تعتبر القدرة على توقع حرارة حبات العنب (Tb) بدقة أمرًا بالغ الأهمية لإدارة الإجهاد الحراري في مزارع الكروم بشكل فعال. في دراسة حديثة، تم تطوير نموذج يعتمد على آلية الانتباه المتقدم (Feed-Forward Attention Mechanism) متكاملاً مع شبكة الذاكرة الطويلة والقصيرة الأمد (Long Short-Term Memory) تسمى FAM-LSTM، لتقديم توقعات متعددة الخطوات وعالية الدقة لحرارة حبات العنب.

تدربت النماذج باستخدام بيانات بيئية من عامي 2023 و2024 في منطقة بروسر بولاية واشنطن الأمريكية، وتم التحقق منها باستخدام بيانات صيف 2025. وقد تم تقييم أداء FAM-LSTM من خلال مقارنته مع نماذج أخرى مثل LSTM وGRU وRNN وRandom Forest (RF) عبر فترات زمنية تتراوح من 15 دقيقة إلى 72 ساعة (288 خطوة زمنية).

تم تقييم سيناريوهين للإدخال: مراقبة بيانات محطة الطقس القريبة المفتوحة وقياسات المناخات الدقيقة داخل المزرعة. النتائج أظهرت أن FAM-LSTM تفوقت باستمرار على جميع النماذج المرجعية عبر جميع الأفقين وسيناريوهات الإدخال. وأدى دمج بيانات المناخ الدقيقة داخل المزرعة إلى تحسين دقة التوقعات بشكل ملحوظ عند الفترات الزمنية الأطول.

استخدام بيانات الطقس المفتوحة أظهر أن FAM-LSTM حققت معدلات خطأ مطلق (MAE) ومعدلات جذر متوسط مربع الخطأ (RMSE) تتراوح من 0.58 إلى 1.70 درجة مئوية ومن 0.65 إلى 2.07 درجة مئوية على التوالي. بينما التحسين من خلال الملاحظات داخل المزرعة أدى إلى الحصول على MAE وRMSE في نطاقات من 0.51 إلى 1.55 درجة مئوية و0.71 إلى 1.87 درجة مئوية.

أظهرت تحليلات الخطأ أن عدم اليقين في التوقعات كان أعلى خلال فترات الذروة النهارية (11:00 إلى 18:00) وزاد بشكل تدريجي مع زيادة أفق التوقع. في المجمل، يوفر إطار FAM-LSTM توقعات قوية لحرارة حبات العنب لدعم إدارة دقيقة للإجهاد الحراري في مزارع الكروم.

ما رأيكم في هذا التقدم العلمي؟ شاركونا أفكاركم في التعليقات!