سبل لتقليل استهلاك الموارد، مثل خفض استهلاك الماء بنسبة تصل إلى 40 بالمئة في التجارب التجريبية. يؤكد المؤلفون أن نتائجهم تنطبق على الخس المزروع في إعداد هوائي محدد، وأن هناك حاجة لمزيد من العمل لاختبار محاصيل وأنظمة أخرى. ومع ذلك، يُظهر UniTriRob أن التعامل بعناية مع بيانات الحساسات الضجيجية يمكن أن يجعل المزارع العمودية عالية التقنية أكثر توقعًا وكفاءة وأكثر ملاءمة لتوفير الغذاء الطازج للمدن المكتظة.

الاستشهاد: Rajendiran, G., Rethnaraj, J., Zade, S. et al. UniTriRob: a robust machine learning regression model for predicting lettuce yields in aeroponic vertical farming. Sci Rep 16, 15791 (2026). https://doi.org/10.1038/s41598-026-44564-8

الكلمات المفتاحية: خس هوائي, زراعة عمودية, توقع المحصول, انحدار قوي, زراعة ذكية