AdjLeafGNN: إطار هجين للتعلّم العميق وشبكات الرسم البياني للنمذجة الاحتمالية لانتشار أمراض الأوراق المجاورة في الزراعة الدقيقة

لماذا يهم مراقبة الأوراق المريضة

يمكن أن تقطع أمراض النباتات التي تبدأ كبقع صغيرة على عدد قليل من الأوراق المحاصيل بهدوء وتهدد إمدادات الغذاء. يستخدم المزارعون بشكل متزايد الكاميرات والذكاء الاصطناعي لاكتشاف النباتات المصابة، لكن معظم الأدوات لا تزال تنظر إلى كل ورقة بمعزل عن الأخرى. تعرض هذه الورقة نظام AdjLeafGNN الجديد الذي لا يكتفي بالتعرّف على المرض الموجود على الورقة فحسب، بل يقدّر أيضاً مدى احتمال أن ينتشر ذلك المرض إلى الأوراق المجاورة، مما يساعد المزارعين على التحرك في وقت أبكر وبشكل أكثر دقة.

النظر إلى ما وراء ورقة واحدة

تعتمد معظم أنظمة رؤية الحاسوب الحالية للمحاصيل على نماذج صور قوية تصنّف الأمراض من صور الأوراق الفردية. تعمل هذه النماذج جيداً في الاختبارات المضبوطة، لكنها تتجاهل كيف تتصرف الأمراض فعلياً في الحقول، حيث تنتقل العدوى غالباً من ورقة إلى أخرى عن طريق اللمس أو الحشرات أو الرياح. يرى المؤلفون أنه لفهم صحة النبات بشكل صحيح، يجب على النموذج أن يلتقط مظهر كل ورقة وعلاقتها مع الأوراق المحيطة بها.

دماغ من جزأين لصحة النبات

يجمع AdjLeafGNN نوعين من الذكاء الاصطناعي. أولاً، وحدة صور عميقة تسمى LDDNet تفحص كل صورة ورقة لتتعلم كيف تبدو الأمراض المختلفة بأحجام وأشكال متعددة، بينما تساعد آلية الانتباه على التركيز على البقع والتلونات المهمة. هذا ينتج بصمة مضغوطة لكل ورقة تلتقط حالتها الصحية. هذه البصمات ليست الإجابة النهائية؛ بل تصبح لبنات لبناء صورة أوسع لكيفية تحرك المرض عبر العديد من الأوراق.

تحويل الأوراق إلى شبكة

في المرحلة الثانية، يعامل النظام كل بصمة ورقة كنقطة في شبكة. تربط الأوراق التي تبدو متشابهة ببعضها، مكونة رسمًا بيانيًا يعكس أيها قد ينقل العدوى إلى أي منها بشكل واقعي. ثم تمرر شبكة الرسم البياني العصبي المعلومات عبر هذه الروابط، مما يسمح لكل ورقة بـ"التشاور" مع جيرانها قبل اتخاذ القرار النهائي. من هذا المنظور الموسع، ينتج النموذج مخرَجين في آن واحد: نوع المرض الأكثر احتمالاً على كل ورقة واحتمال أن ينتشر المرض من أو إلى الأوراق القريبة منها.

وضع المنهج للاختبار

درّب الباحثون قيَّموا AdjLeafGNN على مجموعة PlantVillage، وهي مجموعة معروفة تضم عشرات الآلاف من صور الأوراق السليمة والمصابة لمحاصيل مثل الطماطم والبطاطا والتفاح والعنب. باستخدام إعداد تدريب محكَم بعناية، تفوق نموذجهم الهجين على عدة نماذج عميقة قوية كمرجع، بما في ذلك شبكات صور شائعة مثل ResNet وEfficientNet. حقق حوالي 99 في المئة دقة ودرجة F1 لتصنيف الأمراض كما تنبأ أيضاً باحتمال انتشار المرض بين الأوراق بدرجة موثوقية عالية، كما يظهر في درجات قوية على مقاييس مخاطر نمطية طبية.

ماذا يعني هذا للزراعة الذكية

بالنسبة لغير المتخصص، النتيجة الرئيسية هي أن AdjLeafGNN يمكنه أن يسمي مرض الورقة ويقدّر إلى أين قد ينتقل بعد ذلك، في تمريرة واحدة. قد تساعد هذه الرؤية المزدوجة المزارعين أو الروبوتات الزراعية ليس فقط في تحديد النباتات المريضة، بل أيضاً في تحديد الأوراق المجاورة ذات الخطر العالي ومعالجتها قبل أن تتطور الأعراض بالكامل. وعلى الرغم من أن النظام اختُبر أساساً على صور مضبوطة أكثر من المشاهد الحقلية الفوضوية، فإنه يقدّم مساراً نحو مراقبة المحاصيل في الوقت الحقيقي وذات الوعي المكاني التي قد تدعم استخدام مبيدات أكثر دقة وحماية أفضل للمحصول.

الاستشهاد: Surekha, B., Subha Mastan Rao, T. AdjLeafGNN: a hybrid deep learning and graph neural network framework for probabilistic modeling of adjacent leaf disease spread in precision agriculture. Sci Rep 16, 15629 (2026). https://doi.org/10.1038/s41598-026-45061-8

الكلمات المفتاحية: الكشف عن أمراض النبات, تحليل صور الأوراق, شبكة عصبية رسومية, الزراعة الدقيقة, تنبؤ انتشار المرض