تعد البيانات الزراعية الدقيقة عنصراً أساسياً لتحقيق الأمن الغذائي وتخطيط استخدام الأراضي والمرونة الاقتصادية. لكن في فلسطين، تبقى عملية جمع هذه البيانات الشاملة مسألة معقدة بسبب التضاريس المتنوعة، والوصول المحدود إلى المواقع، والقيود المفروضة على الرصد من الجو.
ما هو ResAF-Net؟
في هذه الخانة، تم تقديم **ResAF-Net**، وهو إطار عمل للكشف عن الأشجار يستند إلى الأقمار الصناعية، صمم خصيصاً لمراقبة الزراعة على نطاق واسع في ظل الموارد المحدودة. يحتوي الهيكل المقترح على عدة عناصر متميزة تتضمن:
- **ResNet-50** كمشفر أساسي
- **Atrous Spatial Pyramid Pooling (ASPP)**
- مرحلة دمج الميزات
- وحدة تصفية انتباه متعددة الرؤوس
- رأس كشف بدون مقياس **FCOS**
هذه المكونات تساهم في تحسين دقة تحديد مواقع الأشجار في المناطق الكثيفة والمتنوعة.
نتائج نموذج ResAF-Net
تم تدريب النموذج على مرجع **MillionTrees**، حيث حقق **82%** استرجاع و **63.03%** متوسط الدقة (mAP) عند **0.50** و **35.47%** عند **0.50:0.95** في مجموعة التحقق، مما يشير إلى حساسية قوية تجاه وجود الأشجار مع الحفاظ على جودة تحديد المواقع.
تطبيقات عملية
علاوة على ذلك، تم تنفيذ النموذج داخل تطبيق GIS (نظام المعلومات الجغرافية) قائم على الويب، مرتبط ببيانات الأراضي الفلسطينية من **GeoMolg**، مما يمكّن من تحليل الأشجار على مستوى المشهد، القطعة، والمجتمع. هذا التطبيق لا يبرز فقط الجدوى العملية للتعداد الزراعي المدعوم بالذكاء الاصطناعي في فلسطين، بل يوفر أيضاً أساساً للمراقبة المبنية على البيانات، والتقارير، وتحليل الأنواع في المستقبل لمحاصيل الأشجار في البحر الأبيض المتوسط.
ماذا تعتقدون؟
كيف يمكن أن يسهم الذكاء الاصطناعي في تعزيز الزراعة في مناطق أخرى من العالم؟ شاركونا آراءكم!