تشكل رؤوس الأشجار هدفاً معقداً لتطبيقات الذكاء الاصطناعي، فهي ليست كائنات ثابتة، بل تتغير استجابتها الطيفية وملمسها الداخلي وحدودها الظاهرة بشكل معتبر خلال موسم النمو. في هذه السياق، تم تطوير نموذج PhenoEmbed كوسيلة مدعومة بالذكاء الاصطناعي لتحليل وتحسين الفهم البيئي.

يُعتبر PhenoEmbed نموذجًا ذاتيًا مدعومًا بالتعلم، يركز على الظواهر الظرفية لرؤوس الأشجار. تم تدريب النموذج باستخدام أهداف للتعلم التبايني وإعادة بناء مقنعة على مجموعة بيانات HeideBench، والتي تحتوي على 18 تاريخًا لمشاهد جوية متعددة الطيف لرصد الظواهر البيئية في غابة Dölauer Heide.

يقوم النموذج بمعالجة الديناميات الموسمية لرؤوس الأشجار كفروقات في المظهر الظاهري يتم تحفيزها بواسطة إدخال الأوراق، إغلاق السقف، التدهور، وظروف الأوراق المتساقطة. تسهم الأشكال المنقسمة لرؤوس الأشجار كدعامات قياسية لاستخراج مجموعة بيانات متوافقة لعناصر محورية عبر الزمن، مما يسمح بتعلم متجه مكون من 256 بُعدًا يُلخص المظهر الموسمي لكل شجرة.

أظهرت نتائج التجارب على 5,885 رأس شجرة بأمان أن المتجهات المستخرجة تعكس تنظيمًا منخفض الأبعاد منظمًا، حيث تفسر أول مكونين رئيسيين 25.1% من الفروقات، في حين أن الاسترجاع العكسي لأقرب الجيران أنتج تشابهًا متوسطًا من 0.946. بالمقارنة مع الميزات الزمنية المجهزة يدويًا وبيانات المتوسطة المتعلمة، يظهر PhenoEmbed هيكلًا أكثر تماسكًا.

تشير النتائج إلى أن نموذج PhenoEmbed يمكن أن يكون متعلماً قابلاً لإعادة الاستخدام لتمثيل رؤوس الأشجار، مما يشجع على إجراء اختبارات مستقبلية للميزات التي قد تحسن من النماذج على مستوى الأشجار مع تغير المواسم.