تواجه مستعمرات النحل تحديات كبيرة بسبب فقدانها، وهو ما يؤثر بشكل مباشر على خدمات التلقيح العالمية. وتعتبر أنظمة المراقبة الحالية غير كافية، حيث تعالج كل خلية كنقطة معزولة، مما يزيد عدم القدرة على تحديد مسارات انتشار الأمراض عبر المناحل.

ولهذا السبب، تم تقديم شبكة STAG-CN (Spatio-Temporal Apiary Graph Convolutional Network) كحل مبتكر. يعتمد هذا النموذج على شبكة عصبية من نوع الجراف (Graph Neural Network) تُحلل العلاقات بين الخلايا لتوقع حدوث الأمراض. تعمل STAG-CN على نموذج مزدوج من الجراف يجمع بين العلاقة الفيزيائية بين الخلايا والعوامل المناخية، مما يمكن النظام من معالجة بيانات مستشعرات إنترنت الأشياء (IoT) بشكل فعّال.

هذا النموذج الجديد يستخدم بنية معمارية فريدة تُعرف بالسندويتش الزمني-المكاني ويستفيد من تقنيات المعالجات ذات الفلاتر المتسعة (Causal Dilated Convolutions) وتحويلات الجراف الطيفية (Chebyshev Spectral Graph Convolutions). في دراسات تقييمية أجريت على مجموعة بيانات المناحل في كوريا، حققت STAG-CN نتيجة F1 قدرها 0.607 في فترة توقع تمتد لثلاثة أيام.

أحد الدراسات التحليلية كشفت أن مصفوفة العلاقة المناخية وحدها تتطابق مع أداء النموذج الكامل، مما يدل على أن أنماط الاستجابة البيئية المشتركة تحمل إشارات تنبؤية أقوى من القرب المكاني. هذه النتائج تفتح آفاقًا جديدة لمراقبة الأمن البيولوجي باستخدام تقنيات الجراف في مجال تربية النحل الدقيقة، مما يظهر أن الترابط بين بيانات استشعار الخلايا يحمل معلومات ذات صلة بالأمراض.

إذا كنت مهتمًا بتطورات استخدام الذكاء الاصطناعي في الزراعة، فلا تتردد في مشاركة آرائك وأفكارك حول هذا التطور.