خوارزميات الذكاء الاصطناعي تساعد في دعم زراعة الأشجار وزرعها وتحديد مواقعها حول العالم

حصلت شركة استارتآب تكنولوجية زراعية على SeeTree مؤخرًا على 3 ملايين دولار في التمويل من Orbia Ventures، مما ساعد الشركة على إنجاز مهمتها في تحويل الأشجار المزروعة إلى بيانات رقمية. وتمثل الشركة جزءًا من اتجاه متزايد لاستخدام خوارزميات الذكاء الاصطناعي لدعم نمو الأشجار حول العالم.

تعد بعض أكبر وأكثر أقسام الزراعة المستدامة من الأشجار محصولًا للغابات. على سبيل المثال، يمكن أن تنتج أشجار البكان урожها لما يقرب من 150 عام، في حين يمكن أن تنتج بستان التفاح محصولًا لمدة تصل إلى 50 عام. ومع ذلك، تتأثر هذه العائدات بتقلبات في هطول الأمطار وتآكل التربة ودرجة الحرارة والبيئة بشكل عام. عندما تواجه الأشجار ضغطًا كبيرًا، تموت.

为了確保 صحة الأشجار، يحتاج مزارعو الأشجار إلى مراقبة صحة كل شجرة على حدة وتوقع كيف قد تستجيب للتغيرات في البيئة. يمكن أن يكون مراقبة صحة الأشجار من خلال المسح البسيط أمرًا صعبًا للغاية، لأن المزارعين يجب أن يأخذوا في الاعتبار العديد من المتغيرات مثل الأمراض وتغير المناخ، التي يمكن أن تكون أثرها متأخرًا وصعبًا في Quantify. للاستجابة لهذه التحديات، يلجأ مزارعو الأشجار إلى حلول تكنولوجية تمكنهم من تحليل صحة الأشجار وتنظيم الإنتاج، مما يتيح حلولًا أقل في مجال العمالة وأكثر فعالية من حيث التكلفة.

كما ذكر Forbes، تستخدم SeeTree خوارزميات الذكاء الاصطناعي المدعومة بالطائرات بدون طيار وأجهزة الاستشعار الأرضية وعلوم البيانات والأخصائيين الزراعيين لإنشاء صورة أكثر اكتمالًا لصحة الشجرة. توفر الشركة حاليًا خدمات تحويل البيانات ومراقبتها للمزارعين الذين يزرعون أشجار الحمضيات والبندق واللوز والافوكادو والزيتون. تهدف الشركة إلى توسيع خدماتها لتشمل مزارعي أشجار الفستق والنخيل والكافور.

كما أشار مؤسس شركة SeeTree، إسرائيل تالباز، إلى أن البيانات التي جمعتها وأعدت معالجتها أدوات العلوم ونمذجة الذكاء الاصطناعي أدت إلى انخفاض كبير في عدد الأشجار التي لا تؤدي جيدًا، حيث انخفضت بنسبة تتراوح بين 50 و85 في المائة. ستصبح القدرة على تحديد الأشجار التي تعاني من ضغط وتحتاج إلى دعم، مثل الري، أكثر أهمية في السنوات القادمة بسبب آثار تغير المناخ. كما أوضح تالباز من خلال Forbes:

“يتسبب تغير المناخ في الإضرار بالأشجار من عدة جوانب؛ حيث يتطلب الطقس الحار والأكثر تطرفًا بروتوكولات ري مختلفة وبنية تحتية أعلى مستويات التكيف لكل بستان ومزرعة. بالإضافة إلى ذلك، نرى مناطق كانت تقليدية غير محسنة تعاني من مستويات أعلى من الإجهاد لأن الأشجار لا تستطيع التكيف بدون مساعدة الري المحدد.”

تعد الخوارزميات التي طورتها SeeTree مثالًا على كيفية استخدام الذكاء الاصطناعي لإدارة زراعة الأشجار وتركيبها حول العالم. كما طورت وكالة ناسا وجوجل مؤخرًا نماذج الذكاء الاصطناعي التي تهدف إلى量ification تغطية الأشجار حول العالم بناءً على الصور الجوية.

أطلقت جوجل مبادرة تسمى Tree Canopy Lab. يُقصد من هذه المنصة استخدامها من قبل مخططي المدن لمعرفة المناطق التي تحتاج إلى مزيد من تغطية الأشجار. لا تملك العديد من المدن الميزانية اللازمة لتحديد Sites التي تحتاج إلى أشجار بشكل دقيق، ولكن Tree Canopy Lab تهدف إلى تمكين مخططي المدن من استخدام متغيرات مثل كثافة السكان والتغطية الحالية للأشجار ومخاطر الحرارة الشديدة لاتخاذ قرارات أفضل حول أماكن زراعة الأشجار.

تستخدم Tree Canopy Lab تقنيات الرؤية الحاسوبية وخوارزميات الذكاء الاصطناعي التي تم تدريبها على صور جوية للأشجار لإنشاء خرائط تعرض كثافة تغطية الأشجار. تتيح المنصة للمستخدمين تحديد الكتلة السكنية التي يمكن زراعة عدد كبير من الأشجار فيها، بالإضافة إلى تحديد الأرصفة التي قد تكون معرضة لدرجات حرارة عالية للغاية بسبب قلة الظل. تتوفر Tree Canopy Lab حاليًا للاستخدام في لوس أنجلوس، ووفقًا لجوجل، وجدت الأداة أن أكثر من نصف سكان لوس أنجلوس يعيشون في مناطق تقل تغطية الأشجار فيها عن 10٪، ويعيش حوالي 44٪ من السكان في مناطق تتعرض لخطر حرارة شديد.

تخطط جوجل لجلب الأداة إلى مئات المدن الأخرى خلال العام المقبل.

تستخدم ناسا حاليًا صورًا جوية عالية الدقة والذكاء الاصطناعي لإنشاء خرائط دقيقة للأشجار على الأرض، مما يفتح طريقة جديدة لتحديد مواقع الأشجار تمت إضافتها بنجاح إلى ملايين الأشجار غير المحددة سابقًا في البيئات الجافة وشبه الجافة حول العالم.

استخدم باحثون من مركز ناسا لرحلات الفضاء جودارد في ماريلاند خوارزميات التعلم الآلي والصور الجوية عالية الدقة لإنشاء خوارزميات قادرة على رسم قطر التاج للشجرة. تم استخدام الخوارزمية لتحديد أكثر من 1.8 مليار شجرة تغطي مساحة تبلغ 1,300,000 كيلومتر مربع / 500,000 ميل مربع. استخدمت الخوارزمية التي استخدمها فريق البحث شبكات عصبونية متداخلة تعمل على Blue Waters في جامعة إلينوي، واحدة من أسرع الحواسيب في البلاد.

وفقًا لمارتن براندت، المؤلف الرئيسي للدراسة وأستاذ مساعد في جامعة كوبنهاغن، استغرق عملية وضع علامات على بيانات التدريب أكثر من عام. على الرغم من الجهد المبذول في وضع علامات على بيانات التدريب، كانت هذه العملية أسرع بكثير من استخدام الطرق التقليدية لتحديد المواقع. بعد وضع علامات على البيانات، استغرق البحث بضعة أسابيع فقط لإكماله، مقارنة بالسنوات التي قد تستغرقها عملية تحديد مواقع الأشجار باستخدام الطرق التحليلية التقليدية.

يحتاج الباحثون البيئيون والمناصرين للحفاظ على البيئة والمشرعون إلى الحصول على أعداد دقيقة للأشجار داخل المناطق التي يهتمون بها. ستكون البيانات التي توفرها نموذج ناسا مفيدة في تحديد كيفية تأثير تغير المناخ على الأشجار والمناطق الغابوية على مدار السنوات. بالإضافة إلى ذلك، ستوفر تحديد كيفية تباين كثافة وحجم الأشجار وفقًا للتغيرات في هطول الأمطار المتوسط بيانات مهمة على أرض الواقع للجهود الحافظة.