في عالم يتزايد فيه الطلب على الغذاء بسبب النمو السكاني، تصبح التوقعات الدقيقة للعوائد الزراعية (Crop Yield) ضرورة ملحة لضمان الزراعة المستدامة والأمن الغذائي العالمي. ومع أن الطرق الحالية قد تركزت على التنبؤ بعوائد محصول واحد، إلا أن هذه الأساليب تواجه تحديات في القدرة على التعميم عبر الأنواع المختلفة من المحاصيل دون أن تأخذ في الاعتبار استجاباتها الفينولوجية الفريدة التي تتأثر بعوامل الطقس المعقدة.

في هذا السياق، تم تقديم PhenoYieldNet، وهو إطار عمل مبتكر لتوقعات العائد الزراعي المتعددة، يتعلم استجابة النباتات الفينولوجية (Phenological Responses) بشكل متخصص من خلال نمذجة استجابات المحاصيل بواسطة عوامل زمنية واضحة. يتكون هذا النظام من نموذج زمني واعٍ للمحاصيل، والذي يشتمل على بنوك فينولوجية للمحاصيل (Crop Phenology Bank) ووحدة انتباه فينولوجي للمحاصيل (Crop Phenology Attention).

تقوم بنك الفينولوجيا بدمج مجموعة من التعبيرات القابلة للتعلم، والتي تستخدم لتوجيه وحدة الانتباه لتتعلم الأنماط الفينولوجية الأكثر ارتباطًا بالمحصول المعين. وتعمل وحدة الانتباه على التقاط المكونات الاتجاهية ومتنوعة النطاق لبناء سياقات زمنية، مما يمكّن النموذج من تعديل انتباهه ديناميكيًا عبر مراحل الفينولوجيا المختلفة.

لضمان تعلم ميزات قوية وقابلة للتعميم لتوقعات المحاصيل المتعددة، تم تهيئة المشفر باستخدام نموذج أساسي مُدرب مسبقًا، ثم تم تكييفه عبر استراتيجية تعديل تبايني زمني ذاتي الإشراف لتتوافق مع الديناميكيات الزمنية الزراعية.

أثبتت التجارب الشاملة التي أُجريت على مجموعات بيانات متعددة المحاصيل أن هذه الطريقة تتفوق بشكل كبير على الطرق التقليدية، مما يظهر قدراتها القوية على التعميم عبر مناطق ومحاصيل مختلفة. هل تستطيع PhenoYieldNet أن تكون النقطة التحول التي تحتاجها الزراعة لتلبية احتياجات الغذاء المستقبلية؟