تنبؤ غلة المحاصيل: نموذج عميق متعدد العوامل يعتمد على الانتباه لمواجهة تحديات الأمن الغذائي

تعتبر توقعات غلة المحاصيل واحدة من أبرز التحديات التي تواجه الأمن الغذائي العالمي وصنع القرار السياساتي. تكمن مشكلة الأساليب التقليدية في أنها تعتمد على مصادر بيانات ثابتة لا تعكس العلاقات المعقدة والسريعة بين متغيرات البيئة على مر الزمن. في هذا السياق، تم تطوير نموذج مبتكر يُعرف باسم "نموذج التعلم العميق متعدد العوامل المعتمد على الانتباه" (Attention-Based Multi-Modal Deep Learning Framework - ABMMDLF) لزيادة دقة التنبؤ بغلة المحاصيل بشكل كبير.

يقوم هذا النموذج بجمع بيانات تصوير الأقمار الصناعية عبر عدد من السنوات، بالإضافة إلى بيانات الطقس عالية الدقة وخصائص التربة الابتدائية، مما يميزه عن الأساليب التقليدية التي تركز على استخدام عنصر واحد فقط من بين هذه العوامل. تشمل البنية الأساسية للموديل استخدام شبكات عصبية تلافيفية (Convolutional Neural Networks - CNN) لاستخراج الميزات المكانية، وآلية انتباه زمني (Temporal Attention Mechanism) والتي تعزز وزن الفترات الفينولوجية المهمة التي تتغير بمرور الوقت.

تظهر التجارب أن البحث المقترح حقق نتيجة R^2 تقدر بـ 0.89، مما يعكس تحسناً ملحوظاً مقارنة بالنماذج الأساسيّة. من خلال استخدام هذا النموذج، يمكن تحقيق دقة أعلى في توقعات غلة المحاصيل، وهو ما يسهم بصورة مباشرة في دعم الأمن الغذائي نحو مستقبل مستدام.