مؤخراً، تم إجراء دراسة مثيرة للكشف عن كيفية تحسين دقة تقسيم أوراق الأشجار في النقاط السحابية (Point Clouds) باستخدام تقنيات التعلم الذاتي. يُعتبر تقسيم السيقان والأوراق من التحديات الكبيرة في علم الغابات، حيث تختلف الدقة حسب نوع الغابة والموقع. تكمن أهمية هذه الدراسة في اختبار فعالية نموذج Point-M2AE، وهو من الأنظمة الشائعة في التعلم الذاتي.

في هذا البحث، تم إعداد النموذج باستخدام مجموعة بيانات ShapeNet-55، والذي تم تحسينه ليشمل 2400 شكل لأشجار فردية. ومن خلال توظيف أسلوب تقسيم الفوكسي (Voxel Subdivision) التكراري، استطاع النموذج العمل بكفاءة في مستويات مختلفة دون الحاجة لتغيير البنية الهيكلية. ولقد أثبتت النتائج زيادة كبيرة في دقة تقسيم السيقان: تحسن مؤشر التقاطع (IoU) للخشب من 60.5% إلى 70.0% للأشجار الصنوبرية، ومن 69.7% إلى 76.3% للأشجار العريضة الأوراق.

علاوة على ذلك، أظهرت الدراسة أن النموذج المحسن حقق أقل تباين عبر المواقع المختلفة وأعلى أداء بشكل عام في مقارنة مع عدة طرق أخرى مثل LeWos وCWLS وPointTransformer.

في الاختبار الختامي للبيئات الاستوائية حيث تؤدي الكثافة العالية للأشجار إلى صعوبة عملية التقسيم، تم استخدام النموذج لتقدير حجم الخشب لـ 28 شجرة من غيانا وإندونيسيا وبيرو. أظهرت النتائج أن تقديرات الحجم المتحققة كانت الأقل خطأً بين جميع الطرق المختبرة، حيث سجلت 2.40 م³ مقارنة بأساليب أخرى مثل LeWos وCWLS.

تمثل هذه الدراسات خطوة مهمة نحو تحسين أداء وموثوقية نماذج الذكاء الاصطناعي في البيئة الطبيعية، مما قد يساهم في تعزيز الجهود البيئية والحفاظ على الغابات. ما رأيكم في قوة التعلم الذاتي لتحسين التطبيقات الزراعية؟ شاركونا آرائكم في التعليقات!