أظهرت دراسة جديدة إطارًا جديدًا للتعلم الصفرية (Zero-Shot Learning) يُستخدم في تحليل صفات القصب الذري، مما يتيح استخلاص الخصائص الهندسية الدقيقة وتقدير إنتاجية المحصول في البيئات المختبرية والحقول دون الحاجة إلى إعادة تدريب النموذج. يُعد هذا التقدم خطوة مهمة في مجال الزراعة الذكية، حيث يُمكن تطبيقه على نطاق واسع دون الاعتماد على كميات كبيرة من البيانات المصنفة مسبقًا، وهو ما يُعد تحديًا كبيرًا في تطوير أنظمة رؤية حاسوبية لتحليل المحاصيل. يتمحور الإطار حول قدرة النموذج على التعرف على خصائص القصب الذري — مثل الطول، القطر، كثافة الحبوب، ونسبة التغطية — من صور مأخوذة في ظروف متنوعة، سواء في المختبر أو في الحقول المفتوحة. بفضل مفهوم التعلم الصفرية، يمكن للنظام تعميم معرفته من فئات مُدرَّبة مسبقًا إلى فئات جديدة لم يُرََّبَّت عليها من قبل، ما يقلل من الاعتماد على جمع وتصنيف بيانات ضخمة لكل نوع جديد من المحاصيل أو ظروف نمو مختلفة. أحد أبرز مزايا هذا النموذج هو قدرته على العمل بكفاءة في ظل تغيرات بيئية كبيرة، مثل تباين الإضاءة، وتنوع الخلفيات، وتغير زوايا التصوير، دون فقدان الدقة. كما أن النموذج لا يتطلب تدريبًا إضافيًا عند تطبيقه على أصناف جديدة من الذرة أو في بيئات زراعية مختلفة، مما يُقلل من الوقت والتكلفة المرتبطة بتطوير أنظمة رؤية حاسوبية مخصصة لكل حالة. تم اختبار الإطار على بيانات حقيقية جمعت من مزارع ومحطات بحثية، وبيّنت النتائج تفوقه على النماذج التقليدية في دقة استخلاص الخصائص، خاصة في ظل نقص البيانات المصنفة. كما أظهر القدرة على تقدير إنتاجية القصب الذري بدقة معقولة، ما يفتح آفاقًا واعدة لاستخدامه في تحسين برامج تحسين الأصناف واتخاذ قرارات زراعية مستندة إلى بيانات دقيقة وسريعة. يُعد هذا الإنجاز خطوة متقدمة نحو الزراعة المستدامة والذكية، حيث يُمكن للباحثين والمزارعين على حد سواء الاستفادة من أدوات تحليل تلقائي ودقيق للخصائص النباتية دون الحاجة إلى خبرة تقنية متقدمة أو موارد كبيرة. ويُتوقع أن يُسهم هذا الإطار في تسريع عملية تطوير أصناف ذرة عالية الإنتاجية ومقاومة للظروف البيئية القاسية، ما يُعزز الأمن الغذائي في ظل التحديات الناتجة عن التغير المناخي.