التصنيف: الاستشعار عن بعد

لقد أحدثت تقنية الاستشعار عن بعد تغييراً جذرياً في كيفية قياسنا ومراقبتنا وإدارتنا للكتلة الحيوية على سطح كوكبنا. لم تعد الكتلة الحيوية الأرضية المحسوبة باستخدام الاستشعار عن بعد مجرد فضول بحثي يقتصر على مختبرات الجامعات، بل أصبحت الآن أداة تشغيلية بالغة الأهمية تستخدمها الحكومات وهيئات الغابات وعلماء المحاصيل وباحثو المناخ في جميع أنحاء العالم.

بلغت قيمة سوق الاستشعار عن بعد في الزراعة وحدها 1000 دولار. $3.8 مليار في عام 2025 ومن المتوقع أن ينمو إلى $9.6 مليار بحلول عام 2034 في معدل نمو سنوي مركب قدره 10.91 تريليون روبية هندية, وفقًا لتقرير صادر عن شركة داتا إنتيلو عام 2026، فإن جزءًا كبيرًا من هذا النمو مدفوع بالطلب على بيانات موثوقة عن الكتلة الحيوية لدعم حسابات الكربون والزراعة الدقيقة والرصد البيئي.

ما هي الكتلة الحيوية الأرضية؟

تُقاس الكتلة الحيوية الأرضية (إجمالي الكتلة الجافة لجميع المواد العضوية في منطقة محددة) بوحدات مترية مثل طن لكل هكتار (طن/هكتار) أو ميغاغرام لكل هكتار (مغ/هكتار), ، حيث يساوي 1 ميغاغرام طنًا متريًا واحدًا. وهو يمثل الناتج المتراكم لعملية التمثيل الضوئي - الكربون الذي التقطته النباتات والأشجار والكائنات الحية الأخرى من الغلاف الجوي وثبتته في مادة فيزيائية.

يُعد أحد أقوى المؤشرات على صحة النظام البيئي وتخزين الكربون وإنتاجية المحاصيل، ومع ذلك فإن أساليب القياس الأرضية التقليدية كانت لفترة طويلة بطيئة ومكلفة ومحدودة مكانيًا بحيث لا تلبي احتياجات إدارة الأراضي الحديثة.

الكتلة الحيوية فوق سطح الأرض (AGB) والكتلة الحيوية تحت سطح الأرض (BGB)

يقسم العلماء الكتلة الحيوية إلى فئتين رئيسيتين. تشمل الكتلة الحيوية فوق سطح الأرض (AGB) كل ما ينمو فوق سطح التربة - السيقان، والجذوع، والأغصان، والأوراق، والخشب الميت القائم. أما الكتلة الحيوية تحت سطح الأرض (BGB) فتشمل أنظمة الجذور والمواد العضوية الأخرى الموجودة تحت سطح الأرض. في معظم النظم البيئية الحرجية، تشكل الكتلة الحيوية تحت سطح الأرض ما يقارب 20-30% من إجمالي الكتلة الحيوية, ولا يزال قياسه أكثر صعوبة بكثير من تقدير الكتلة الحيوية فوق سطح الأرض.

تُصنّف الكتلة الحيوية أيضاً إلى كتلة حيوية حية (مواد نباتية نشطة النمو والتمثيل الغذائي) وكتلة حيوية ميتة (أخشاب ميتة قائمة أو متساقطة، ونفايات جافة). يخزن كلا النوعين الكربون ويساهمان في إجمالي مخزون الكربون في البيئة، لكنهما يستجيبان بشكل مختلف للحرائق والأمراض والتدخلات الإدارية.

تحتل الكتلة الحيوية مكانةً فريدةً وهامةً كمؤشر بيئي. فارتفاع قيمها يدل على وجود أنظمة بيئية منتجة وصحية ذات قدرة عالية على عزل الكربون. أما انخفاضها فيشير إلى إزالة الغابات، أو الإجهاد الناتج عن الجفاف، أو تدهور التربة، أو الإفراط في الحصاد. وبالنسبة لمزارعي المحاصيل، ترتبط الكتلة الحيوية فوق سطح الأرض ارتباطًا مباشرًا بإمكانية إنتاجية الحبوب، مما يجعلها من أكثر المقاييس العملية في الزراعة الدقيقة.

لماذا يتم حساب الكتلة الحيوية للأراضي باستخدام الاستشعار عن بعد؟

يعتمد التقدير التقليدي للكتلة الحيوية على القياسات الميدانية: حيث يقوم الباحثون بحصاد عينات من قطع أرضية محددة، وتجفيف المواد النباتية في أفران، ثم وزنها لتحديد الكتلة الجافة لكل وحدة مساحة. هذه العملية المدمرة والمستهلكة للوقت والجهد فعالة على مستوى القطعة الأرضية، لكنها تصبح غير عملية تمامًا عند الحاجة إلى بيانات الكتلة الحيوية لغابة وطنية، أو حوض نهر، أو منطقة زراعية قارية. أهم القيود التي تعتري المسوحات الميدانية الأرضية

1. التغطية المكانية محدودة للغاية. يستطيع فريق ميداني قياس الكتلة الحيوية بشكل واقعي عبر بضع عشرات من قطع الأرض في الموسم الواحد. بينما يغطي القمر الصناعي ملايين الهكتارات في مرور واحد، مما يجعل المراقبة على نطاق واسع مستحيلة بدون الاستشعار عن بعد.

2. المسوحات الميدانية مكلفة وبطيئة. إن نشر الأفراد المدربين في الغابات النائية أو عبر المناظر الطبيعية الزراعية الشاسعة يتطلب ميزانيات كبيرة وتنسيقًا لوجستيًا ووقتًا طويلًا - وكلها أمور لا تتناسب بشكل جيد مع نمو مناطق المسح.

3. يؤدي أخذ العينات المدمرة إلى الإضرار بالنظام البيئي. إن حصاد قطع الأراضي لوزن الكتلة الحيوية يدمر الغطاء النباتي الذي تتم دراسته، وهو أمر لا يتوافق مع برامج الرصد طويلة الأجل التي تحتاج إلى قياسات متكررة في نفس الموقع.

4. التردد الزمني منخفض للغاية. عادةً ما تقوم الفرق الميدانية بمسح الموقع مرة واحدة في السنة على أفضل تقدير. أما الأقمار الصناعية فيمكنها إعادة زيارة الموقع نفسه كل بضعة أيام، مما يتيح المراقبة المستمرة للتغيرات الموسمية في الكتلة الحيوية والاستجابة السريعة لأحداث مثل الحرائق أو الجفاف.

تعالج تقنية الاستشعار عن بعد جميع هذه القيود دفعة واحدة. تغطي صورة واحدة من القمر الصناعي Sentinel-2 مساحة واسعة. 290 كيلومتر مربع لكل مشهد في دقة مكانية تبلغ 10 أمتار, توفير بيانات نباتية شاملة وقابلة للتكرار دون أي تكلفة إضافية لكل هكتار إضافي. وتتعدد التطبيقات التي تعتمد على بيانات دقيقة عن الكتلة الحيوية للأراضي.

• محاسبة الكربون وبرنامج REDD+: تتطلب أطر المناخ الدولية تقديرات موثقة لمخزون الكربون في الغابات. وتوفر خرائط الكتلة الحيوية المستندة إلى الاستشعار عن بعد التغطية المكانية وتواتر التحديث الذي لا تستطيع قوائم جرد الغابات الوطنية وحدها توفيره.
• المراقبة الزراعية: تتنبأ الكتلة الحيوية للمحاصيل في مراحل النمو المختلفة بالمحصول النهائي، وتساعد في تحديد جدول الري، وتنبئ بالإجهاد المبكر قبل أن يصبح خسارة في الإنتاجية.
• إدارة الغابات: يعتمد حجم الأخشاب، وحمل الوقود لخطر حرائق الغابات، وتقييم التنوع البيولوجي، جميعها على تقديرات موثوقة للكتلة الحيوية عبر مساحات الغابات الكبيرة.
• الإدارة البيئية: تستخدم عمليات رصد تدهور الأراضي، وتقييم الأراضي الرطبة، والكشف عن الأنواع الغازية، تغير الكتلة الحيوية كإشارة أساسية.

كيفية قياس الكتلة الحيوية للأراضي باستخدام الاستشعار عن بعد: المبادئ الفيزيائية

يجمع كل نظام استشعار عن بعد - سواء كان قمرًا صناعيًا بصريًا أو رادارًا أو ليزرًا - معلومات عن الغطاء النباتي من خلال قياس كيفية تفاعل الطاقة الكهرومغناطيسية مع المواد النباتية. ويُعد فهم هذا التفاعل مفتاحًا لفهم سبب قدرة الاستشعار عن بعد على تقدير الكتلة الحيوية.

تختلف النباتات في طريقة عكسها وامتصاصها ونقلها للإشعاع الكهرومغناطيسي تبعًا لتركيبها الكيميائي الداخلي، ومحتواها المائي، وبنية أوراقها، وهيكلها النباتي. يمتص الكلوروفيل (الصبغة الخضراء المسؤولة عن عملية التمثيل الضوئي) بقوة الأطوال الموجية الحمراء والزرقاء، بينما يعكس الطاقة الخضراء والأشعة تحت الحمراء القريبة.

لذا، تُظهر النباتات الصحية والكثيفة نمطًا طيفيًا مميزًا: انعكاس منخفض للضوء الأحمر، وانعكاس عالٍ للأشعة تحت الحمراء القريبة. هذا النمط - الذي يُسمى البصمة الطيفية - قابل للقياس من الفضاء، وتتناسب شدته مع كمية المواد النباتية في وحدة المساحة.

من الإشارات الطيفية إلى قيم الكتلة الحيوية

تلتقط أجهزة الاستشعار البصمة الطيفية وتحسب مؤشرات الغطاء النباتي (نسب رياضية تحدد مدى وضوح إشارة الغطاء النباتي في صورة معينة). ثم تُربط هذه المؤشرات بالكتلة الحيوية من خلال نماذج إحصائية أو نماذج تعلم آلي تُعاير باستخدام قياسات الكتلة الحيوية الميدانية. والنتيجة هي خريطة كتلة حيوية متصلة مكانيًا، حيث يحصل كل بكسل في الصورة على قيمة متوقعة للكتلة الحيوية.

تتبع عملية معالجة البيانات تسلسلاً واضحاً. تصل بيانات الأقمار الصناعية الخام مصحوبة بتشوهات هندسية وتداخلات جوية. تُصحح هذه الأخطاء من خلال المعالجة المسبقة. تُحسب مؤشرات الغطاء النباتي من الصور المصححة. تُستخدم عينات الكتلة الحيوية المقاسة ميدانياً كبيانات مرجعية لمعايرة النموذج. ثم يُطبق النموذج المُدقَّق على كامل نطاق الصورة لإنتاج خريطة الكتلة الحيوية النهائية.

تحمل إشارات فيزيائية إضافية، تتجاوز الانعكاس الطيفي، معلومات عن الكتلة الحيوية. يُعد ارتفاع الغطاء النباتي - أي طول النباتات - مؤشرًا قويًا على الكتلة الحيوية فوق سطح الأرض. وتحدد كثافة النباتات (عدد السيقان في الهكتار الواحد) كمية الضوء التي يتم امتصاصها. وتعكس خشونة السطح (التي يرصدها الرادار) مدى تعقيد بنية الغطاء النباتي. غالبًا ما توفر أجهزة الاستشعار التي تقيس هذه الخصائص البنيوية، بدلًا من الانعكاس فقط، دقة أعلى في تقدير الكتلة الحيوية.

أنواع الاستشعار عن بعد المستخدمة في تقدير الكتلة الحيوية

لا يوجد مستشعر واحد يهيمن على تقدير الكتلة الحيوية عبر جميع النظم البيئية وعلى جميع المستويات. يجمع العلماء والممارسون بين أنواع متعددة من المستشعرات بناءً على الغطاء النباتي المستهدف، والميزانية، والدقة المطلوبة، والتغطية الجغرافية.

إن أكثر خرائط الكتلة الحيوية دقة اليوم لا تُبنى من جهاز استشعار واحد، بل من خلال دمج ذكي للبيانات البصرية والرادارية وبيانات LiDAR - حيث يملأ كل منها النقاط العمياء للآخر.

1. صور الأقمار الصناعية البصرية: متعددة الأطياف وفائقة الأطياف

تلتقط المستشعرات البصرية ضوء الشمس المنعكس عبر نطاقات طيفية منفصلة، تغطي عادةً الأطوال الموجية المرئية (الأزرق والأخضر والأحمر) والأشعة تحت الحمراء القريبة. وتشكل الصور متعددة الأطياف (بيانات من 4 إلى 10 نطاقات طيفية) العمود الفقري لمعظم برامج رسم خرائط الكتلة الحيوية التشغيلية في جميع أنحاء العالم، ويعود ذلك إلى حد كبير إلى تدفقات البيانات المجانية والمستمرة من مهمات Sentinel-2 وLandsat.

توفر الصور فائقة الطيف (البيانات المستقاة من مئات النطاقات الطيفية الضيقة والمتصلة) تفاصيل طيفية أدق بكثير. فهي تكشف عن أصباغ النباتات ومحتوى الماء والتركيب الكيميائي للأوراق بمستوى لا تستطيع أجهزة الاستشعار متعددة الأطياف تحقيقه.

وهذا ما يجعلها مفيدة بشكل خاص في رصد الاختلافات الطفيفة في كثافة الكتلة الحيوية بين المراعي والحقول الزراعية. أما العائق الرئيسي أمام التصوير الطيفي الفائق فهو الغطاء السحابي: إذ لا تستطيع المستشعرات البصرية الرؤية عبر السحب، مما يُسبب فجوات كبيرة في البيانات في المناطق الاستوائية الرطبة حيث يكون تقدير الكتلة الحيوية بالغ الأهمية.

تشمل الأقمار الصناعية الشائعة المستخدمة في رسم خرائط الكتلة الحيوية البصرية Landsat 8/9 (بدقة 30 مترًا، وإعادة زيارة كل 16 يومًا)، وSentinel-2 (بدقة 10 أمتار، وإعادة زيارة كل 5 أيام)، وPlanetScope (بدقة 3 أمتار، وإعادة زيارة يومية للتطبيقات التجارية).

2. الرادار (SAR): الرؤية عبر السحب وداخل الغطاء النباتي

يُعدّ رادار الفتحة التركيبية (SAR) - وهو نظام يُصدر نبضات ميكروية ويقيس الطاقة المنعكسة من سطح الأرض - حلاً جذرياً لمشكلة الغطاء السحابي. إذ تخترق طاقة الميكروويف السحب والضباب دون تداخل، مما يجعل رادار الفتحة التركيبية الخيار الأمثل لمراقبة الغابات الاستوائية حيث يُعيق الغطاء السحابي المستمر استخدام الصور البصرية.

تخترق إشارات الرادار ذي الفتحة التركيبية (SAR) أيضًا طبقات الغطاء النباتي، متفاعلةً مع السيقان والأغصان الخشبية، وليس فقط مع سطح الأوراق العلوي. وكلما زاد طول موجة الرادار، زاد عمق اختراق الإشارة. يخترق رادار النطاق L (طول الموجة حوالي 23 سم، المستخدم في ALOS-2 PALSAR-2) الطبقة السفلى من الغطاء النباتي ويتفاعل مع الكتلة الحيوية الخشبية الكبيرة، مما يجعله مناسبًا بشكل خاص لتقدير الكتلة الحيوية فوق سطح الأرض في الغابات الاستوائية.

تعتبر تقنية الرادار ذي النطاق C (طول الموجة حوالي 5 سم، المستخدمة بواسطة Sentinel-1) أكثر حساسية لبنية الغطاء النباتي السطحي وتستخدم على نطاق واسع لمراقبة الكتلة الحيوية للمحاصيل.

بحث منشور في مجلة بحوث الغابات (Springer Nature، 2021) وجدت أن بيانات رادار الفتحة التركيبية (SAR) من القمر الصناعي ALOS-2 في النطاق L والقمر الصناعي Sentinel-1 في النطاق C سمحت بتقديرات مرضية لمخزون الكربون، حيث بلغ إجمالي مخزون الكربون في منطقة دراسة غابات البحر الأبيض المتوسط ما يقارب 130 طن/هكتار يشمل ذلك المناطق فوق سطح الأرض وتحت سطحها، والأخشاب الميتة، والنفايات، وبرك التربة مجتمعة.

3. تقنية الليدار: المعيار الذهبي لرسم خرائط الكتلة الحيوية الهيكلية

تُصدر تقنية الليدار (الكشف الضوئي وتحديد المدى) نبضات ليزرية وتقيس بدقة الوقت الذي تستغرقه هذه النبضات للارتداد عن سطح الهدف. ويُترجم هذا التوقيت مباشرةً إلى سحب نقاط ثلاثية الأبعاد (خرائط كثيفة تُظهر بدقة مكان انعكاس كل نبضة ليزرية) تكشف عن ارتفاع الغطاء النباتي وبنيته، بالإضافة إلى ارتفاع سطح الأرض بدقة تصل إلى مستوى السنتيمتر.

يُعدّ ارتفاع الأشجار من أقوى المؤشرات على الكتلة الحيوية فوق سطح الأرض، إذ تحمل الأشجار الأطول كتلة حيوية أكبر بكثير من الأشجار الأقصر. وتُنتج نماذج الارتفاع المُستمدة من تقنية LiDAR، بالإضافة إلى المعادلات القياسية المقاسة ميدانيًا (العلاقات الرياضية الخاصة بكل نوع بين ارتفاع الشجرة وقطرها وكتلتها)، تقديرات للكتلة الحيوية تتفوق باستمرار على الطرق البصرية أو الرادارية في المناطق الحرجية.

تمثل مهمة ناسا لدراسة ديناميكيات النظام البيئي العالمي (GEDI) - وهي عبارة عن جهاز ليدار متعدد الحزم مثبت على محطة الفضاء الدولية - أول نظام ليدار فضائي مصمم خصيصًا لتقدير الكتلة الحيوية العالمية. يجمع GEDI البيانات من خط عرض 51.6° شمالًا إلى 51.6° جنوبًا، ويغطي بذلك المناطق الرئيسية للغابات الاستوائية والمعتدلة في العالم.

4. الاستشعار عن بعد باستخدام الطائرات بدون طيار: نطاق ميداني عالي الدقة

تُسهم المركبات الجوية غير المأهولة (UAVs)، والتي تُعرف عادةً باسم الطائرات المسيّرة، في سد الفجوة بين القياسات الفضائية والقياسات الميدانية. إذ تلتقط طائرة مسيّرة مزودة بكاميرات RGB صورًا بدقة سنتيمترية تُظهر النباتات الفردية.

تحسب مستشعرات الطائرات المسيّرة متعددة الأطياف مؤشرات نباتية دقيقة على مستوى قطعة الأرض. وتُنتج الطائرات المسيّرة المزودة بتقنية LiDAR سحباً نقطية كثيفة تسمح بتقدير الكتلة الحيوية بدقة هيكلية تضاهي دقة LiDAR المحمولة جواً، ولكن بتكلفة أقل بكثير.

يُعدّ رسم خرائط الكتلة الحيوية باستخدام الطائرات المسيّرة عمليًا للغاية بالنسبة لمزارعي المحاصيل. فرحلة واحدة فوق حقل قمح أو ذرة خلال مرحلة النمو الخضري تُنتج خريطة لكثافة الكتلة الحيوية تُشير إلى المناطق التي تُحدّ من المحصول - وهي مناطق منخفضة الكتلة الحيوية قد تحتاج إلى أسمدة أو ري إضافي قبل أن يصبح الضرر لا رجعة فيه.

مؤشرات الغطاء النباتي المستخدمة لتقدير الكتلة الحيوية

تُعدّ مؤشرات الغطاء النباتي بمثابة حلقة الوصل الرياضية بين قيم الانعكاس الطيفي الخام والمعلومات البيولوجية المتعلقة بكثافة النباتات وصحتها. ويستغل كل مؤشر جزءًا محددًا من الطيف الكهرومغناطيسي حيث يتصرف الغطاء النباتي بشكل مميز.

يُعدّ مؤشر NDVI (مؤشر اختلاف الغطاء النباتي المعياري) الأكثر استخدامًا. وهو يقسم الفرق بين انعكاس الأشعة تحت الحمراء القريبة (NIR) والانعكاس الأحمر على مجموعهما: NDVI = (NIR – Red) / (NIR + Red). تتراوح قيمه بين -1 و+1، وعادةً ما تتراوح قيمة الغطاء النباتي الكثيف الصحي بين 0.6 و0.9.

يرتبط مؤشر NDVI ارتباطًا وثيقًا بمؤشر مساحة الورقة (LAI - إجمالي مساحة الورقة أحادية الجانب لكل وحدة مساحة أرضية) وبالتالي بالقدرة على التمثيل الضوئي وتراكم الكتلة الحيوية.

• مؤشر الغطاء النباتي المحسن (EVI) يقوم بتصحيح التأثيرات الجوية وتداخل خلفية التربة، مما يجعله أكثر موثوقية من مؤشر NDVI في الغابات الاستوائية ذات الكتلة الحيوية العالية والمناطق ذات التربة الساطعة أو المكشوفة.
• مؤشر الغطاء النباتي المعدل حسب التربة (SAVI) يتضمن عامل تصحيح سطوع التربة، وهو أمر بالغ الأهمية بشكل خاص في البيئات الزراعية القاحلة وشبه القاحلة حيث تؤثر التربة العارية بين صفوف المحاصيل بقوة على الإشارة الطيفية.
• مؤشر GNDVI (مؤشر اختلاف الغطاء النباتي الأخضر المعياري) يستبدل الانعكاس الأخضر بالانعكاس الأحمر في صيغة NDVI، مما يجعله أكثر حساسية لتغيرات تركيز الكلوروفيل ومفيدًا لمراقبة الكتلة الحيوية للمحاصيل في أواخر الموسم عندما تكون المظلات مغلقة بالكامل بالفعل.

يستحق مؤشر مساحة الورقة (LAI) إشارة خاصة لأنه يُعدّ ناتجًا من بيانات الاستشعار عن بُعد، وعاملًا مباشرًا في تراكم الكتلة الحيوية. فالنباتات ذات مؤشر مساحة الورقة الأعلى تمتصّ كمية أكبر من الإشعاع الشمسي، وتثبّت كمية أكبر من الكربون، وتنتج كتلة حيوية أكبر. وتُغذّي خرائط مؤشر مساحة الورقة المُستمدة من الاستشعار عن بُعد، والمُستخرجة من سلاسل بيانات MODIS أو Sentinel-2، نماذج نمو المحاصيل التي تُحاكي تكوين المحصول والكتلة الحيوية النهائية القابلة للحصاد.

مصادر البيانات الرئيسية لتقدير الكتلة الحيوية للأراضي

يعتمد اختيار مصدر البيانات المناسب على نطاق الدراسة، ونوع الغطاء النباتي، والدقة المكانية المطلوبة، والميزانية المتاحة. فيما يلي مصادر البيانات الرئيسية المستخدمة حاليًا في رسم خرائط الكتلة الحيوية لأغراض التشغيل والبحث. وقد ساهمت بيانات الأقمار الصناعية المجانية والمفتوحة المصدر من لاندسات وكوكبة سنتينل في إتاحة رسم خرائط الكتلة الحيوية للجميع، مما جعلها في متناول الباحثين والجهات التي لا تملك ميزانيات كافية لشراء صور تجارية.

1. لاندسات (ناسا/هيئة المسح الجيولوجي الأمريكية): بيانات متواصلة لأكثر من 50 عامًا، بدقة 30 مترًا، وإمكانية الوصول المجاني. تُمكّن سلسلة بيانات لاندسات الزمنية من إجراء تحليل تاريخي لتغير الكتلة الحيوية يعود إلى سبعينيات القرن الماضي، مما يوفر سياقًا لا مثيل له لرصد إزالة الغابات وتدهور الأراضي.

ii. سينتينل-2 (وكالة الفضاء الأوروبية): دقة تصل إلى 10 أمتار في نطاقات طيفية رئيسية، وإمكانية إعادة الزيارة كل 5 أيام، وإمكانية الوصول المجاني. يُعدّ القمر الصناعي Sentinel-2 المعيار الحالي لرصد الكتلة الحيوية للمحاصيل وتقييم الغابات الإقليمية نظرًا لدقته العالية ومزيج الترددات الذي يوفره.

ثالثًا: سينتينل-1 (وكالة الفضاء الأوروبية): رادار ذو فتحة تركيبية من نوع C-band، يعمل في جميع الأحوال الجوية، ومتاح مجاناً. يُعدّ القمر الصناعي Sentinel-1 المصدر الراداري الرئيسي لرصد المناطق الاستوائية المتأثرة بالغيوم وقياس الكتلة الحيوية للمحاصيل في المناطق التي تعاني من نقص مستمر في البيانات البصرية.

رابعاً: جهاز موديس (ناسا): بدقة تتراوح بين 250 مترًا و1 كيلومتر، وتغطية عالمية يومية. تُعد سلاسل بيانات MODIS الزمنية مثالية لرصد تغيرات الكتلة الحيوية على نطاق القارات والمراقبة الموسمية، على الرغم من أن الدقة المنخفضة تحد من فائدتها في المناظر الطبيعية المجزأة.

v. بلانيت سكوب: دقة تصل إلى 3 أمتار، وإمكانية إعادة الزيارة يوميًا، واشتراك تجاري. يوفر نظام PlanetScope مراقبة الكتلة الحيوية على مستوى الحقل الفردي، مما يدعم تطبيقات الزراعة الدقيقة حيث يكون التباين المكاني على مستوى الحقول الفرعية مهمًا.

سادساً: جهاز ناسا GEDI LiDAR: قطر بصمة يبلغ 25 متراً، تغطية عالمية للمناطق الاستوائية والمعتدلة، منتجات بيانات مجانية. يُعدّ GEDI المصدر الفضائي الرئيسي لبيانات ارتفاع الغطاء النباتي وكثافة الكتلة الحيوية فوق سطح الأرض على المستوى العالمي.

سابعاً: ICESat-2 (ناسا): تقنية LiDAR لعد الفوتونات ذات التغطية العالمية، وهي قوية بشكل خاص لقياس ارتفاعات الغطاء النباتي في الغابات ذات خطوط العرض العالية والكشف عن تغيرات الارتفاع الدقيقة.

خطوات حساب الكتلة الحيوية للأراضي باستخدام الاستشعار عن بعد

تعتمد عملية تقدير الكتلة الحيوية للأراضي باستخدام بيانات الاستشعار عن بعد على منهجية منظمة. وتعتمد كل خطوة على دقة الخطوة السابقة لها. ويؤدي التهاون في المعالجة المسبقة أو التحقق الميداني إلى سلسلة من الأخطاء في خريطة الكتلة الحيوية النهائية.

أولاً: اختيار الصور المناسبة: اختر المستشعر والدقة المكانية والفترة الزمنية بناءً على النظام البيئي المستهدف وهدف الدراسة. يتطلب رصد الكتلة الحيوية للغابات عادةً بيانات Sentinel-1 أو GEDI؛ بينما يستخدم رصد الكتلة الحيوية للمحاصيل عادةً صور Sentinel-2 أو صور الطائرات المسيّرة متعددة الأطياف.

ثانياً: المعالجة المسبقة للصور: قم بتطبيق تصحيح الغلاف الجوي لتحويل الأرقام الرقمية الخام إلى قيم انعكاس السطح. قم بإجراء تصحيح هندسي لضمان محاذاة الصورة بدقة مع إحداثيات العالم الحقيقي. قم بإزالة وحدات البكسل الملوثة بالغيوم واستبدلها باستخدام التركيب الزمني عند الحاجة.

ثالثاً: حساب مؤشرات الغطاء النباتي: احسب مؤشرات NDVI وEVI وSAVI وGNDVI أو غيرها من المؤشرات ذات الصلة من نطاقات انعكاس السطح المصححة. بالنسبة لبيانات LiDAR، استخرج مقاييس ارتفاع الغطاء النباتي (الارتفاع الأقصى، والارتفاع عند النسبة المئوية 95، ومتوسط الارتفاع) من سحابة النقاط.

رابعاً: جمع عينات الكتلة الحيوية من الحقل: قم بقياس الكتلة الحيوية فوق سطح الأرض في قطع أرضية نموذجية ضمن منطقة الدراسة باستخدام الحصاد المدمر أو المعادلات القياسية المطبقة على قياسات قطر الأشجار وارتفاعها. تمثل هذه القيم الميدانية البيانات المرجعية التي يستند إليها النموذج.

خامساً: بناء نماذج التنبؤ: قم بتحليل انحدار قياسات الكتلة الحيوية الميدانية مقابل متغيرات الاستشعار عن بعد المتزامنة (مؤشرات الغطاء النباتي، ومقاييس ارتفاع الغطاء النباتي، وقيم التشتت الخلفي لرادار الفتحة التركيبية). استخدم تحليل الانحدار، أو الغابة العشوائية، أو آلة المتجهات الداعمة، أو أساليب الشبكة العصبية، وذلك حسب مدى تعقيد العلاقة وكمية بيانات التدريب المتاحة.

سادساً: التحقق من صحة نتائج النموذج: استخدم مجموعة بيانات تحقق منفصلة (مخططات ميدانية لم تُستخدم في تدريب النموذج) لتقييم دقة التنبؤ. سجّل قيمة جذر متوسط مربع الخطأ (RMSE)، ومعامل التحديد (R²)، والانحياز. حسّن النموذج إذا كانت الدقة غير كافية.

سابعاً: إنشاء خرائط الكتلة الحيوية: قم بتطبيق النموذج الذي تم التحقق منه على كامل نطاق الصورة، مما ينتج عنه خريطة كثافة الكتلة الحيوية المتصلة مكانيًا حيث تحتوي كل بكسل على قيمة الكتلة الحيوية المتوقعة بوحدة ميغاغرام/هكتار أو طن/هكتار.

النماذج والأساليب المستخدمة لتقدير الكتلة الحيوية

يؤثر اختيار النموذج بشكل كبير على دقة نظام تقدير الكتلة الحيوية وقابليته للتطبيق على نطاق أوسع. فالنماذج الأبسط أكثر شفافية وأكثر موثوقية في نقل نتائجها إلى مواقع جديدة. أما نماذج التعلم الآلي المعقدة، فتُحسّن دقة البيانات المُستقاة من مجموعات بيانات التدريب الكبيرة، ولكنها قد تُفرط في التكيف مع الظروف المحلية.

تُنشئ نماذج الانحدار التجريبية علاقة رياضية مباشرة بين الكتلة الحيوية في الحقل ومتغيرات الاستشعار عن بُعد، على سبيل المثال، الانحدار الخطي بين مؤشر الغطاء النباتي (NDVI) وإنتاجية المادة الجافة للمحاصيل. تتميز هذه النماذج بسهولة تفسيرها وسرعة حسابها، إلا أنها تُظهر أداءً ضعيفًا عندما تكون العلاقة بين الطيف والكتلة الحيوية غير خطية، أو عندما تتفاوت قيم الكتلة الحيوية بشكل كبير.

تتغلب أساليب التعلم الآلي على هذه القيود من خلال تعلم العلاقات المعقدة وغير الخطية من البيانات. وتُعد خوارزمية الغابة العشوائية (وهي عبارة عن مجموعة من أشجار القرار التي تُحسب متوسط التنبؤات عبر مئات الأشجار الفردية) حاليًا الخوارزمية الأكثر استخدامًا لتقدير الكتلة الحيوية في كل من مجالي الغابات والزراعة.

دراسة نُشرت في مجلة فرونتيرز في علوم النبات (ديسمبر 2024) أظهرت أن تطبيق Random Forest على بيانات GEDI وبيانات الاستشعار عن بعد متعددة المصادر أنتج تقديرات الكتلة الحيوية لغابات التنوب والصنوبر بقيمة R² أعلى بشكل ملحوظ من أساليب الانحدار أحادية المستشعر.

• آلة المتجهات الداعمة (SVM): يحدد هذا النموذج الحد الفاصل الأمثل بين فئات الكتلة الحيوية في فضاء الميزات عالي الأبعاد. ويؤدي نموذج SVM أداءً جيدًا مع مجموعات بيانات التدريب الصغيرة إلى المتوسطة، كما أنه مقاوم للتجاوز عند ضبطه بشكل صحيح.
• الشبكات العصبية والتعلم العميق: تعالج الشبكات العصبية الالتفافية (CNNs) والبنى الهجينة CNN-LSTM الأنماط المكانية والزمانية في الصور في آن واحد. وقد نُشرت دراسة في عام 2024. الاستشعار عن بعد (MDPI) أظهرت مقارنة نماذج RF و CNN و CNN-LSTM لتقدير الكتلة الحيوية للغابات في هانغتشو بالصين أن نماذج التعلم العميق التقطت السياق المكاني الذي أغفلته طرق الانحدار أحادي النقطة تمامًا.
• النماذج الهجينة: يمكن دمج نماذج الغطاء النباتي الفيزيائية (التي تحاكي نمو النباتات بناءً على الإشعاع ومدخلات المياه) مع طبقات المعايرة الإحصائية أو التعلم الآلي. تحظى هذه الأساليب بشعبية متزايدة لأنها تُنشئ تقديرات واقعية للكتلة الحيوية قابلة للتعميم عبر المناطق دون الاعتماد فقط على بيانات التدريب المحلية.

العوامل المؤثرة على دقة تقدير الكتلة الحيوية

حتى أفضل مزيج من أجهزة الاستشعار والنماذج ينتج خرائط كتلة حيوية غير موثوقة عندما تكون جودة البيانات الأساسية رديئة أو عندما تُدخل البيئة الفيزيائية مصادر تشويش. يُعد فهم هذه العوامل التي تحد من الدقة أمرًا ضروريًا لأي شخص يصمم برنامجًا لرسم خرائط الكتلة الحيوية.

1. تشبع إشارة الغابة الكثيفة: في الغابات الاستوائية ذات الكتلة الحيوية العالية، تصل إشارات الرادار ذي الفتحة التركيبية (SAR) البصرية وإشارات النطاق C إلى حد التشبع، أي أنها تتوقف عن الزيادة حتى مع استمرار ارتفاع الكتلة الحيوية. ويصل مؤشر NDVI إلى حد التشبع عند قيم الكتلة الحيوية فوق سطح الأرض (AGB) التي تزيد عن 10 ... 150-200 ميغاغرام/هكتار, مما يجعله غير موثوق به في الغابات الاستوائية القديمة حيث قد تصل الكتلة الحيوية إلى 400-600 ميغاغرام/هكتار. أما تقنية الرادار ذي الفتحة التركيبية (SAR) في النطاق L وتقنية الليدار (LiDAR) فتتشبع عند مستويات أعلى بكثير من الكتلة الحيوية، ولذلك يُفضل استخدامها في هذه البيئات.

2. التغيرات الموسمية: يتغير انعكاس الغطاء النباتي بشكل كبير بين الفصول. فقيمة مؤشر الغطاء النباتي (NDVI) لحقل قمح في أبريل تعكس حالة كتلة حيوية مختلفة تمامًا عن تلك الموجودة في الحقل نفسه في أغسطس. لذا، يجب أن تأخذ النماذج في الحسبان الديناميكيات الموسمية أو تتم معايرتها بشكل منفصل لكل مرحلة من مراحل نمو النبات.

3. تداخل الغطاء السحابي: تفقد المستشعرات البصرية البيانات في أي مكان توجد فيه غيوم. في المناطق الاستوائية الرطبة، يمكن أن يؤثر تلوث الغيوم على أكثر من 70% من عمليات الحصول على الصور في سنة معينة، مما يتطلب بدائل الرادار أو تقنية الليدار أو استراتيجيات التركيب متعددة السنوات.

4. وحدات بكسل مختلطة: عند دقة مكانية متوسطة (30-250 مترًا)، غالبًا ما تحتوي بكسلة الصورة الواحدة على مزيج من أنواع المحاصيل والتربة العارية والماء. تعكس الإشارة الطيفية متوسط جميع هذه الأسطح، مما يُضعف إشارة الغطاء النباتي ويُدخل خطأً منهجيًا في توقعات الكتلة الحيوية.

5. تأثيرات التضاريس: يؤدي انحدار التضاريس إلى تغيير هندسة كل من الإضاءة الشمسية وزاوية رؤية المستشعر، مما يؤثر على قيم الانعكاس المسجلة عند المستشعر. لذا، يُعدّ تصحيح التضاريس ضروريًا في المناطق الجبلية قبل تطبيق أي نموذج للكتلة الحيوية بشكل موثوق.

تطبيقات رسم خرائط الكتلة الحيوية للأراضي عبر القطاعات

تساهم خرائط الكتلة الحيوية للأراضي، التي يتم إنشاؤها من بيانات الاستشعار عن بعد، في عملية صنع القرار العملي عبر مجموعة واسعة بشكل ملحوظ من القطاعات، بدءًا من التقارير الحكومية المتعلقة بالمناخ وحتى إدارة المزارع الفردية.

هيئات إدارة الغابات استخدم خرائط الكتلة الحيوية لتحديد أولويات مناطق الحصاد، وتقدير الإنتاج المستدام، وتوثيق الامتثال لمعايير الاعتماد. تحل خرائط الكتلة الحيوية الشاملة محل عمليات جرد الغابات المكلفة القائمة على العينات في المناطق التي يصعب فيها الوصول إلى الحقول لوجستيًا أو تكون تكلفتها باهظة للغاية.

تقدير مخزون الكربون يُعدّ هذا أحد أهم التطبيقات من الناحية الاقتصادية. يحتوي كل ميغاغرام من الكتلة الحيوية فوق سطح الأرض على ما يقارب 0.47 ميغاغرام من الكربون (معامل التحويل القياسي للهيئة الحكومية الدولية المعنية بتغير المناخ). وبالتالي، تُترجم خرائط الكتلة الحيوية الدقيقة مباشرةً إلى قوائم جرد كربونية موثقة، والتي تُشكل أساس مدفوعات برنامج REDD+ وأرصدة سوق الكربون الطوعية. ويمكن لخريطة كتلة حيوية موثقة تغطي امتيازًا في غابة استوائية بمساحة 500 ألف هكتار أن تُمثل أصولًا كربونية بمئات الملايين من الدولارات.

• الزراعة الدقيقة: تُحدد خرائط الكتلة الحيوية للمحاصيل المستمدة من صور الطائرات بدون طيار أو صور Sentinel-2 التباين الفرعي في نمو النبات، مما يتيح تطبيق الأسمدة والري بمعدلات متغيرة مما يقلل من تكاليف المدخلات مع حماية المحصول.
• تقييم المواد القابلة للاشتعال في حرائق الغابات: يمثل الخشب الميت والكتلة الحيوية العشبية الجافة الوقود المتاح للحرائق. وتُستخدم خرائط الوقود المستمدة من الاستشعار عن بعد لتوجيه برامج الحرق المُتحكم فيه وتخطيط احتواء حرائق الغابات في المناطق المعرضة للحرائق.
• صون التنوع البيولوجي: تدعم النباتات ذات الكتلة الحيوية العالية والتركيب المعقد عادةً تنوعًا أكبر في الأنواع. وتساعد خرائط الكتلة الحيوية في تحديد مناطق الحفظ ذات الأولوية وتتبع تعافي الموائل المستعادة بمرور الوقت.
• تخطيط الطاقة الحيوية: تستخدم الحكومات وشركات الطاقة بيانات الاستشعار عن بعد للكتلة الحيوية لتقييم الإمداد المستدام بالمخلفات الزراعية والكتلة الحيوية الخشبية لإنتاج الطاقة الحيوية، مما يضمن عدم تجاوز معدلات الحصاد قدرة النظام البيئي على التجدد.

مزايا الاستشعار عن بعد لحساب الكتلة الحيوية

توفر تقنيات رسم خرائط الكتلة الحيوية عن بُعد مزيجًا من الإمكانيات التي لا تضاهيها أي طريقة أرضية. وتفسر هذه المزايا انتقال هذه التقنية من مرحلة التجريب إلى مرحلة التشغيل الفعلي في عشرات البلدان خلال العقد الماضي.

لعلّ القياس غير المتلف هو الميزة الأساسية. إذ يجمع الاستشعار عن بُعد معلومات عن الغطاء النباتي دون حصاده أو قطعه أو إتلافه. وهذا يُمكّن من إجراء قياسات متكررة في الموقع نفسه بالضبط، وهو أمر ضروري لرصد تغير الكتلة الحيوية بمرور الوقت، وهو المقياس الأكثر أهمية لحساب الكربون ومراقبة النظام البيئي.

• تغطية واسعة النطاق بتكلفة هامشية منخفضة: بمجرد تجهيز جهاز الاستشعار وسلسلة معالجة البيانات، تصبح تكلفة إضافة مليون هكتار أخرى إلى مسح الكتلة الحيوية شبه معدومة. ويُعدّ هيكل التكلفة هذا عكس المسوحات الميدانية، حيث تتناسب التكاليف طرديًا مع المساحة.
• تحديثات زمنية متكررة: يعيد القمر الصناعي Sentinel-2 زيارة أي موقع على سطح الأرض كل 5 أيام. يتيح هذا التردد مراقبة الكتلة الحيوية طوال موسم النمو، ورصد التغيرات الديناميكية التي تغفلها المسوحات الميدانية السنوية تمامًا.
• القدرة على التحليل التاريخي: يحتوي أرشيف لاندسات على صور من عام 1972 فصاعدًا. يمكن للباحثين إعادة بناء مسارات الكتلة الحيوية التاريخية لتحديد كمية إزالة الغابات التراكمية، وتقييم تعافي النظام البيئي بعد الاضطراب، أو تحديد الظروف الأساسية قبل الاضطراب لمطالبات التعويض.
• تحسين عملية اتخاذ القرارات لمديري الأراضي: تكشف خرائط الكتلة الحيوية المكانية الصريحة عن أماكن تراكم الكتلة الحيوية أو انخفاضها أو استقرارها داخل المناظر الطبيعية - مما يمنح مديري الأراضي الدقة المكانية لاستهداف التدخلات حيث سيكون لها أكبر تأثير.

القيود والتحديات في تقدير الكتلة الحيوية عن طريق الاستشعار عن بعد

تُعد عملية رسم خرائط الكتلة الحيوية عن بعد أداة قوية، ولكنها تأتي مع قيود تقنية حقيقية يجب على الممارسين فهمها قبل الاعتماد على مخرجاتها لاتخاذ قرارات عالية المخاطر.

لا يزال تشبع الإشارة في الغابات الكثيفة يمثل تحديًا لم يُحل بعد لأجهزة الاستشعار البصرية وأجهزة الرادار ذات النطاق C. فمع انغلاق غطاء الأشجار وتراكم الكتلة الحيوية بما يتجاوز عتبة محددة لكل جهاز استشعار، لا تعود الإشارة الطيفية أو إشارة التشتت الخلفي تزداد مع الكتلة الحيوية.

يتجنب نظام LiDAR هذه المشكلة لأنه يقيس البنية الفيزيائية بدلاً من الانعكاس الطيفي، لكن جمع بيانات LiDAR المحمولة جواً لا يزال مكلفاً، كما أن نظام LiDAR الفضائي مثل GEDI يوفر بصمات متفرقة وغير متصلة بدلاً من التغطية من جدار إلى جدار.

• التحقق من صحة البيانات الميدانية إلزامي: لا يُمكن لأي نموذج استشعار عن بُعد أن يُنتج تقديرات موثوقة للكتلة الحيوية دون معايرة وتحقق من صحتها باستخدام قياسات ميدانية فعلية. وتؤثر جودة البيانات الميدانية بشكل مباشر على جودة الخريطة النهائية، ويُعدّ جمع بيانات ميدانية تمثيلية في بيئات طبيعية غير متجانسة مكلفًا ويتطلب مهارات تقنية عالية.
• تتطلب التأثيرات الجوية تصحيحاً دقيقاً: تعمل الهباءات الجوية وبخار الماء والأوزون على تشتيت وامتصاص الإشعاع الشمسي الوارد والمنعكس، مما يُغير الإشارة الطيفية قبل وصولها إلى المستشعر. ويؤدي التصحيح الجوي غير الصحيح أو غير الكامل إلى أخطاء منهجية تنتشر عبر كامل عملية تقدير الكتلة الحيوية.
• تتطلب معالجة البيانات خبرة متخصصة: يتطلب العمل مع سلاسل البيانات الزمنية للاستشعار عن بُعد على نطاق واسع معرفة بنظم المعلومات الجغرافية (GIS)، ولغات البرمجة مثل بايثون أو آر، ومنصات البيانات الجغرافية المكانية السحابية مثل جوجل إيرث إنجن. هذا العائق التقني يحد من استخدام هذه التقنية بين مهندسي الزراعة ومديري الأراضي الذين لا يملكون خلفية في علم البيانات.
• يزداد عدم اليقين في النموذج مع ازدياد المسافة عن بيانات التدريب: قد لا يُظهر نموذج الكتلة الحيوية المُعاير في غابة أمازونية برازيلية أداءً جيدًا عند نقله إلى غابة في غرب إفريقيا ذات بنية مختلفة، حتى لو صُنفت كلتاهما كغابة استوائية رطبة. تُعد مجموعات بيانات المعايرة الإقليمية ضرورية للحفاظ على الدقة عبر مناطق الدراسة المتنوعة جغرافيًا.

الاتجاهات المستقبلية في تقدير الكتلة الحيوية باستخدام الاستشعار عن بعد

يشهد مجال تكنولوجيا رسم خرائط الكتلة الحيوية للأراضي تطوراً سريعاً. ومن المتوقع أن تُسهم عدة اتجاهات متقاربة في تحسين دقة تقدير الكتلة الحيوية وسهولة الوصول إليها وقابليتها للتوسع التشغيلي بشكل كبير خلال السنوات الخمس إلى العشر القادمة.

يمثل رسم خرائط الكتلة الحيوية المدعوم بالذكاء الاصطناعي التطور الأكثر تحولاً في الوقت الراهن. تقوم بنى التعلم العميق - وخاصة النماذج القائمة على الشبكات العصبية الالتفافية والنماذج القائمة على المحولات - بمعالجة المعلومات الطيفية والمكانية والزمانية الكاملة في السلاسل الزمنية للأقمار الصناعية في وقت واحد، مما يؤدي إلى استخراج إشارات الكتلة الحيوية التي لا تستطيع النماذج الأبسط اكتشافها.

ازداد دمج الذكاء الاصطناعي والتعلم الآلي في الاستشعار عن بعد 35% بين عامي 2021 و 2026, ، وفقًا لـ Business Research Insights، فإن ذلك يعيد تشكيل كيفية تحليل بيانات الغطاء النباتي على نطاق واسع بشكل جذري.

تحمل مهمة BIOMASS التابعة لوكالة الفضاء الأوروبية، والتي انطلقت عام 2024، أول رادار ذي فتحة تركيبية (SAR) فضائي يعمل بنطاق P، مصمم خصيصًا لرصد الكتلة الحيوية للغابات الاستوائية. تخترق إشارات نطاق P (طول الموجة حوالي 70 سم) أعماق مظلة الغابة، لتصل إلى السيقان الخشبية والفروع الكبيرة التي لا تستطيع الرادارات ذات الأطوال الموجية الأقصر الوصول إليها.

بحث منشور في التقارير العلمية (أبريل 2023) أظهرت أن تقنية TomoSAR ذات النطاق P (تقنية التصوير المقطعي SAR - وهي تقنية تعيد بناء بنية الغابات ثلاثية الأبعاد من عدة تمريرات رادار) أنتجت تقديرات واعدة للكتلة الحيوية فوق سطح الأرض عبر الغابات الاستوائية الكثيفة في غيانا الفرنسية، مما يوفر لمحة عما ستقدمه مهمة BIOMASS عمليًا.

• دمج البيانات من أجهزة استشعار متعددة على نطاق واسع: إن الخوارزميات التي تجمع تلقائيًا بين تدفقات البيانات البصرية والرادارية و LiDAR - مع ترجيح كل مستشعر وفقًا لموثوقيته في نظام بيئي وموسم معينين - تنتقل من النماذج التجريبية إلى الأدوات التشغيلية المنشورة على منصات الحوسبة السحابية.
• مراقبة الكتلة الحيوية في الوقت الحقيقي وشبه الحقيقي: تُتيح المنصات الجغرافية المكانية السحابية، مثل محرك جوجل إيرث وحاسوب مايكروسوفت الكوكبي، معالجةً مستمرةً وآليةً لتدفقات بيانات الأقمار الصناعية الواردة. وتُفعّل حاليًا في العديد من البلدان الاستوائية تنبيهات شبه فورية بشأن إزالة الغابات، والتي تُطلق في غضون 24-48 ساعة من وقوع أحداث فقدان الغابات.
• التوائم الرقمية للزراعة الدقيقة: يؤدي دمج بيانات الكتلة الحيوية المستمدة من الاستشعار عن بعد مع أجهزة استشعار التربة ونماذج الطقس ونماذج محاكاة المحاصيل إلى إنشاء توائم رقمية على مستوى المزرعة - نسخ افتراضية من الحقول الحقيقية التي تسمح للمزارعين باختبار سيناريوهات الإدارة قبل تطبيقها في العالم الحقيقي.
• تكامل الزراعة الدقيقة: إن التقارب بين أجهزة استشعار الطائرات بدون طيار ذات الأسعار المعقولة، وسلاسل البيانات الزمنية للأقمار الصناعية، والتحليلات المدعومة بالذكاء الاصطناعي، يجعل مراقبة الكتلة الحيوية على نطاق الحقل في متناول المزارعين الأفراد مالياً لأول مرة، وليس فقط لمؤسسات البحث والوكالات الحكومية.

1. ما هو أفضل قمر صناعي لتقدير الكتلة الحيوية؟ لا يوجد قمر صناعي واحد مثالي لجميع الحالات. يُعدّ Sentinel-2 الأكثر استخدامًا لرسم خرائط الكتلة الحيوية للمحاصيل والغابات بدقة متوسطة. يوفر نظام GEDI LiDAR بيانات دقيقة للغاية لارتفاع غطاء الأشجار، مما يُتيح قياس الكتلة الحيوية فوق سطح الأرض في الغابات. أما Sentinel-1 SAR فهو الخيار الأمثل في المناطق الاستوائية المتأثرة بالغيوم. ويُعتبر الجمع بين عدة أجهزة استشعار هو الأسلوب الأمثل للتشغيل.

2. هل تستطيع الطائرات بدون طيار تقدير الكتلة الحيوية بدقة؟ نعم. يمكن للطائرات المسيّرة المزودة بكاميرات متعددة الأطياف أو مستشعرات ليدار تقدير الكتلة الحيوية للمحاصيل والغابات الصغيرة بدقة مكانية عالية جدًا. وعادةً ما تحقق تقديرات الكتلة الحيوية للمحاصيل باستخدام الطائرات المسيّرة ارتباطًا يتراوح بين 0.80 و0.95 مع القياسات الميدانية، وذلك عند توقيت الرحلات بما يتناسب مع مراحل النمو المناسبة ومعايرة المستشعرات الطيفية بشكل صحيح.

3. ما مدى دقة تقدير الكتلة الحيوية عن طريق الاستشعار عن بعد؟ تختلف دقة التقديرات اختلافًا كبيرًا باختلاف نوع المستشعر والنظام البيئي ومنهجية النموذج. في الغابات المعتدلة ذات التغطية الجيدة بتقنية الليدار، يمكن أن تصل قيم جذر متوسط مربع الخطأ (RMSE) لخرائط الكتلة الحيوية إلى 20-40 ميغاغرام/هكتار. أما في الغابات الاستوائية الكثيفة، فقد تُظهر الطرق البصرية فقط قيم RMSE تتراوح بين 60-100 ميغاغرام/هكتار نتيجة لتشبع الإشارة. وتتفوق نماذج دمج البيانات من عدة مستشعرات باستمرار على الطرق أحادية المستشعر.

4. لماذا يعتبر تقدير الكتلة الحيوية مهماً لتغير المناخ؟ تُخزّن الغابات والمناظر الطبيعية الزراعية كميات هائلة من الكربون في كتلتها الحيوية. ويؤدي إزالة الغابات وتدهور الأراضي إلى إطلاق هذا الكربون المخزّن على شكل ثاني أكسيد الكربون في الغلاف الجوي، مما يُسرّع من وتيرة تغير المناخ. وتُوفّر خرائط الكتلة الحيوية الدقيقة الأساس اللازم للتحقق من مخزون الكربون، ورصد فقدان الغابات، وقياس فعالية برامج إعادة التشجير والحفظ في إطار الأطر المناخية الدولية مثل برنامج REDD+.

5. هل يمكن للاستشعار عن بعد تقدير الكتلة الحيوية تحت سطح الأرض؟ لا يمكن للاستشعار عن بُعد قياس الكتلة الحيوية تحت سطح الأرض بشكل مباشر. مع ذلك، تُقدّر الكتلة الحيوية تحت سطح الأرض عادةً من الكتلة الحيوية فوق سطح الأرض باستخدام معاملات نسبة الجذر إلى الساق المستمدة من الدراسات الميدانية والمنشورة من قِبل منظمات مثل الهيئة الحكومية الدولية المعنية بتغير المناخ. تتراوح نسب الجذر إلى الساق الخاصة بكل نوع من 0.15 إلى 0.40 في معظم النظم البيئية الحرجية، مما يسمح بتقدير الكتلة الحيوية تحت سطح الأرض بشكل غير مباشر حيثما توجد خرائط للكتلة الحيوية فوق سطح الأرض.

الخاتمة

لقد تحوّلت حسابات الكتلة الحيوية للأراضي باستخدام الاستشعار عن بُعد بشكلٍ حاسم من تقنية بحثية متخصصة إلى قدرة تشغيلية ذات آثار مباشرة على إنتاج الغذاء، وإدارة الغابات، وسياسات المناخ. وقد ساهم التقارب بين بيانات الأقمار الصناعية المجانية، ومنصات الحوسبة السحابية المتاحة، وأدوات التعلّم الآلي المتطورة باستمرار، في جعل رسم خرائط الكتلة الحيوية على نطاق واسع ممكناً لعدد متزايد من المنظمات حول العالم.

سيتعاظم دور الاستشعار عن بُعد في رصد المناخ مع توسع أسواق الكربون، وتكثيف الالتزامات برصد إزالة الغابات، وتزايد الطلب على بيانات مخزون الكربون الموثقة في الاقتصاد العالمي. ومع بدء تشغيل مهمة القمر الصناعي BIOMASS، واستمرار GEDI في توسيع قاعدة بياناتها العالمية، وتحسين نماذج الذكاء الاصطناعي لدقة التقديرات بشكل كبير من خلال دمج بيانات متعددة المستشعرات، أصبح من الممكن معرفة أماكن تراكم الكتلة الحيوية أو انخفاضها أو استقرارها بدقة على سطح الأرض.

انتقلت أسواق الكربون من كونها تجارب سياسية متخصصة إلى أدوات تمويل مناخي رئيسية. وقد بلغت قيمة سوق أرصدة الكربون الزراعية الطوعية 1000 دولار. 36.1 مليون دولار أمريكي في عام 2024 ومن المتوقع أن يرتفع إلى 648.3 مليون دولار أمريكي بحلول عام 2034 في معدل النمو السنوي المركب 31.9%, ، وفقًا لشركة Global Market Insights Inc.، تقع الزراعة في قلب هذا التوسع لأن التربة والمحاصيل وممارسات إدارة الأراضي تمثل مصارف كربون هائلة وقابلة للقياس.

لطالما كان التحدي يكمن في القياس: كيف يمكن تحديد كمية الكربون المخزنة في ملايين الهكتارات من الأراضي الزراعية بدقة؟ يُعدّ الاستشعار عن بُعد، وهو علم جمع البيانات عن سطح الأرض من الطائرات والطائرات المسيّرة والأقمار الصناعية دون اتصال مباشر، الحل الذي كان سوق الكربون ينتظره. فهو يُضفي على رصد الكربون الزراعي نطاقًا واسعًا وسرعة ودقة علمية.

ما هي أرصدة الكربون ولماذا هي مهمة؟

شهادة الكربون هي شهادة قابلة للتداول تمثل خفض أو إزالة طن متري واحد من مكافئ ثاني أكسيد الكربون (CO2e) من الغلاف الجوي. وتأتي الشهادات بنوعين: شهادات خفض الكربون، التي تمثل الانبعاثات التي تم تجنبها، وشهادات إزالة الكربون، التي تمثل ثاني أكسيد الكربون الذي تم سحبه وتخزينه بشكل فعال من الغلاف الجوي.

تُعدّ أسواق الكربون آليات اقتصادية تُحدّد سعراً لانبعاثات غازات الاحتباس الحراري. فعندما تعجز شركة ما عن خفض انبعاثاتها داخلياً، يُمكنها شراء أرصدة الكربون من مشاريع تُزيل أو تتجنّب كمية مُكافئة من هذه الانبعاثات.

يُحفّز هذا النظام أنشطةً ماليةً مثل عزل الكربون في التربة، وإعادة التشجير، وتحسين إدارة الأراضي. ويخضع هذا النظام لسجلات الكربون، ومعايير الاعتماد، وجهات التحقق الخارجية التي تضمن أن كل رصيد يُمثّل فائدةً مناخيةً حقيقيةً وقابلةً للقياس.

1. كيفية توليد أرصدة الكربون في الزراعة

تُنشأ أرصدة الكربون الزراعية من خلال عملية منظمة تبدأ بتصميم المشروع وتنتهي بإدراج الأرصدة الموثقة في سجل خاص. وفيما يلي التسلسل النموذجي:

1. يقوم المزارع أو مطور المشروع باختيار ممارسات الزراعة المستدامة المؤهلة وتحديد حدود المشروع.
2. يتم اختيار منهجية معتمدة من سجل الكربون مثل Verra (VM0042) أو Gold Standard.
3. يتم تحديد مخزون الكربون الأساسي لقياس نقطة البداية قبل تغيير الممارسات.
4. يتم تطبيق الممارسات ومراقبتها طوال فترة المشروع، والتي تتراوح عادةً بين ثلاث إلى خمس سنوات.
5. يقوم مدققون مستقلون من جهات خارجية بتقييم ما إذا تم تنفيذ الممارسات وما إذا كانت فوائد الكربون المزعومة حقيقية وإضافية.
6. يتم إصدار أرصدة الكربون الموثقة وإدراجها للبيع في الأسواق الطوعية أو أسواق الامتثال.

يُعدّ عزل الكربون في التربة من خلال ممارسات الحفاظ على التربة الآلية الأساسية في مشاريع الأراضي الزراعية. وتساهم ممارسات مثل زراعة المحاصيل الغطائية، وتقليل الحراثة، والإدارة الدقيقة للمغذيات في زيادة كمية الكربون العضوي المخزّن في التربة الزراعية، والتي عادةً ما تفقد الكربون من خلال الحراثة والتعرية.

تحتوي التربة الزراعية على ما يقارب ثلاثة أضعاف كمية الكربون الموجودة في الغلاف الجوي، مما يجعل الأراضي الزراعية من أكثر مصارف الكربون سهولةً في الوصول إليها وقابليةً للتوسع على كوكب الأرض. وتستجيب الأراضي الزراعية والمراعي بسرعة للتغييرات الإدارية، إذ يمكن أن يؤدي التحول من الحراثة التقليدية إلى الزراعة بدون حراثة إلى زيادة الكربون العضوي في التربة خلال موسم أو موسمين زراعيين.

يستفيد المزارعون بشكل مباشر من عائدات أرصدة الكربون. وتمثل مشاريع الكربون في التربة حالياً ما يقارب 8-10% من سوق الكربون الطوعي, ، بقيمة 425-530 مليون دولار أمريكي, ، وفقًا لبيانات السوق لعام 2025.

يُساهم هذا المصدر من الإيرادات في دعم دخل المزارع، مع تحسين صحة التربة، واحتفاظها بالماء، وإنتاجيتها على المدى الطويل. كما تكتسب الشركات الزراعية وشركات الأغذية المشاركة في برامج خفض الكربون مصداقية في تقارير استدامة سلسلة التوريد.

العلاقة بين أرصدة الكربون والزراعة الدقيقة

الزراعة الدقيقة هي نهج لإدارة المزارع يستخدم البيانات المكانية والتكنولوجيا المتقدمة لاتخاذ القرارات على مستوى الحقول الفرعية بدلاً من التعامل مع المزرعة بأكملها كوحدة متجانسة. وهي تجمع بين أجهزة استقبال نظام تحديد المواقع العالمي (GPS)، وأجهزة استشعار التربة بتقنية إنترنت الأشياء (IoT)، وكاميرات مثبتة على طائرات بدون طيار، وصور الأقمار الصناعية لتوفير معلومات تفصيلية خاصة بالموقع حول حالة المحاصيل وخصائص التربة واحتياجات الموارد.

والنتيجة هي إدارة المزارع القائمة على البيانات. فبدلاً من تطبيق معدل ثابت من الأسمدة على كامل الحقل، يقوم نظام الزراعة الدقيقة بتحديد المناطق ذات الاحتياجات الغذائية المختلفة وتطبيق معدلات متغيرة وفقًا لذلك.

يُقلل هذا من هدر المدخلات، ويخفض تكاليف التشغيل، ويُحقق فوائد بيئية ملموسة يُمكن قياسها كميًا لبرامج أرصدة الكربون. تُساهم الأدوات الدقيقة في تحقيق نتائج الكربون عبر مسارات متعددة.

• يُساهم تحسين استخدام الأسمدة في تقليل انبعاثات أكسيد النيتروز (N2O)، وهو غاز دفيئة أقوى بنحو 273 مرة من ثاني أكسيد الكربون على مدى 100 عام. ويمكن لتطبيق النيتروجين بمعدلات متغيرة أن يُقلل انبعاثات N2O بنسبة تصل إلى 20-30% مقارنة بالتطبيق الموحد، وفقًا لبحث نُشر في المجلة الأوروبية لعلم الزراعة.
• يؤدي تحسين جدولة الري باستخدام أجهزة استشعار رطوبة التربة إلى تقليل استهلاك الطاقة في محطات الضخ والحد من انضغاط التربة، وكلاهما يقلل من البصمة الكربونية للري.
• إن الحفاظ على صحة التربة من خلال تقليل عمليات الحراثة يحافظ على بنية تجمعات التربة، ويحمي المادة العضوية التي تحتفظ بالكربون في مكانه على المدى الطويل.
• يؤدي تقليل استهلاك الوقود من خلال تخطيط مسار الآلات باستخدام نظام تحديد المواقع العالمي (GPS) إلى خفض استهلاك الديزل، مما يقلل بشكل مباشر من انبعاثات ثاني أكسيد الكربون من العمليات الميدانية.

1. ممارسات الزراعة المستدامة التي تولد أرصدة الكربون

لا تُؤهّل جميع الأنشطة الزراعية للحصول على أرصدة الكربون. يجب أن تُثبت الممارسات المعتمدة قدرتها على زيادة الكربون في التربة، أو خفض الانبعاثات، أو كليهما. وقد وُضعت منهجيات مُعتمدة للممارسات التالية ضمن سجلات الكربون الرئيسية.

أولاً: زراعة المحاصيل الغطائية يتضمن ذلك زراعة محاصيل غير نقدية خلال غير موسم الزراعة للحفاظ على جذور حية في التربة. تفرز الجذور باستمرار سكريات تغذي ميكروبات التربة، التي تحول المواد العضوية إلى دبال مستقر، وهو شكل طويل الأمد من الكربون الموجود في التربة. كما تمنع المحاصيل الغطائية التعرية، التي تزيل الطبقة السطحية من التربة والكربون الموجود فيها.

ثانياً: الزراعة بدون حراثة والزراعة المخففة يُقلل الحراثة التقليدية من اضطراب التربة، مما يحافظ على بنيتها الفيزيائية. وتؤدي هذه الطريقة إلى أكسدة الكربون العضوي في التربة بسرعة عن طريق تعريض المواد العضوية للهواء. وقد أظهرت الأبحاث المنشورة في مجلة "أبحاث التربة والحراثة" أن اعتماد الزراعة بدون حراثة على المدى الطويل يزيد من تركيز الكربون العضوي في التربة في الطبقة السطحية (30 سم) بمعدل متوسط قدره 10-30% مقارنة بالحرث التقليدي على مدى عشر سنوات.

ثالثًا: الاحتفاظ بمخلفات المحاصيل يُبقي هذا الأسلوب الكتلة الحيوية المتبقية بعد الحصاد على سطح الحقل بدلاً من حرقها أو إزالتها. ومع تحلل هذه المخلفات، تُساهم في تغذية التربة بالمواد العضوية، وتُغذي المجتمعات الميكروبية المسؤولة عن تثبيت الكربون. ويمكن قياس نسبة تغطية المخلفات بعد الحصاد بدقة عالية باستخدام صور الأقمار الصناعية.

لا يقتصر الاستشعار عن بعد على مراقبة الزراعة من الأعلى فحسب، بل يحول البيانات المتناثرة على مستوى الحقول إلى سجل موحد وقابل للدفاع عنه علمياً حول كيفية إدارة الأراضي وكمية الكربون التي تحتويها.

رابعاً: الإدارة الدقيقة للمغذيات تستخدم هذه التقنية معدلاً متغيراً لتطبيق الأسمدة عند الحاجة، بالكميات المناسبة، وفي الوقت المناسب. وهذا يقلل من مخزون النيتروجين الزائد الذي تحوله بكتيريا التربة إلى أكسيد النيتروز، مما يقلل بشكل مباشر من انبعاثات غازات الاحتباس الحراري الناتجة عن إنتاج المحاصيل.

خامساً: الزراعة الحراجية والمحاصيل المعمرة تخزن الأشجار الكربون فوق سطح الأرض في الكتلة الحيوية الخشبية، وتحت سطح الأرض من خلال أنظمة جذرية واسعة وطويلة الأمد. ويمكن للأشجار أن تخزن الكربون لعقود، مما يجعلها مرشحة قيّمة لمشاريع أرصدة الكربون التي تتطلب استدامة.

دور الاستشعار عن بعد في قياس أرصدة الكربون

تتطلب برامج أرصدة الكربون أدلة. لا يمكن للسجلات قبول ادعاءات المزارعين الذاتية بزراعة محاصيل تغطية أو تقليل عمليات الحراثة. يتطلب التحقق بيانات موضوعية وقابلة للتكرار والتدقيق، ويفضل أن تكون من مصادر لا يمكن التلاعب بها لاحقًا. يوفر الاستشعار عن بعد هذه البيانات تحديدًا.

تغطي عمليات الرصد عبر الأقمار الصناعية والطائرات المسيّرة مساحات شاسعة في آن واحد، مما يوفر مستوى من التغطية المكانية لا يمكن للمسوحات الميدانية مجاراته اقتصاديًا. وقد بلغت قيمة سوق الأقمار الصناعية المستخدمة في رصد الكربون الزراعي ومراقبته والتحقق منه 100 ألف دولار. 3.2 مليار دولار أمريكي في عام 2025 ومن المتوقع أن يصل إلى 8.7 مليار دولار أمريكي بحلول عام 2034 في معدل النمو السنوي المركب 12.8%, مما يشير إلى مدى أهمية المراقبة القائمة على الأقمار الصناعية لبرامج المناخ على مستوى العالم.

وجد أطلس الاستدامة (2026) أن أنظمة التحقق القائمة على الأقمار الصناعية قد خفضت تكاليف قياس الكربون في التربة بنسبة 40% بالمقارنة مع أساليب أخذ العينات الميدانية التقليدية، مع وصول الاستثمار في حلول الرصد والتحقق الرقمي إلى 2.3 مليار دولار أمريكي في عام 2025. يمكن للمزارعين ومطوري المشاريع الآن الوصول إلى مراقبة موثوقة للكربون دون التكلفة الباهظة لكل هكتار لحملات أخذ عينات التربة المتكررة.

1. تقنيات الاستشعار عن بعد المستخدمة في برامج الكربون

يتم استخدام أنواع متعددة من أجهزة الاستشعار حسب النطاق ونوع المحصول والهدف من قياس الكربون. ولكل نوع مزايا مميزة.

1. أجهزة الاستشعار متعددة الأطياف تلتقط هذه الأجهزة الضوء المنعكس في نطاقات أطوال موجية منفصلة، بما في ذلك الضوء الأحمر المرئي، والأشعة تحت الحمراء القريبة، والأشعة تحت الحمراء ذات الموجة القصيرة. وتحسب مؤشرات الغطاء النباتي مثل مؤشر NDVI (مؤشر اختلاف الغطاء النباتي المعياري)، وهو نسبة تقارن انعكاس الأشعة تحت الحمراء القريبة بانعكاس الضوء الأحمر.

تعكس النباتات الصحية والكثيفة كمية أكبر من الأشعة تحت الحمراء القريبة وتمتص كمية أكبر من الضوء الأحمر، مما ينتج عنه قيمة عالية لمؤشر NDVI. يُستخدم مؤشر NDVI على نطاق واسع كمؤشر لكثافة الكتلة الحيوية والنشاط الضوئي، وكلاهما يرتبط بامتصاص الكربون.

2. أجهزة الاستشعار فائقة الطيف تستطيع هذه التقنية التقاط مئات من نطاقات الأطوال الموجية الضيقة والمتصلة بدلاً من عدد قليل من النطاقات العريضة. وتتيح هذه الدقة الطيفية العالية رصد الاختلافات الدقيقة في التركيب الكيميائي الحيوي للنبات، بما في ذلك محتوى الكلوروفيل، وماء الأوراق، وتركيز اللجنين.

ترتبط هذه الخصائص ارتباطًا وثيقًا بمحتوى الكربون فوق سطح الأرض ويمكن استخدامها لنمذجة الكتلة الحيوية للمحاصيل بدقة أكبر من بيانات الطيف المتعدد واسع النطاق.

3. تقنية LiDAR (الكشف الضوئي وتحديد المدى) يُطلق الجهاز آلاف النبضات الليزرية في الثانية الواحدة على سطح الأرض، ويقيس الزمن الذي تستغرقه كل نبضة للعودة. والنتيجة هي سحابة نقاط ثلاثية الأبعاد مفصلة للمشهد الطبيعي، تُظهر ارتفاع الغطاء النباتي وكثافة الأشجار وتضاريس الأرض.

تُقدّر الكتلة الحيوية من خلال دمج هذه القياسات الهيكلية مع المعادلات القياسية، وهي علاقات رياضية تحوّل الارتفاع والحجم إلى كتلة جافة ومحتوى كربوني. وقد وجدت دراسة نُشرت عام 2025 في ScienceDirect أن قياس عزل الكربون باستخدام تقنية LiDAR حقق معدلات خطأ أقل بكثير من طرق الجرد الميداني التقليدية للأراضي الزراعية الحرجية وأنظمة الزراعة الحرجية.

4. رادار الفتحة التركيبية (SAR) ينقل الرادار ذو الفتحة التركيبية (SAR) طاقة الموجات الدقيقة ويقيس الطاقة المنعكسة من السطح. وعلى عكس أجهزة الاستشعار البصرية، يخترق الرادار ذو الفتحة التركيبية الغطاء السحابي ويعمل ليلاً، مما يجعله ذا قيمة كبيرة في المناطق الزراعية الاستوائية حيث يحجب الغطاء السحابي المستمر وصول الأقمار الصناعية البصرية لأسابيع متواصلة. ويُعدّ الرادار ذو الفتحة التركيبية فعالاً بشكل خاص في قياس رطوبة التربة، والكشف عن الأسطح الجرداء مقابل الأسطح المغطاة بالنباتات، وتقدير الكتلة الحيوية للغطاء النباتي من خلال تحليل شدة التشتت العكسي.

5. الاستشعار عن بعد باستخدام الطائرات بدون طيار توفر هذه التقنية دقة مكانية تصل إلى مستوى السنتيمتر، وهي دقة لا تستطيع الأقمار الصناعية مجاراتها. تحلق الطائرات المسيرة المزودة بكاميرات متعددة الأطياف أو كاميرات RGB على ارتفاع منخفض لإنتاج خرائط مفصلة للغاية للحقول الفردية.

في برامج رصد الكربون، تُستخدم الطائرات المسيّرة للتحقق من صحة بيانات الأقمار الصناعية على نطاق محلي، ولإجراء تقييمات في الحقول الصغيرة أو المتفرقة حيث تكون دقة صور الأقمار الصناعية غير كافية لتمييز حدود الإدارة. تشمل منصات الأقمار الصناعية الرئيسية التي تدعم رصد الكربون ما يلي:

• لاندسات (ناسا/هيئة المسح الجيولوجي الأمريكية): دقة تصل إلى 30 متراً مع تكرار الزيارات كل 16 يوماً. ويجعلها أرشيفها التاريخي الذي يعود تاريخه إلى عام 1972 العمود الفقري لتحليل تغير استخدام الأراضي على المدى الطويل ورسم الخرائط الأساسية.
• سينتينل-1 و سينتينل-2 (وكالة الفضاء الأوروبية): يوفر القمر الصناعي Sentinel-2 صورًا متعددة الأطياف بدقة 10 أمتار مع إعادة زيارة كل 5 أيام، مما يجعله مثاليًا لمراقبة المحاصيل الموسمية. ويكمل القمر الصناعي Sentinel-1 SAR البيانات البصرية خلال فترات الغيوم.
• موديس (ناسا): دقة تتراوح بين 250 و500 متر مع تغطية عالمية يومية. تُستخدم هذه التقنية لإجراء تحليلات واسعة النطاق ومتسلسلة زمنياً لإنتاجية الغطاء النباتي وتغير استخدام الأراضي عبر مناطق بأكملها.
• بلانيت سكوب: كوكبة تجارية توفر صورًا يومية بدقة 3 أمتار، مما يتيح اكتشاف الممارسات الزراعية الفرعية في جميع العمليات الزراعية الفردية.

كيف تدعم GeoPard برامج أرصدة الكربون

GeoPard Agriculture هي منصة للزراعة الدقيقة تجمع بين صور الأقمار الصناعية وبيانات الرادار وتحليلات التضاريس لمساعدة المزارعين على تطبيق ومراقبة الممارسات التي تُنتج أرصدة كربونية موثقة. وهي تدمج الزراعة الكربونية مباشرةً في إدارة المزرعة اليومية بدلاً من التعامل معها كنشاط منفصل.

1. تطبيق الممارسة الموجهة ببيانات الأقمار الصناعية

تستخدم GeoPard بيانات الأقمار الصناعية والرادار لتحديد المناطق الحقلية ذات الإنتاجية المنخفضة المناسبة لزراعة المحاصيل الغطائية، أو الزراعة الحراجية، أو تقليل عمليات الحراثة. ويساعد حل مراقبة المحاصيل الخاص بها في توجيه قرارات التناوب الزراعي التي تُحسّن بنية التربة وتزيد من قدرتها على تخزين الكربون على المدى الطويل.

تُحدد تحليلات التضاريس المناطق الحقلية التي تستفيد أكثر من أنواع معينة من المحاصيل الغطائية، مما يزيل التخمين من ممارسة تدفع بشكل مباشر إلى عزل الكربون.

2. خفض الانبعاثات وإمكانية تتبع الرصد والمراقبة والتحقق

لخفض انبعاثات ثاني أكسيد الكربون، يدعم نظام GeoPard تبني الزراعة بدون حراثة وإدارة المخلفات الزراعية من خلال مساعدة المزارعين على التحول من أساليب تقليب التربة التقليدية. أما لخفض انبعاثات أكسيد النيتروز، فيتيح النظام إدارة المغذيات وفق مبادئ 4R، وذلك بتطبيق السماد المناسب بالكمية والوقت والمكان المناسبين، مما يقلل من النيتروجين الزائد الذي يتحول إلى أكسيد النيتروز في التربة.

فيما يخص نظام الرصد والإبلاغ والتحقق، توفر طبقات بيانات الأقمار الصناعية من GeoPard سجلاً متواصلاً ومؤرخاً زمنياً للأنشطة الميدانية طوال موسم النمو. تدعم هذه الأدلة المكانية متطلبات القياس والإبلاغ، مما يمنح جهات التحقق الخارجية بيانات موضوعية للتأكد من صحة الممارسات المزعومة.

من خلال ربط القرارات الزراعية اليومية بشكل مباشر بنتائج الكربون القابلة للقياس، يجعل GeoPard من العملي للمزارعين من جميع الأحجام المشاركة في برامج ائتمان الكربون بثقة.

كيف يُمكّن الاستشعار عن بُعد من الحصول على أرصدة الكربون: خطوة بخطوة

1. رسم الخرائط الأساسية

قبل أن يتمكن أي مشروع لانبعاثات الكربون من إصدار أي أرصدة، يجب عليه وضع خط أساس موثوق، وهو عبارة عن صورة كمية دقيقة لكمية الكربون الموجودة في منطقة المشروع، والممارسات الحالية لإدارة الأراضي. ويُعتبر خط الأساس هذا هو المرجع الذي تُقاس عليه جميع التحسينات المستقبلية.

يُمكّن الاستشعار عن بعد من رسم خرائط أساسية من خلال العديد من التحليلات المتكاملة. ويحدد رسم خرائط الغطاء النباتي باستخدام بيانات مؤشر الغطاء النباتي الطبيعي (NDVI) ومؤشر مساحة الأوراق أنواع المحاصيل الحالية وكثافة الكتلة الحيوية وأنماط موسم النمو.

يكشف تحليل استخدام الأراضي التاريخي باستخدام أرشيف لاندسات الممتد لعقود عن ما إذا كان الحقل قد خضع للزراعة التقليدية، أو كان مرعى، أو زراعة مختلطة خلال السنوات العشر إلى العشرين الماضية. ويكتسب هذا التاريخ أهمية بالغة لأن مستويات الكربون في التربة تعكس الإدارة التراكمية على مدى عقود، وليس فقط الموسم الحالي.

تجمع عملية رسم خرائط خصائص التربة بين بيانات الأقمار الصناعية فائقة الطيف وعينات التربة المرجعية لإنتاج خرائط متصلة مكانيًا للكربون العضوي في التربة، ونسيجها، ومحتواها من الطين. ويستخدم تحديد حدود المشروع صور الأقمار الصناعية المسجلة بنظام تحديد المواقع العالمي (GPS) لتحديد الحدود الجغرافية الدقيقة لمشروع الكربون، وهو شرط أساسي لجميع سجلات الكربون الرئيسية، بما في ذلك Verra وGold Standard.

2. التحقق العملي

تتطلب سجلات الكربون أدلة مستمرة تثبت تطبيق الممارسات المستدامة فعلياً، وليس مجرد ادعاءات. يوفر الاستشعار عن بعد هذه الأدلة من خلال تحليل السلاسل الزمنية لصور الأقمار الصناعية على مدار مواسم النمو بأكملها.

أولاً: الكشف عن المحاصيل الغطائية تستخدم هذه الدراسة مؤشرات الغطاء النباتي الشتوية لتحديد الغطاء الأرضي النشط النمو بين دورات المحاصيل النقدية. ويُظهر الحقل المزروع بمحاصيل تغطية قيمًا أعلى بكثير لمؤشر NDVI خلال فترة عدم الزراعة مقارنةً بالحقل غير المزروع.

حققت الأبحاث المنشورة في المركز الوطني لمعلومات التكنولوجيا الحيوية (2024) باستخدام بيانات Sentinel-2 في ولاية ساوث داكوتا دقة تصنيف تتجاوز 80% للكشف عن وجود المحاصيل الغطائية وكثافة الحراثة في حقول الذرة وفول الصويا.

نشرت دراسة أجرتها ScienceDirect (2024) خط أنابيب MRV عبر 553,743 هكتارًا وتم قياس انخفاضات الانبعاثات لـ 398,408.5 طن من مكافئ ثاني أكسيد الكربون خلال ثلاث إصدارات متتالية من أرصدة الكربون، يُعزى الانخفاض بشكل أساسي إلى إدخال محاصيل تغطية وتقليل كثافة الحراثة. يمكن لأنظمة الرصد والإبلاغ والتحقق القائمة على الأقمار الصناعية الآن العمل على نطاق مناطق زراعية بأكملها، وليس فقط مواقع مشاريع فردية.

ثانيًا: التحقق من الزراعة بدون حراثة تعتمد هذه الطريقة على مراقبة سطح التربة بين الحصاد والزراعة. بعد الحصاد بدون حراثة، تبقى بقايا المحاصيل على السطح، وتبقى قيم مؤشر الغطاء النباتي (NDVI) مرتفعة بشكل معتدل نتيجة لانعكاس هذه البقايا. أما الحقل المحروث فيُظهر تغيرات مفاجئة في نسيج السطح والبصمة الطيفية، والتي يمكن رصدها في صور الأقمار الصناعية بدقة تتراوح بين 10 و30 مترًا. تُكمّل بيانات الرادار ذي الفتحة التركيبية (SAR) التحليل البصري من خلال رصد تغيرات رطوبة التربة المرتبطة بالاضطرابات الميكانيكية.

ثالثاً: رصد الاحتفاظ بمخلفات المحاصيل تستخدم هذه التقنية نطاقات الأشعة تحت الحمراء قصيرة الموجة لتقدير النسبة المئوية لمخلفات المحاصيل التي تغطي التربة بعد الحصاد. تتميز المخلفات ببصمة طيفية مميزة مقارنة بالتربة العارية، مما يسمح لمؤشرات تغطية المخلفات المستمدة من صور الأقمار الصناعية بتقدير ما إذا كانت مساحة 30% أو 50% أو 70% من السطح مغطاة، وهي عتبات تحدد بشكل مباشر الأهلية وحجم الائتمان في العديد من المنهجيات.

رابعاً: رصد تناوب المحاصيل يتتبع القمر الصناعي Sentinel-2 التغيرات في أنواع المحاصيل عبر مواسم متعددة باستخدام بيانات السلاسل الزمنية الطيفية. لكل محصول بصمة فينولوجي فريدة، تشمل نمط الإخضرار، وذروة النمو، والشيخوخة خلال موسم النمو. وتلتقط زيارات Sentinel-2 المتكررة كل 5 أيام هذه الديناميكيات بدقة كافية لتمييز الذرة عن فول الصويا والقمح على مدى سنوات متتالية.

3. تقدير الكتلة الحيوية ومخزون الكربون

يتطلب قياس مخزون الكربون تحويل خصائص الغطاء النباتي والتربة المرئية إلى تقديرات كمية للكربون المخزن. وتغذي تقنيات الاستشعار عن بعد هذه العملية من خلال تدفقات بيانات متعددة.

الكتلة الحيوية فوق سطح الأرض (AGB) تعتمد عملية التقدير على ارتفاع الغطاء النباتي المُستمد من بيانات LiDAR، وكثافة الغطاء النباتي المُستمدة من الصور البصرية، ومؤشر مساحة الورقة (LAI) المُستمد من انعكاس الأشعة تحت الحمراء القريبة. تُغذي هذه المدخلات معادلات القياسات الحيوية التي تُنتج تقديرات الكتلة الحيوية بالطن لكل هكتار. ويُحسب محتوى الكربون عادةً على النحو التالي تقريبًا 47-50% وزن الكتلة الحيوية الجافة، وهو عامل تحويل تم التحقق من صحته عبر مئات الأنواع من قبل الهيئة الحكومية الدولية المعنية بتغير المناخ ومنظمة الأغذية والزراعة.

الكربون العضوي في التربة (SOC) يُعدّ التقدير أكثر تعقيدًا لأن الكربون الموجود تحت سطح الأرض لا يمكن رصده مباشرةً من الأعلى. وتساهم تقنيات الاستشعار عن بُعد من خلال الصور فائقة الطيف التي تكشف عن البصمات الطيفية للمادة العضوية في التربة في الحقول الجرداء أو ذات الغطاء النباتي الخفيف، ومن خلال بيانات رطوبة التربة المستمدة من تقنية الرادار ذي الفتحة التركيبية (SAR) التي تؤثر على معدلات دوران الكربون.

يتم دمج مدخلات الاستشعار عن بعد هذه مع نماذج قائمة على العمليات مثل RothC أو CENTURY، والتي تحاكي كيفية تحلل المادة العضوية واستقرارها في ظل ظروف مناخية وإدارية مختلفة.

تعتمد مصداقية رصيد الكربون كلياً على دقة القياس الذي يستند إليه. ويحوّل الاستشعار عن بعد عملية التحقق من الكربون من عملية ميدانية مكلفة إلى سجل تدقيق مستمر قائم على البيانات.

تُستخدم خوارزميات التعلم الآلي، بما في ذلك الغابات العشوائية، وتعزيز التدرج، ونماذج التعلم العميق، بشكل متزايد لدمج مدخلات الاستشعار عن بعد مع القياسات الميدانية.

أظهر بحث نُشر في مجلة PeerJ (2024) أن نماذج التعلم الآلي التي تجمع بين مؤشرات الأقمار الصناعية متعددة الأطياف مع أخذ عينات محدودة من التربة يمكن أن تتنبأ بالكربون العضوي في التربة بدقة تنافسية، مما يقلل من عدد عينات التربة المدمرة المطلوبة للتحقق من صحة المشروع.

القياس والإبلاغ والتحقق (MRV): أساس أرصدة الكربون

يُعدّ نظام القياس والإبلاغ والتحقق (MRV) إطارًا إداريًا يفصل بين أرصدة الكربون الموثوقة والمطالبات غير القابلة للتحقق. ويشترط كل سجل رئيسي للكربون على المشاريع اتباع بروتوكول MRV معتمد. وقد أصبح الاستشعار عن بُعد جزءًا لا يتجزأ من المراحل الثلاث جميعها.

1. القياس: جمع البيانات

تتضمن عملية القياس جمع البيانات الأولية التي تُحسب منها كميات الكربون. في البرامج القائمة على الأقمار الصناعية، يبدأ ذلك بالاستيعاب الآلي للصور متعددة الأطياف وصور الرادار ذي الفتحة التركيبية (SAR) على فترات منتظمة طوال موسم النمو.

توفر المسوحات الجوية باستخدام الطائرات المسيّرة بيانات أرضية عالية الدقة في المراحل الفينولوجية الرئيسية. وتجمع حملات أخذ عينات التربة المستهدفة قياسات ميدانية لمعايرة وتأكيد تقديرات الكربون العضوي في التربة المستمدة من الأقمار الصناعية. وتُشغَّل خوارزميات تقدير الكتلة الحيوية على البيانات المجمعة لإنتاج قيم مخزون الكربون على مستوى الحقل.

2. إعداد التقارير: تحويل القياسات إلى أرصدة

تحوّل عملية إعداد التقارير البيانات المعالجة إلى حزمة وثائق رسمية تُقدّم إلى سجل الكربون. ويشمل ذلك جداول بيانات محاسبة الكربون، والخرائط المكانية لأنشطة المشروع، وأدلة على تطبيق الممارسات، ونماذج لتغيرات مخزون الكربون خلال فترة التحقق.

يُشترط الالتزام بالمعايير الدولية، بما في ذلك معيار ISO 14064-2 وإرشادات بروتوكول غازات الاحتباس الحراري. وتُعدّ أرشيفات السلاسل الزمنية للأقمار الصناعية بمثابة سجلات غير قابلة للتلاعب تدعم كل رقم مُبلغ عنه.

3. التحقق: تأكيد مستقل

يقوم مدققون من جهات خارجية بمراجعة الوثائق المقدمة وتقييم ما إذا كانت نتائج الكربون المبلغ عنها حقيقية، وإضافية (بمعنى أنها ما كانت لتحدث بدون المشروع)، ودائمة.

توفر أدلة الاستشعار عن بعد، بما في ذلك أرشيفات صور الأقمار الصناعية ومسح الطائرات المسيّرة، للمدققين بيانات موضوعية لمقارنتها بادعاءات المشروع. ويكشف تحليل السلاسل الزمنية عن التناقضات، مثل ادعاء مزارع بتطبيق تقنية الزراعة بدون حراثة في حقل تظهر فيه بصمات طيفية لاضطراب ميكانيكي.

يتم دمج اكتشاف الاحتيال من خلال خوارزميات نقطة التغيير بشكل متزايد في منصات التحقق من الرصد والإبلاغ الرقمي لتحديد الحالات الشاذة قبل وصولها إلى مرحلة التحقق.

وفقًا للبيانات التي نشرتها مارك ستاتس (2026)، فإن التقارب بين صور الأقمار الصناعية عالية الدقة والتعلم الآلي قد خفض تكلفة الرصد والتحقق من الصحة لكل مزرعة بنسبة 70-90% بين عامي 2018 و2025، مما مكّن شركة إنديجو كاربون من إدارة أكثر من 8 ملايين فدان مسجلة في 28 ولاية أمريكية مع 85% تخفيف عبء جمع البيانات الإدارية.

إن تخفيضات التكاليف بهذا الحجم تعني أن بإمكان صغار المزارعين والشركات متوسطة الحجم الآن المشاركة في برامج أرصدة الكربون التي كانت متاحة سابقًا فقط لكبار منتجي السلع.

4. كيف تحدد عملية الرصد والإبلاغ والتحقق القيمة الحقيقية لشهادة الكربون

لا يُعدّ التحقق من الرصد والإبلاغ والتحقق (MRV) مجرد شرط امتثال، بل هو ما يحدد القيمة السوقية الحقيقية لشهادة الكربون. فالمشترون والمستثمرون والجهات التنظيمية يُسعّرون شهادات الكربون بناءً على مدى موثوقية التحقق من الكربون الأساسي. أما الشهادة التي لا تتوفر عنها معلومات كافية للتحقق من الرصد والإبلاغ والتحقق، فتُباع بخصم أو تُرفض نهائياً.

بدون نظام موثوق للإبلاغ والتحقق من الانبعاثات، تصبح أرصدة الكربون مجرد تخمينات. فقد يدّعي مزارع زراعة محاصيل تغطية بينما لم يزرعها. وقد يبالغ مطوّر مشروع في تقدير مكاسب الكربون في التربة. وقد يموّل المشترون، دون علمهم، مشاريع لا تُحقق أي فائدة مناخية حقيقية. يسدّ نظام الإبلاغ والتحقق من الانبعاثات كل هذه الثغرات من خلال اشتراط تقديم أدلة موثقة وقابلة للتحقق وموحدة في كل خطوة.

بالنسبة للمزارعين، يُعدّ نظام الرصد والإبلاغ والتحقق القويّ في صالحهم. فهو يُزيل عبء الإبلاغ الذاتي ويستبدله بأدلة مدعومة بالأقمار الصناعية لا يمكن لأي سجل أو مشترٍ الطعن فيها. هذا التحوّل من التحقق القائم على الثقة إلى التحقق القائم على البيانات هو ما يسمح لصغار المزارعين بالمنافسة في أسواق الكربون نفسها التي تتنافس فيها الشركات الزراعية الكبرى.

بالنسبة لسوق الكربون ككل، فإن نظام الإبلاغ والتحقق الموثوق هو ما يميز العمل المناخي الحقيقي عن التضليل البيئي. فكل طن من ثاني أكسيد الكربون يُحتسب مرتين، أو يُقدّر بشكل غير دقيق، أو يُدّعى دون دليل، يُضعف النظام بأكمله.

يُسهم نظام الرصد والإبلاغ والتحقق المدعوم بالاستشعار عن بُعد في سد هذه الفجوة من خلال جعل القياس موضوعيًا، والإبلاغ موحدًا، والتحقق مستقلًا. ولهذا السبب، تحظى أرصدة الكربون المدعومة بنظام الرصد والإبلاغ والتحقق عبر الأقمار الصناعية بعلاوة سعرية تتراوح بين 15 و251 تريليون تيراواط في الأسواق الطوعية، حيث يدفع المشترون أكثر لأن الأدلة العلمية التي تدعم هذه الأرصدة يصعب دحضها.

فوائد الاستشعار عن بعد لبرامج أرصدة الكربون

إن مزايا الاستشعار عن بعد مقارنة بمراقبة الكربون الميدانية البحتة كبيرة وتتضاعف مع توسع البرامج لتغطية مساحة أكبر من الأرض.

1. أصبح الرصد واسع النطاق ممكناً بتكلفة زهيدة. تغطي صورة واحدة من القمر الصناعي Sentinel-2 مساحة 100 × 100 كيلومتر، وترصد آلاف المزارع في مرور واحد دون أي تدخل من الطاقم الأرضي.
2. أصبح التحقق أسرع وأقل استهلاكاً للعمالة. برامج الكربون التي كانت تتطلب سابقاً شهوراً من الزيارات الميدانية يمكنها إكمال التحقق من الممارسات في غضون أيام باستخدام خطوط تحليل الأقمار الصناعية الآلية.
3. تزداد الشفافية بالنسبة للمشترين والسجلات والمستثمرين. توفر الأرشيفات الفضائية سجلاً موضوعياً وقابلاً للتكرار لما حدث في موقع ما خلال فترة المشروع، بغض النظر عن مصالح أي جهة معنية.
4. يتم تقليل الخطأ البشري. يطبق تصنيف الصور الآلي ونمذجة الكربون خوارزميات متسقة عبر جميع مناطق المشروع، مما يزيل التباين الناتج عن استخدام مقيّمين ميدانيين مختلفين لأساليب أخذ عينات مختلفة.
5. تتزايد ثقة المستثمرين. ويشترط المشترون المؤسسيون بشكل متزايد التحقق الكمي المدعوم بالبيانات من الجدارة الائتمانية قبل استثمار رؤوس أموالهم في مشاريع الكربون. وتحظى الآن الجدارة الائتمانية المدعومة بالاستشعار عن بُعد والمُصنّفة وفقًا لمبادئ الكربون الأساسية (CCP) بشعبية كبيرة. علاوات سعرية 15-25%, ، وفقًا لبيانات مجلس النزاهة لسوق الكربون الطوعي لعام 2025.

يُسهم تحسين عملية صنع القرار في إيصال المعلومات إلى جميع الأطراف المعنية. يتلقى المزارعون بيانات مكانية دقيقة حول أداء الحقول، سواءً كان جيدًا أم ضعيفًا، فيما يتعلق بنتائج خفض انبعاثات الكربون. كما يُمكن لمطوري المشاريع تخصيص موارد الرصد للمناطق عالية المخاطر. وتستطيع سجلات البيانات تحديد أولويات جهود التحقق بناءً على الكشف الآلي عن الحالات الشاذة.

التحديات والقيود في أسواق الكربون

يُعدّ الاستشعار عن بُعد تقنيةً قوية، لكنها ليست بلا حدود. ويُعدّ فهم قيودها الحالية أمراً ضرورياً لتصميم برامج خفض الكربون التي تظل قابلة للدفاع عنها علمياً.

1. لا تزال الغيوم تشكل عائقًا مستمرًا أمام أجهزة الاستشعار البصرية عبر الأقمار الصناعية في المناطق الزراعية الاستوائية والمتأثرة بالرياح الموسمية. وخلال فترات حاسمة من موسم النمو، قد يتعذر إجراء عمليات رصد متتالية خالية من الغيوم، مما يُحدث فجوات في سجل الرصد. يُعوض الرادار ذو الفتحة التركيبية (SAR) هذا النقص جزئيًا، إلا أن دمج مجموعات بيانات متعددة من أجهزة الاستشعار يزيد من تعقيد عملية المعالجة.
2. لا يمكن رصد الكربون الموجود تحت سطح الأرض مباشرة من الفضاء. ويعتمد تقدير الكربون العضوي في التربة من خلال الاستشعار عن بعد دائماً على النموذج المستخدم، ويعتمد على مؤشرات طيفية سطحية وعمليات محاكاة قائمة على العمليات تنطوي على قدر كبير من عدم اليقين.
3. تُحدّ الدقة المكانية من رصد الممارسات الزراعية على نطاق الحقول الصغيرة. ففي المناطق التي يهيمن عليها الزراعة الصغيرة ذات الحقول التي تقل مساحتها عن هكتار واحد، قد تمتد حتى وحدات البكسل في القمر الصناعي Sentinel-2 التي تبلغ دقتها 10 أمتار عبر حدود إدارية متعددة، مما يجعل تحديد الممارسات الزراعية بدقة أمرًا صعبًا.
4. لا يزال التحقق الميداني ضروريًا. تتطلب نماذج الأقمار الصناعية معايرة باستخدام عينات التربة الميدانية والملاحظات الميدانية. لا توجد حاليًا أي منهجية للاستشعار عن بعد تُغني تمامًا عن الحاجة إلى البيانات الأرضية.

يمثل توحيد المعايير في برامج الكربون تحديًا آخر. إذ تقبل السجلات المختلفة منهجيات استشعار عن بُعد ومنصات أقمار صناعية ونماذج مختلفة. وقد لا يعترف مشترٍ يعمل وفق معيار مختلف برصيد تم التحقق منه باستخدام منهجية معينة، مما يُؤدي إلى تجزئة السوق ويُحد من سيولة الرصيد ومشاركة المزارعين.

مستقبل الاستشعار عن بعد في أسواق الكربون

يشير معدل الابتكار في تكنولوجيا الأقمار الصناعية والذكاء الاصطناعي والبنية التحتية للزراعة الرقمية إلى أنه سيتم حل قيود أنظمة الاستشعار عن بعد الحالية تدريجياً خلال العقد القادم.

تُحدث تقنيات الذكاء الاصطناعي والتعلم الآلي تحولاً جذرياً في تقدير انبعاثات الكربون. إذ تستطيع نماذج التعلم العميق، المدربة على ملايين الصور الملتقطة عبر الأقمار الصناعية، تحديد أنماط الحراثة وأنواع المحاصيل والتغيرات في الممارسات الزراعية بدقة أكبر وبتكلفة أقل لكل حقل مقارنةً بأي طريقة سابقة.

أظهرت النماذج الرائدة المنشورة في مجلة الاستشعار عن بعد للبيئة (2024) أن نماذج التعلم الآلي الطيفية الفائقة يمكنها التنبؤ بالكربون العضوي في التربة عبر النطاقات القارية بدقة تنافسية عند تدريبها على مكتبات طيفية للتربة متنوعة مكانيًا.

إن مجموعات الأقمار الصناعية التجارية عالية الدقة، بما في ذلك تغطية PlanetScope اليومية التي تبلغ 3 أمتار والأنظمة عالية الدقة للغاية القادمة، تجعل مراقبة الممارسات الفرعية متاحة للبرامج التي تعمل على مستوى المزرعة الفردية.

يُتيح دمج بيانات الطائرات بدون طيار والأقمار الصناعية اتباع نهج مراقبة متعدد الطبقات: حيث توفر الأقمار الصناعية تغطية مستمرة بينما توفر الطائرات بدون طيار تفاصيل التحقق عندما تكون هناك حاجة ماسة إليها.

• تكامل إنترنت الأشياء يسمح بتغذية بيانات مستشعرات التربة في الوقت الفعلي من شبكات مجسات الرطوبة والكربون الموجودة في الحقل مباشرة في خطوط معايرة الاستشعار عن بعد، مما يقلل الاعتماد على أخذ عينات التربة اليدوية الدورية.
• التوائم الرقمية للمناظر الطبيعية الزراعية تُعدّ هذه الأساليب وسيلةً واعدةً لمحاكاة ديناميكيات الكربون في المزرعة بأكملها، وذلك باستخدام بيانات الاستشعار عن بُعد، والطقس، والتربة مجتمعةً. وتتيح بيئات المحاكاة هذه لمطوري المشاريع نمذجة سيناريوهات "ماذا لو" لمختلف الممارسات الزراعية قبل اعتماد منهجية محددة.
• تتبع الكربون باستخدام تقنية البلوك تشين يربط هذا الرابط أحداث الكربون التي تم التحقق منها عبر الأقمار الصناعية بسجلات دفتر الأستاذ غير القابلة للتغيير، مما يوفر للمشترين مسار تدقيق كامل من الملاحظة الميدانية إلى سداد الرصيد.
• منصات التصوير بالرنين المغناطيسي الآلي تستبدل هذه التقنيات عمليات إدخال البيانات اليدوية. تستخدم شركات مثل أغرينا في الدنمارك بيانات مراقبة الأرض لرصد التغيرات في إدارة الأراضي عبر آلاف المزارع في الاتحاد الأوروبي، حيث يتم إصدار أرصدة الكربون بناءً على تحليل مستمر للأقمار الصناعية بموجب لائحة الاتحاد الأوروبي بشأن الزراعة الكربونية (EU 2024/3012).

سيُتيح رصد الكربون شبه الفوري، مع ترددات إعادة زيارة الأقمار الصناعية التي تقترب من اليومية، وأنظمة تحليل البيانات التي تعالج الصور في غضون ساعات من التقاطها، إمكانية رصد أي تغييرات في الممارسات الزراعية، مثل عودة المزارع إلى حرث الأرض في منتصف المشروع، قبل حدوث خسائر كبيرة في الكربون. وتُسهم كوكبات الأقمار الصناعية العالمية والبنية التحتية المتنامية لمعالجة البيانات في جعل هذه الإمكانية في متناول سجلات الكربون الرئيسية بحلول أواخر العقد الحالي.

الخاتمة

تتلخص آلية تمكين الاستشعار عن بُعد لإصدار أرصدة الكربون في ميزة أساسية واحدة: تحويل ما هو غير مرئي إلى قابل للقياس. لا يمكن وزن الكربون المخزن في التربة والنباتات أو عدّه بشكل مباشر. لكن الممارسات الزراعية التي تحدد كمية الكربون الموجودة في أي منطقة، بما في ذلك أنواع المحاصيل المزروعة، وكيفية إدارة التربة، وكيفية توزيع الكتلة الحيوية، تترك جميعها بصمات طيفية وبنيوية قابلة للكشف، يمكن للأقمار الصناعية وأنظمة الليدار ومنصات الرادار ذي الفتحة التركيبية (SAR) رصدها وتسجيلها وقياسها كميًا.

من رسم الخرائط الأساسية إلى التحقق من الممارسات، ومن تقدير الكتلة الحيوية إلى توثيق نظام الرصد والإبلاغ والتحقق، يوفر الاستشعار عن بُعد الأساس العلمي الذي تحتاجه أسواق الكربون للعمل بنزاهة. لم تكن العلاقة بين الزراعة الدقيقة وأسواق الكربون أقوى من أي وقت مضى. فالمزارعون الذين يتبنون ممارسات الإدارة القائمة على البيانات لا يُحسّنون إنتاجيتهم فحسب، بل يُنتجون أيضًا ذلك النوع من الأدلة الكربونية القابلة للتحقق والمحددة مكانيًا، والتي يطالب بها بشكل متزايد كل من السجلات والمشترين والجهات التنظيمية.

يُعدّ رصد التبخر النتحي باستخدام الاستشعار عن بُعد أحد أهم التطورات في علوم المياه الزراعية خلال العقدين الماضيين. فمن خلال الجمع بين البيانات الحرارية المستمدة من الأقمار الصناعية، ومؤشرات الغطاء النباتي، وفيزياء توازن الطاقة، أصبح بإمكان العلماء والمزارعين الآن تقدير كمية المياه التي تغادر سطح الأرض عبر ملايين الهكتارات، دون الحاجة إلى أي جهاز استشعار أرضي.

تُحدث هذه القدرة تحولاً جذرياً في كيفية تخطيط المهندسين الزراعيين للري، وكيفية تتبع الحكومات للجفاف، وكيفية قياس الباحثين للبصمة المائية لأحواض الأنهار بأكملها. يستهلك القطاع الزراعي ما يقارب 701 تريليون طن من إجمالي المياه العذبة المسحوبة عالمياً، ومع ذلك، لا يتم قياس معظم هذه المياه بشكل مباشر على مستوى الحقول - وهي فجوة حرجة تعمل تقنيات رصد التبخر والنتح عن بُعد على سدها بسرعة.

ما هو النتح التبخري؟

النتح التبخري (ET) هو العملية المركبة التي ينتقل من خلالها الماء من سطح الأرض إلى الغلاف الجوي. ويتكون من عنصرين يعملان في وقت واحد: التبخر، وهو التحويل المباشر للماء السائل من التربة والمسطحات المائية وأسطح النباتات إلى بخار ماء؛ والنتح، وهو الحركة البيولوجية للماء الذي تمتصه جذور النباتات، وينتقل إلى أعلى عبر الساق، وينطلق على شكل بخار من خلال مسام صغيرة في الأوراق تسمى الثغور.

تُشكّل هاتان العمليتان معًا أكبر تدفق للمياه الخارجة من النظام البيئي الأرضي. في معظم الأراضي الزراعية، تُعيد عملية التبخر النتحي ما بين 60 و80 بالمئة من إجمالي الهطول إلى الغلاف الجوي. هذه النسبة تجعل التبخر النتحي المتغير المهيمن في توازن المياه الأرضية، وأكثر تأثيرًا من الجريان السطحي أو التسرب العميق في معظم البيئات المزروعة.

يُمثل التبخر النتحي محور الدورة الهيدرولوجية، إذ يربط بين سطح الأرض والغلاف الحيوي والغلاف الجوي. عندما ترتفع معدلات التبخر النتحي، ينضب رطوبة التربة بسرعة أكبر، وينخفض تدفق الأنهار الأساسي، وتتراجع معدلات تغذية طبقات المياه الجوفية. وعندما يتباطأ التبخر النتحي - نتيجةً للإجهاد الناتج عن الجفاف، أو شيخوخة المحاصيل، أو تغير استخدام الأراضي - فإن العواقب تمتد لتؤثر على توافر المياه في المصب.

في علم المناخ، يُعدّ التبخر النتحي آلية ربط أساسية بين دورتي الكربون والماء. تفتح النباتات ثغورها لامتصاص ثاني أكسيد الكربون لعملية التمثيل الضوئي، وفي الوقت نفسه، تُطلق بخار الماء. أي تغيير في الغطاء النباتي العالمي، أو درجة الحرارة، أو تركيز ثاني أكسيد الكربون يُغيّر توازن التبخر النتحي على مستوى الكوكب، ويؤثر بدوره على أنماط هطول الأمطار الإقليمية.

لماذا يُعد رصد التبخر النتحي أولوية في إدارة المياه؟

تُسهم بيانات التبخر والنتح الدقيقة في اتخاذ قرارات أفضل في قطاعات متعددة. ففي الزراعة، تُتيح معرفة الاستخدام الفعلي للمياه في المحصول على مستوى الحقل لمدير الري تحديد كمية المياه اللازمة، وتوقيت الري، ومواقع نقص المياه قبل ظهور أي علامات إجهاد واضحة على المحصول.

تمنع هذه الدقة كلاً من الإفراط في الري، الذي يهدر المياه ويؤدي إلى تسرب العناصر الغذائية، ونقص الري، الذي يؤدي إلى انخفاض المحصول.

1. جدولة الري: يُغني جدولة الري القائمة على التبخر والنتح عن التخمين، إذ يعتمد على قوانين الفيزياء. فعندما يعلم المزارع أن حقل الذرة في شهر يوليو يفقد 7 ملم من الماء يوميًا بسبب التبخر والنتح، يمكنه تعويض هذا النقص بدقة بدلاً من الري وفق فاصل زمني ثابت.

2. رصد الجفاف: يشير الانخفاض المستمر في معدل التبخر الفعلي مقارنةً بمعدل التبخر المرجعي (ما يتبخر عادةً في ظل وفرة المياه) إلى بداية الإجهاد الناتج عن الجفاف. وتلتقط تقنيات الاستشعار عن بُعد هذه الإشارة قبل أسابيع من ظهور أي انخفاض ملحوظ في المحصول.

3. تخطيط موارد المياه: يتطلب حساب المياه على مستوى الأحواض بيانات التبخر والنتح على نطاق مستجمعات المياه. يوفر رصد التبخر والنتح عبر الأقمار الصناعية هذه التغطية المكانية بتكلفة أقل بكثير من تكلفة شبكة المحطات الأرضية.

4. تقييم تغير المناخ: تكشف اتجاهات التبخر النتحي على المدى الطويل كيف تؤدي درجات الحرارة المرتفعة وأنماط هطول الأمطار المتغيرة إلى تغيير استخدام المياه في النظام البيئي - وهي بيانات تفيد في تخطيط التكيف على المستويين الإقليمي والوطني.

5. رصد صحة النظام البيئي: تتأثر معدلات التبخر النتحي في الأراضي الرطبة، ونتح الغابات، واستخدام المياه في المراعي بشكل كبير بالاضطرابات البيئية. ويرصد الاستشعار عن بعد للتبخر النتحي هذه التغيرات عبر مساحات شاسعة يصعب الوصول إليها.

ما هي العوامل التي تؤثر على النتح؟

يتأثر التبخر النتحي (ET) بمجموعة من العوامل المناخية وخصائص البيئة الطبيعية وبيولوجيا النبات. فيما يلي تفصيل للعوامل الرئيسية المؤثرة.

1. نوع التربة. يلعب تركيب التربة دوراً هاماً في احتفاظها بالماء وتبخره. تميل التربة الرملية أو الحصوية إلى الاحتفاظ بكمية أقل من الماء وإطلاق المزيد منه عن طريق التبخر، بينما تتميز التربة الطينية أو الغنية بالطين بقدرة أفضل على الاحتفاظ بالرطوبة.

2. درجة حرارة الهواء. تؤثر درجة الحرارة بشكل مباشر على معدلات التبخر والنتح. فالهواء الدافئ لديه قدرة أكبر على الاحتفاظ بالرطوبة، وتؤدي الحرارة المتزايدة إلى تسريع تحويل الماء إلى بخار، مما يزيد من التبخر والنتح.

3. الإشعاع الشمسي. لا يقتصر الإشعاع الشمسي على توليد الحرارة فحسب، بل يشمل أيضاً اختلافات في مستويات الطاقة والتردد والبياض، وكلها عوامل تؤثر على التبخر النتحي. وتختلف هذه العوامل باختلاف الموقع والوقت من السنة، وغالباً ما يتطلب قياسها بدقة تقنيات متقدمة.

4. الرطوبة. تشير الرطوبة النسبية إلى كمية بخار الماء الموجودة في الهواء مقارنةً بسعته القصوى. عندما تكون الرطوبة عالية، يمتص الهواء كمية أقل من الرطوبة الإضافية، مما يبطئ عملية النتح. وعلى العكس، يمكن للهواء الجاف امتصاص المزيد من البخار، مما يؤدي إلى ارتفاع معدلات النتح.

5. الغطاء النباتي. تتفاعل أنواع النباتات المختلفة مع الماء بطرق متباينة. فبعضها يخزن الماء بكفاءة خلال فترات الجفاف، بينما يفقده البعض الآخر بسرعة أكبر. كما تتأثر معدلات التبخر والنتح بعمر النبات وصحته وعمق جذوره؛ فالجذور الأعمق تسمح للمحاصيل بالبقاء لفترات أطول دون ري. هذه الاختلافات الفسيولوجية تعني أن التبخر والنتح قد يتباين بشكل كبير بين أنواع المحاصيل، مما يستدعي استراتيجيات ري مصممة خصيصًا لكل نوع.

6. سرعة الرياح. تُعدّ الرياح عاملاً رئيسياً في كلٍّ من التبخر والنتح. فهي تُبدد طبقة الهواء الرطب المتراكمة فوق النباتات، مما يزيد من النتح. كما تُساعد على انتشار بخار الماء عبر مسام النباتات، مما يُعزز النتح. مع ذلك، قد تُعيق الرياح القوية والجافة انتشار بخار الماء أحياناً، مما يُقلل النتح قليلاً في بعض الظروف.

المفاهيم الأساسية للتبخر والنتح

يعكس التبخر النتحي الصفري (ET(0)) قدرة الغلاف الجوي على نقل فقدان الماء، وهو يعتمد كليًا على المناخ. أما التبخر النتحي المُعدَّل (ET(c)) فيقيس الماء المفقود من محاصيل صحية، مروية جيدًا، تنمو في ظروف مثالية وبأقصى إنتاجية ممكنة. عندما تواجه المحاصيل إدارة غير مثالية أو تحديات بيئية، يجب تعديل ET(c) ليصبح ET(c adj). يُفهم التبخر النتحي للمحاصيل من خلال ثلاثة مفاهيم متميزة:

1. ET(0) — التبخر المرجعي
2. ET(c) — التبخر النتحي في ظل الظروف القياسية
3. ET(c adj) — التبخر النتحي في ظل ظروف غير قياسية

1. التبخر المرجعي - ET(0)

يمثل ET(0) معدل تبخر الماء من سطح مرجعي مروي جيدًا - والذي يتم نمذجته عادةً على أنه غطاء عشبي مثالي يفي بمعايير محددة.

يقيس هذا المؤشر الطلب التبخري للغلاف الجوي بغض النظر عن نوع المحصول أو مرحلة نموه أو الممارسات الزراعية. ولأن السطح المرجعي يُفترض أنه رطب تمامًا، فإن ظروف التربة تُستبعد من الحساب، مما يُغني عن تحديد عتبات تبخر منفصلة لكل محصول في كل مرحلة نمو.

يعتمد ET(0) كليًا على المتغيرات المناخية، وتختلف القيم النموذجية عبر المناطق المناخية الزراعية، على الرغم من أن هذه الأرقام لا تعدو كونها معايير عامة.

2. التبخر النتحي في ظل الظروف القياسية — ET(c)

يقيس ET(c) كمية المياه المنبعثة من محصول صحي ومتغذٍ جيدًا، يُزرع في حقول واسعة مروية بشكل كافٍ في ظل ظروف جوية مواتية، ويعمل بأقصى إنتاجية. ويُحسب بضرب قيمة ET المرجعية في معامل المحصول K(c).

ET(c) = ET(0) × K(c)

3. التبخر النتحي في ظل ظروف غير قياسية — ET(c adj)

يُراعي ET(c adj) الانحرافات الواقعية عن ظروف النمو المثالية. فعوامل مثل ضغط الآفات والأمراض، ونقص المياه أو زيادتها، وملوحة التربة، وضعف خصوبتها، قد تؤدي إلى اختلاف استخدام المحصول الفعلي للمياه اختلافًا كبيرًا عن ET(c). ولذلك، يُضاف معامل الإجهاد المائي K(s) إلى جانب معامل المحصول لرصد هذه التأثيرات.

ET(ج صفة) = ET(0) × K(ج) × K(s)

الطرق التقليدية لقياس التبخر النتحي

قبل ظهور تقنيات الاستشعار عن بُعد، كان العلماء يقيسون التبخر النتحي باستخدام أجهزة قياس مباشرة. كل طريقة فعّالة ضمن نطاق محدد، لكنها تنطوي على عيوب كبيرة تحدّ من تطبيقاتها الزراعية الواسعة. من أفضل تقنيات قياس التبخر النتحي الأرضية ما يلي:

1. جهاز قياس الرشح: يقيس جهاز قياس النتح (وهو عبارة عن وعاء كبير مملوء بالتربة والمحصول النامي، مثبت بمستوى سطح الأرض) النتح عن طريق وزن كتلة التربة على مدى فترة زمنية. وعندما يتم التحكم في هطول الأمطار وجمع مياه الصرف، فإن الفرق في الكتلة بين الفترات الزمنية يساوي النتح الفعلي.

توفر أجهزة قياس التبخر النتحي أدق قياسات التبخر النتحي المتاحة، لكنها تكلف مئات الآلاف من الدولارات لكل وحدة، وتغطي بضعة أمتار مربعة فقط، ولا يمكنها تمثيل التباين المكاني لحقل حقيقي.

2. نظام التباين الدوامي: يقيس نظام التباين الدوامي التبخر النتحي عن طريق حساب التباين بين سرعة الرياح الرأسية وتركيز بخار الماء فوق الغطاء النباتي باستخدام مستشعرات سريعة الاستجابة. ويغطي هذا النظام مساحة تتراوح من عدة مئات من الأمتار إلى بضعة كيلومترات، مما يجعله أكثر تمثيلاً بكثير من جهاز قياس التبخر النتحي التقليدي.

ومع ذلك، تتراوح تكلفة تركيب وصيانة أبراج قياس التدفق من 50,000 دولار أمريكي إلى 300,000 دولار أمريكي، ولا تحتوي شبكة FLUXNET العالمية إلا على حوالي 900 موقع نشط فقط - وهو عدد قليل للغاية بحيث لا يسمح بمراقبة التبخر النتحي الزراعي على المستوى الوطني.

3. طريقة نسبة بوين: تُقدّر طريقة نسبة بوين التبخر النتحي (ET) بقياس نسبة تدفق الحرارة المحسوسة (التي تُسخّن الهواء) إلى تدفق الحرارة الكامنة (ET) باستخدام تدرجات درجة الحرارة والرطوبة فوق الغطاء النباتي. وهي أبسط من طريقة التباين الدوامي، لكنها تتطلب ظروفًا متجانسة في منطقة الامتداد، ولا يمكن استخدامها في التضاريس المعقدة.

4. حسابات التبخر والنتح المستندة إلى محطات الأرصاد الجوية باستخدام معادلة بنمان-مونتيث لمنظمة الأغذية والزراعة، يتم حساب التبخر المرجعي (ET0) من بيانات درجة حرارة الهواء والرطوبة وسرعة الرياح والإشعاع. تُستخدم هذه الطريقة على نطاق واسع لجدولة الري، ولكنها تُنتج تبخرًا مرجعيًا وليس التبخر الفعلي، لأنها تفترض وجود محصول مرجعي مروي جيدًا بدلًا من المحصول الفعلي في الحقل.

تكمن المشكلة الرئيسية في جميع الطرق الأرضية في النطاق. إذ يمثل جهاز قياس التبخر النتحي الواحد بضعة أمتار مربعة، بينما يغطي برج قياس التدفق بضع مئات من الهكتارات في أفضل الأحوال. لكن إدارة المياه الزراعية الحديثة تتطلب بيانات التبخر النتحي على مستوى الحقل عبر أحواض الأنهار بأكملها، وهو تحدٍ مكاني لا يمكن معالجته إلا بالاستشعار عن بعد.

أساسيات الاستشعار عن بعد لرصد التبخر النتحي

الاستشعار عن بعد، في سياق مراقبة التبخر النتحي، هو الحصول على البيانات المستمدة من الأقمار الصناعية أو الطائرات وتحليلها لتقدير تدفق المياه الخارجة من سطح الأرض دون لمس ذلك السطح فعليًا.

تنجح هذه الطريقة لأن النباتات والتربة تتبادل الطاقة مع الغلاف الجوي بطرق يمكن رصدها من الفضاء، وخاصةً من خلال انبعاث الأشعة تحت الحمراء الحرارية. فعندما يقوم النبات بعملية النتح بكفاءة، فإنه يستخدم الطاقة الشمسية الواردة لتبخير الماء بدلاً من تسخين نفسه. ويبقى الغطاء النباتي ذو الرطوبة الكافية في التربة بارداً نسبياً.

على النقيض من ذلك، تغلق مظلة الأشجار التي تعاني من نقص المياه ثغورها للحفاظ على الماء، وبما أن كمية أقل من الحرارة الكامنة (ET) تستهلك الطاقة الواردة، ترتفع درجة حرارة سطح المظلة. هذه هي الإشارة الفيزيائية الأساسية التي يلتقطها الاستشعار الحراري عن بعد.

المبادئ الفيزيائية الأساسية التي يقوم عليها تقدير التبخر باستخدام الأقمار الصناعية

ال توازن الطاقة يُعدّ هذا الإطار الحاكم. عند أي سطح أرضي، يجب أن يساوي صافي الإشعاع (Rn) الواصل من الشمس والغلاف الجوي مجموع ثلاثة مصادر لامتصاص الطاقة: تدفق حرارة التربة (G)، وتدفق الحرارة المحسوسة (H، الذي يُسخّن الهواء)، وتدفق الحرارة الكامنة (LE، الذي يُؤثر على التبخر النتحي). يُكتب ذلك على شكل معادلة: Rn = G + H + LE. من خلال تقدير Rn وG وH من بيانات الأقمار الصناعية، يستنتج النموذج قيمة LE - وبالتالي قيمة ET - كقيمة متبقية.

1. درجة حرارة سطح الأرض تُعدّ درجة حرارة سطح الأرض (LST) المقاسة في نطاق الأشعة تحت الحمراء الحرارية المؤشر الرئيسي المستخدم لتقدير تدفق الحرارة المحسوسة (H). ينقل السطح الأكثر سخونة كمية أكبر من الحرارة إلى الهواء (H مرتفع)، مما يقلل الطاقة المتاحة للتبخر والنتح (LE منخفض). أما السطح الأكثر برودة والمروي جيدًا فيتميز بانخفاض H وارتفاع LE.

2. مؤشرات الغطاء النباتي يقيس مؤشر NDVI كمية المواد النباتية الخضراء النشطة ضوئيًا التي تغطي السطح، والتي تتحكم في معدلات النتح. وتشهد الغطاء النباتي الأخضر الكثيف معدل نتح أعلى من التربة العارية أو الغطاء النباتي المتفرق.

3. صافي الإشعاع يتم حسابها من تدفقات الإشعاع الموجي القصير والطويل، والتي يتم تقديرها عن بعد من بيانات البياض السطحي، والغطاء النباتي، والانبعاث الحراري.

إن رصد التبخر النتحي عبر الأقمار الصناعية ليس بديلاً عن الحقيقة الأرضية - إنه الأداة الوحيدة التي يمكنها توفير بيانات استخدام المياه المستمرة مكانيًا على النطاق الذي يتم فيه اتخاذ القرارات الزراعية والهيدرولوجية فعليًا.

لا تقتصر ميزة الاستشعار عن بعد على الطرق الأرضية على التغطية المكانية فحسب، بل إن بيانات الأقمار الصناعية توفر قياسات شاملة وقابلة للتكرار عبر مناظر طبيعية شديدة التباين، وهو أمر لا يمكن لأي شبكة أرضية محاكاته بتكلفة مماثلة.

مصادر بيانات الاستشعار عن بعد لتقدير التبخر النتحي

يتطلب تقدير التبخر من الفضاء دمج البيانات من أنواع متعددة من أجهزة الاستشعار. لا يوفر أي قمر صناعي بمفرده جميع المدخلات التي يحتاجها نموذج كامل للتبخر، لذا فإن منتجات التبخر التشغيلية عادةً ما تدمج البيانات من عدة منصات.

1. منصات الأقمار الصناعية لتقدير التبخر النتحي

لاندسات يعمل برنامج (USGS/NASA) بشكل متواصل منذ عام 1972، ويوفر صورًا متعددة الأطياف وحرارية بدقة مكانية تبلغ 30 مترًا، مع دورة إعادة زيارة مدتها 16 يومًا. ويجعله أرشيفه الضخم أداةً لا غنى عنها لتحليل التبخر النتحي التاريخي ومراقبة المحاصيل. وقد صُممت معظم نماذج توازن الطاقة للتبخر النتحي - بما في ذلك SEBAL وMETRIC - في الأصل بالاعتماد على بيانات لاندسات.

ثانياً: سينتينل-2 توفر وكالة الفضاء الأوروبية (ESA) صورًا متعددة الأطياف بدقة 10 أمتار مع فترة إعادة زيارة مدتها 5 أيام لحساب مؤشر الغطاء النباتي عالي الدقة. ورغم أنها لا تحتوي على نطاق حراري، إلا أنها تُكمل بيانات لاندسات من خلال توفير بيانات NDVI وEVI وLAI أكثر تكرارًا ودقةً لنماذج التبخر النتحي القائمة على الغطاء النباتي.

ثالثًا. موديس يوفر جهاز التصوير الطيفي متوسط الدقة (MOD16) التابع لوكالة ناسا تغطية عالمية يومية بدقة تتراوح بين 250 مترًا و1 كيلومتر. ورغم أن دقته المكانية المنخفضة تحد من تطبيقاته على نطاق واسع، إلا أنه يجعله مثاليًا لرصد التبخر النتحي على مستوى القارات والعالم من خلال منتجات مثل MOD16.

رابعاً: الإجهاد البيئي يُثبّت جهاز (ناسا) على متن محطة الفضاء الدولية، ويُوفّر بيانات الأشعة تحت الحمراء الحرارية بدقة 70 مترًا، مع دورة إعادة زيارة تتراوح بين يوم واحد وخمسة أيام. صُمّم جهاز ECOSTRESS خصيصًا لقياس إجهاد المحاصيل المائي والتبخر النتحي على نطاق الحقل القريب، وهي فجوة في القدرات لم يستطع جهاز MODIS والأقمار الصناعية السابقة سدّها.

v. VIIRS (مجموعة أجهزة قياس الإشعاع المرئي بالأشعة تحت الحمراء، NOAA/NASA) على الأقمار الصناعية Suomi NPP و JPSS تواصل إرث التغطية اليومية العالمية لـ MODIS مع معايرة محسّنة للمستشعر، مما يدعم منتجات ET التشغيلية على نطاقات إقليمية وعالمية.

2. عمليات رصد الكائنات الفضائية باستخدام الطائرات بدون طيار والطائرات المسيرة

تستطيع الطائرات المسيّرة (الطائرات بدون طيار) المزودة بكاميرات حرارية وأجهزة استشعار متعددة الأطياف رسم خرائط التبخر النتحي بدقة مكانية تقل عن متر واحد فوق الحقول الفردية. تقيس الكاميرا الحرارية المثبتة على الطائرة المسيّرة درجة حرارة الغطاء النباتي مباشرةً، وعند دمجها مع بيانات الأرصاد الجوية الأرضية، تُنتج خرائط للتبخر النتحي بدقة لا تضاهيها أي قمر صناعي.

• طائرات بدون طيار للتصوير الحراري الكشف عن مناطق النباتات التي تعاني من الإجهاد المائي داخل الحقل قبل ظهور أي أعراض مرئية، مما يتيح الري بمعدل متغير على نطاقات داخل الحقل.
• أجهزة استشعار متعددة الأطياف تقوم الطائرات بدون طيار بحساب مؤشري NDVI و EVI بدقة سنتيمترية، مما يغذي نماذج ET القائمة على معامل المحصول من أجل جدولة الحقول بدقة.
• رسم خرائط التبخر عالي الدقة تعتبر البيانات المستقاة من الطائرات بدون طيار ذات قيمة خاصة للمحاصيل المتخصصة - أشجار الفاكهة، وكروم العنب، والخضراوات - حيث يكون التباين داخل الحقل مرتفعًا وتكون تكلفة الإجهاد المائي كبيرة.

المتغيرات الرئيسية للاستشعار عن بعد المستخدمة في مراقبة التبخر والنتح

يُساهم كل متغير مُستخلص من بيانات الأقمار الصناعية بجزء مُحدد من لغز تقدير التبخر النتحي. ويُساعد فهم ما يقيسه كل متغير وأهميته المُختصين على اختيار النموذج المُناسب وتفسير النتائج بشكل صحيح.

1. مؤشر اختلاف الغطاء النباتي المعياري يُحسب مؤشر الغطاء النباتي الطبيعي (NDVI) باستخدام انعكاس نطاقي الأشعة تحت الحمراء القريبة والحمراء، وذلك بقسمة (الأشعة تحت الحمراء القريبة - الأحمر) على (الأشعة تحت الحمراء القريبة + الأحمر). ويتراوح هذا المؤشر بين -1 و+1، حيث تتراوح قيمة الغطاء النباتي الأخضر الكثيف عادةً بين 0.6 و0.9. ويعكس مؤشر NDVI كثافة الغطاء النباتي وخضرته، وهما يرتبطان ارتباطًا مباشرًا بمساحة الأوراق وقدرة النتح.

2- مؤشر الغطاء النباتي المحسن يُضيف مؤشر الغطاء النباتي المُحسّن (EVI) نطاقًا أزرق لتقليل التداخل الجوي وتأثيرات خلفية التربة التي تُضعف مؤشر الغطاء النباتي الطبيعي (NDVI) في المناطق ذات الغطاء النباتي الكثيف أو المناطق الغائمة بشكل متكرر. يُعدّ مؤشر EVI أكثر حساسية من مؤشر NDVI في المناطق ذات الكتلة الحيوية العالية، ويُستخدم في خوارزمية MOD16 ET.

3. مؤشر مساحة الورقة يقيس مؤشر مساحة الورقة (LAI) إجمالي مساحة الورقة من جانب واحد لكل وحدة مساحة أرضية. ويتحكم هذا المؤشر بشكل مباشر في عملية النتح من خلال تحديد مقدار سطح الورقة الذي يتبادل بخار الماء مع الغلاف الجوي. ويُعدّ مؤشر مساحة الورقة المُستمد من بيانات الأقمار الصناعية مُدخلاً أساسياً في العديد من نماذج التبخر والنتح القائمة على أسس فيزيائية.

4. بياض السطح يمثل معامل الانعكاس نسبة الإشعاع الشمسي الوارد الذي يعكسه السطح. وهو يتحكم في كمية الطاقة الشمسية التي يمتصها السطح، والتي بدورها تحدد كمية الطاقة المتاحة لتحريك عملية التبخر والنتح. التربة الداكنة الرطبة ذات معامل انعكاس منخفض (تمتص طاقة أكبر)؛ بينما سطح الرمال العاري ذو معامل انعكاس مرتفع (يعكس طاقة أكبر).

5. رطوبة التربة تُقيّد بيانات مستشعرات الموجات الدقيقة نماذج التبخر والنتح من خلال تحديد ما إذا كانت كمية المياه المتوفرة في منطقة الجذور كافية لتلبية احتياجات النتح. فعندما تنخفض رطوبة التربة عن عتبة حرجة، ينخفض معدل التبخر والنتح الفعلي عن المعدل المحتمل حتى في حال توفر الطاقة.

وجد باستيانسن وآخرون (كما ورد في مراجعة في مجلة Frontiers in Remote Sensing، 2026) أن SEBAL، الذي تم التحقق من صحته في أكثر من 30 دولة, ، يحقق دقة 85% لتقديرات التبخر النتحي اليومية ودقة 95% لتقديرات التبخر النتحي الموسمية على نطاق الحقل.

إن الدقة الموسمية البالغة 95% تعني أنه يمكن إجراء حساب مياه المحاصيل عبر منطقة ري بأكملها بشكل موثوق باستخدام بيانات الأقمار الصناعية فقط، مما يلغي الحاجة إلى شبكات محطات أرضية كثيفة.

نماذج تقدير التبخر النتحي

1. نماذج توازن الطاقة

تحسب نماذج توازن الطاقة ET على أنها الباقي من ميزانية طاقة السطح: ET = Rn – G – H. يختلف كل نموذج في كيفية تقديره لتدفق الحرارة المحسوسة H، وهو المكون الأكثر تطلبًا من الناحية الحسابية والأكثر حساسية للخطأ.

1. خوارزمية موازنة الطاقة السطحية للأراضي طُوّر نموذج (SEBAL) بواسطة باستيانسن عام 1998، ولا يزال أحد أكثر نماذج التبخر النتحي عبر الأقمار الصناعية استخدامًا على مستوى العالم. يستخدم SEBAL ثلاثة معايير أساسية مستمدة من الأقمار الصناعية: درجة حرارة سطح الأرض (T0)، وانعكاسية نصف الكرة الأرضية السطحية (albedo r0)، ومؤشر الغطاء النباتي الطبيعي (NDVI).

لتقدير تدفق الحرارة المحسوسة، يحدد برنامج SEBAL بكسلين مرجعيين: "البكسل الساخن" (تربة جافة مكشوفة، حيث يكون التبخر النتحي قريبًا من الصفر) و"البكسل البارد" (محصول مروي جيدًا، حيث يكون التبخر النتحي في أقصى حد له)، ثم يقوم باستيفاء قيمة H عبر المشهد نسبةً إلى هذين البكسلين. هذه الخاصية للمعايرة الذاتية تجعل برنامج SEBAL أقل حساسية لأخطاء المعايرة المطلقة في البيانات المناخية.

ثانياً: رسم خرائط التبخر النتحي بدقة عالية باستخدام المعايرة الداخلية يعتمد نموذج (METRIC) على نموذج SEBAL، ولكنه يضيف معايرة آلية باستخدام قيمة مرجعية للتبخر النتحي المحسوبة من محطة أرصاد جوية. يُعدّ نموذج METRIC أنسب للمناطق التي تتوفر فيها شبكات بيانات مناخية متكاملة، وقد تم اعتماده على نطاق واسع لإدارة الري التشغيلية في غرب الولايات المتحدة.

ثالثًا: نظام توازن طاقة السطح يستخدم نظام (SEBS) نظرية التدفق المضطرب لتقدير تدفق الحرارة المحسوسة من بيانات درجة حرارة سطح الأرض المستمدة من الأقمار الصناعية، وخشونة السطح، وسرعة الرياح. يتميز نظام SEBS بدقة فيزيائية أعلى من نظام SEBAL، ولكنه يتطلب بيانات إدخال إضافية، مما يجعله أكثر ملاءمة للأبحاث من إدارة المزارع التشغيلية.

إن اختيار نموذج التبخر النتحي ليس مجرد قرار تقني، بل هو قرار يتعلق بالسؤال الذي تحاول الإجابة عنه. فعملية حساب المياه على مستوى الحوض وأداة جدولة الري على مستوى الحقل تتطلبان مستويات مختلفة تمامًا من الدقة المكانية والتردد الزمني.

رابعاً: موازنة الطاقة ثنائية المصدر يتعامل نموذج (TSEB) مع التربة والغطاء النباتي كمصدرين منفصلين للتبخر والنتح، لكل منهما درجة حرارة وتوازن طاقة خاص به. يُعد هذا النهج أكثر دقة في حالة الغطاء النباتي المتناثر أو الأراضي المختلطة، حيث قد يخلط نموذج المصدر الواحد بين تبخر التربة ونتح النبات.

2. نماذج التبخر النتحي القائمة على مؤشر الغطاء النباتي

لا تتطلب جميع نماذج التبخر النتحي صورًا حرارية. تُقدّر النماذج القائمة على مؤشر الغطاء النباتي التبخر النتحي من خلال نهج معامل المحصول (Kc x ET0)، حيث يُستخلص معامل المحصول Kc من مؤشر الغطاء النباتي الطبيعي (NDVI) أو مؤشر الغطاء النباتي المحسن (EVI)، ويُستمد التبخر المرجعي (ET0) من محطة أرصاد جوية. تُضفي منهجية منظمة الأغذية والزراعة (FAO-56) طابعًا رسميًا على هذا النهج، وهي تُستخدم على نطاق واسع في جدولة الري لأنها لا تتطلب بيانات النطاق الحراري.

نماذج التعلم الآلي، بما في ذلك الغابة العشوائية, الشبكات العصبية الاصطناعية (ANNs), وتتزايد تطبيقات بنى التعلم العميق في تقدير التبخر النتحي من خلال تعلم العلاقات غير الخطية المعقدة بين المدخلات المستمدة من الأقمار الصناعية (درجة حرارة سطح الأرض، ومؤشر الغطاء النباتي، والبياض، ومؤشر مساحة الورقة) وقياسات التبخر النتحي التي تقيسها أبراج التدفق.

وجدت دراسة أجريت عام 2023 ونُشرت في مجلة الاستشعار عن بعد للبيئة أن نموذج الغابة العشوائية الذي تم تدريبه على بيانات MODIS والمدخلات المناخية تنبأ بالتبخر النتحي اليومي بمعامل R2 قدره 0.87 و RMSE قدره 0.51 ملم/يوم عبر مناطق بيئية متنوعة - وهو ما ينافس نماذج توازن الطاقة التقليدية ولكنه يتطلب جهدًا أقل بكثير في تحديد المعلمات.

وجدت دراسة نُشرت في مجلة Taylor and Francis Open (2021) أن خوارزمية SEBAL، المطبقة على صور القمر الصناعي Landsat 8 فوق منطقة زراعة الذرة في أضنة، تركيا، أنتجت تقديرات للتبخر والنتح بدقة عالية. معامل الارتباط R = 0.91 مقارنةً بطريقة بنمان-مونتيث لمنظمة الأغذية والزراعة، وبلغ متوسط الجذر التربيعي للخطأ (RMSE) فقط 1.14 ملم/يوم.

إن دقة نظام SEBAL على نطاق الحقل تعني أن بيانات التبخر النتحي المستمدة من الأقمار الصناعية يمكن أن تحل محل أو تقلل بشكل كبير من الحاجة إلى تركيبات أجهزة قياس التبخر النتحي باهظة الثمن في أنظمة إدارة الري التشغيلية.

منتجات رصد الأرض عبر الأقمار الصناعية متاحة للاستخدام التشغيلي

تقوم العديد من منتجات التبخر النتحي العالمية والإقليمية الآن بتحويل مدخلات الاستشعار عن بعد إلى طبقات بيانات جاهزة للاستخدام. لم يعد الممارسون بحاجة إلى تشغيل نماذج توازن الطاقة الخاصة بهم، إذ يمكنهم الوصول مباشرة إلى مجموعات البيانات المحسوبة مسبقًا هذه.

1. منتج MOD16 ET تستخدم وكالة ناسا بيانات MODIS مع خوارزمية بنمان-مونتيث، مدعومة ببيانات غطاء الأرض، ومؤشر مساحة الورقة (LAI)، ومؤشر الغطاء النباتي المحسن (EVI)، وبيانات الأرصاد الجوية العالمية المُعاد تحليلها. وتُنتج هذه الخوارزمية بيانات مُركبة للتبخر النتحي (ET) كل 8 أيام وشهريًا بدقة 500 متر على مستوى العالم. يُعدّ MOD16 مناسبًا للدراسات على نطاق واسع، ولكنه غير دقيق بما يكفي لإدارة الحقول الفردية.

2. SSEBop يُبسّط نموذج SSEBop (النموذج التشغيلي المبسط لتوازن طاقة السطح)، الذي طورته هيئة المسح الجيولوجي الأمريكية، عملية معايرة البكسلات الساخنة/الباردة في نموذج SEBAL باستخدام حدود درجة حرارة محددة مسبقًا مستمدة من بيانات مناخية طويلة الأجل. يعمل SSEBop تشغيليًا بدقة 30 مترًا باستخدام بيانات لاندسات، وهو أحد النماذج الستة ضمن مجموعة OpenET.

3. منصة OpenET, تم إطلاقها في عام 2021 وتعمل كتعاون بين القطاعين العام والخاص بقيادة ناسا، وهيئة المسح الجيولوجي الأمريكية، وجامعة ولاية كاليفورنيا مونتيري باي، وصندوق الدفاع البيئي، ومعهد أبحاث الصحراء، وهي توفر بيانات التبخر والنتح على نطاق ميداني بدقة 30 مترًا في جميع أنحاء غرب الولايات المتحدة.

أكدت دراسة بارزة نُشرت في مجلة Nature Water في يناير 2024، والتي قارنت تقديرات OpenET بالقياسات من 152 موقعًا لقياس التدفقات الأرضية، أن OpenET يحقق دقة عالية للمحاصيل السنوية مثل القمح والذرة وفول الصويا والأرز - لا سيما في المناطق القاحلة حيث تجعل ندرة المياه دقة الري أمرًا بالغ الأهمية.

4. بوابة WaPOR توفر منظمة الأغذية والزراعة (الفاو) بيانات التبخر النتحي لأفريقيا والشرق الأدنى بدقة 30 مترًا و100 متر و250 مترًا، وهي مصممة خصيصًا لدعم تحليل إنتاجية المياه الزراعية في المناطق النامية التي تعاني من نقص البيانات.

5. بريق يفصل نموذج أمستردام العالمي لتبخر الأرض التبخر النتحي إلى مكونات النتح، وتبخر التربة العارية، وفقدان المياه نتيجة الاعتراض، وتبخر المياه السطحية، وذلك بالاعتماد على بيانات رطوبة التربة الميكروية ومنتجات الغطاء النباتي المستمدة من الأقمار الصناعية. ويتميز هذا النموذج بقدرته الفائقة على تقسيم إشارة التبخر النتحي إلى مكونات بيولوجية وفيزيائية.

تطبيقات الاستشعار عن بعد

1. الري الدقيق وإدارة مياه المحاصيل

يُعدّ تخطيط الريّ التطبيقَ الأسرعَ لبيانات التبخر النتحي عبر الأقمار الصناعية. فعندما يطّلع المزارع على خرائط التبخر النتحي الأسبوعية على مستوى الحقل، يُمكنه حسابَ عجز الريّ - أي الفرق بين التبخر النتحي الفعليّ والهطول الفعليّ - وتطبيقَ هذه الكمية من المياه بدقة. وهذا يُنهي عادةَ الإفراط في الريّ المزمنة التي تُهدر المياه دون زيادة في المحصول.

في دلتا ساكرامنتو-سان جواكين بولاية كاليفورنيا، يستخدم مديرو موارد المياه برنامج OpenET لمساعدة المزارعين على الامتثال للوائح الولاية التي تتطلب الإبلاغ الدقيق عن استخدام المياه.

توفر الدقة العالية لبيانات التبخر النتحي عبر الأقمار الصناعية للمحاصيل السنوية أساسًا قانونيًا قابلًا للدفاع عنه لحساب المياه، وهو ما لا يمكن لأي طريقة أرضية أن توفره في مثل هذه التغطية المكانية.

قامت دراسة أجريت عام 2024 ونُشرت في مجلة إدارة المياه الزراعية (Ott et al., 2024; Desert Research Institute) بتقييم OpenET مقابل بيانات الري المقاسة في أحواض المياه الجوفية في نيفادا.

في وادي دايموند، أظهرت تقديرات OpenET فقط 7% الفرق عن بيانات استخدام المياه المقاسة, مما يدل على الموثوقية التشغيلية لإدارة المياه الجوفية التنظيمية.

إن هامش الخطأ البالغ 7% على مستوى الحوض يعني أن بيانات التبخر النتحي عبر الأقمار الصناعية يمكن أن تحل محل البنية التحتية المكلفة للقياس في المناطق التي تعاني من نقص حاد في المياه الجوفية.

2. تقييم الجفاف وأنظمة الإنذار المبكر

يُعد رصد الجفاف تطبيقاً آخر ذا تأثير كبير. مؤشر الإجهاد التبخيري (ESI)، المشتق من بيانات ECOSTRESS و MODIS الحرارية، يقيس نسبة التبخر الفعلي إلى التبخر المحتمل.

عندما ينخفض مؤشر الإجهاد المائي (ESI) بشكل كبير عن 1.0، فهذا يشير إلى أن النباتات تعاني من الإجهاد المائي - وهو مؤشر مبكر موثوق به للجفاف الزراعي، ويمكن اكتشافه غالبًا قبل 4 إلى 8 أسابيع من أن يصبح فقدان محصول المحاصيل قابلاً للقياس.

يدمج المركز الوطني للتخفيف من آثار الجفاف التابع لوزارة الزراعة الأمريكية مؤشرات الجفاف المستندة إلى بيانات التبخر النتحي عبر الأقمار الصناعية في خرائط رصد الجفاف التشغيلية التي تستخدمها حكومات الولايات ووكالات التأمين الزراعي وهيئات إدارة الطوارئ. يُسهم هذا التكامل في جعل الاستجابة للجفاف أسرع وأكثر دقة من الطرق القائمة على التقويم أو على بيانات هطول الأمطار فقط.

3. إدارة موارد المياه على مستوى الحوض

يتطلب حساب المياه على مستوى الأحواض معرفة كمية المياه التي تغادر سطح الأرض على شكل تبخر نتحي عبر ملايين الهكتارات. وهذا تحديدًا ما توفره منتجات التبخر النتحي عبر الأقمار الصناعية مثل MOD16 وGLEAM وWaPOR على نطاق عالمي.

• وكالات إدارة الخزانات استخدم بيانات التبخر النتحي لتقدير كمية المياه المتدفقة من مستجمعات المياه - الفرق بين هطول الأمطار والتبخر النتحي - والذي يحدد كمية المياه التي تصل فعليًا إلى الأنهار والخزانات.
• سلطات أحواض الأنهار العابرة للحدود تطبيق تقنية التبخر النتحي عبر الأقمار الصناعية للتحقق بشكل مستقل من تقارير استخدام المياه الوطنية دون الحاجة إلى الوصول إلى شبكات البيانات الأرضية الوطنية.
• مديرو مناطق الري استخدام التبخر النتحي لتتبع الاستخدام الاستهلاكي حسب نوع المحصول عبر مناطق الخدمة بأكملها، مما يدعم التوزيع العادل للمياه والامتثال التنظيمي.

4. التطبيقات البيئية والإيكولوجية

يُتيح رصد التبخر النتحي للأراضي الرطبة باستخدام بيانات الأقمار الصناعية تحديد كمية المياه التي تستخدمها النظم البيئية في المستنقعات والأراضي الخثية ومصبات الأنهار التي يصعب الوصول إليها حيث لا يمكن نشر أجهزة استشعار أرضية. ويكشف رصد التبخر النتحي للغابات كيف يؤثر إزالة الغابات وإعادة تشجيرها وحرائق الغابات على التوازن المائي لأحواض تصريف المياه بأكملها، وهي بيانات بالغة الأهمية لحساب الكربون في الغابات وتخطيط إمدادات المياه.

النتح التبخري هو الرابط الخفي الذي يربط كل نبات على وجه الأرض بدورة المياه العالمية. والاستشعار عن بعد هو الأداة الوحيدة المتاحة لدينا لرؤيته على النطاق المهم لإدارة المياه.

تقييم دقة منتجات التبخر عبر الأقمار الصناعية والتحقق من صحتها

لا يُعدّ أي منتج لقياس التبخر النتحي مفيدًا دون التحقق الدقيق من صحته. وتعتمد الطريقة القياسية على مقارنة تقديرات التبخر النتحي المستمدة من الأقمار الصناعية مع القياسات المأخوذة من أبراج قياس تدفق الدوامات - وهي أدقّ البيانات المتاحة لقياس التبخر النتحي على مستوى المناظر الطبيعية.

العالم فلوكس نت توفر الشبكة بيانات أبراج قياس التدفق مفتوحة الوصول من مئات المواقع عبر بيئات حيوية متنوعة. يقارن مطورو منتجات التبخر النتحي مخرجات نماذجهم بقياسات شبكة FLUXNET لحساب مقاييس الأداء الإحصائية، بما في ذلك

• R2 (معامل الارتباط)،,
• جذر متوسط مربع الخطأ (RMSE)، و
• التحيز (المبالغة أو التقليل المنهجي في التقدير).

يتم إجراء التحقق بشكل منفصل لأنواع الغطاء الأرضي المختلفة والمناطق المناخية والفصول، لأن دقة نموذج التبخر النتحي تختلف اختلافًا كبيرًا عبر هذه الظروف.

تُحقق نماذج توازن الطاقة مثل SEBAL وMETRIC أفضل أداء لها عمومًا في المناطق الزراعية شبه القاحلة ذات السماء الصافية. ويتراجع الأداء في الغابات الاستوائية الرطبة، والتضاريس الجبلية المعقدة، والمناطق ذات الغطاء السحابي المتكرر.

قارنت دراسة دقة OpenET المنشورة في مجلة Nature Water ستة نماذج للتبخر والنتح مع القياسات من 152 موقعًا لأبراج قياس التدفق في جميع أنحاء الولايات المتحدة، تبين أن مجموعة OpenET حققت أقوى أداء على وجه التحديد للمحاصيل السنوية في المناطق الغربية القاحلة - وهي المناطق التي تعتبر فيها إدارة الري بالغة الأهمية من الناحية الاقتصادية والبيئية.

يمكن لمديري المياه في المناطق القاحلة استخدام بيانات OpenET بثقة عالية لضمان الامتثال لمعايير الري وتتبع ميزانية المياه، مما يحل محل البنية التحتية المكلفة للقياس.

التحديات في رصد التبخر النتحي عن بعد

على الرغم من التقدم السريع، فإن العديد من التحديات التقنية والتشغيلية تحد من دقة وتطبيقية مراقبة التبخر النتحي القائمة على الأقمار الصناعية.

1. قيود الغطاء السحابي: يتطلب الاستشعار عن بعد البصري والحراري ظروفًا خالية من السحب. في المناطق الاستوائية الرطبة أو خلال مواسم الرياح الموسمية، يمكن أن يؤدي الغطاء السحابي المستمر إلى فجوات في البيانات تمتد لأسابيع أو شهور، مما يقطع الاستمرارية الزمنية التي تتطلبها إدارة الري.

2. قيود الدقة المكانية: يوفر القمر الصناعي MODIS، وهو الأكثر تكرارًا من حيث الوقت، بيانات التبخر والنتح بدقة 500 متر، وهي دقة منخفضة جدًا بالنسبة للحقول التي تقل مساحتها عن 25 هكتارًا تقريبًا. أما دقة القمر الصناعي Landsat البالغة 30 مترًا فهي مناسبة لمعظم الحقول الزراعية، ولكنها تأتي بدورة إعادة زيارة مدتها 16 يومًا، مما يفوت عليها رصد التغيرات السريعة في الإجهاد المائي.

3. المفاضلات المتعلقة بالدقة الزمنية: توجد علاقة عكسية بين الدقة المكانية العالية (لاندسات، سينتينل-2، إيكوستريس) والدقة الزمنية العالية (موديس، فييرز). ويتطلب سد هذه الفجوة تقنيات دمج البيانات.

4. افتراضات النموذج في المناظر الطبيعية غير المتجانسة: تفترض نماذج توازن الطاقة أحادية المصدر غطاءً نباتياً موحداً، وهو ما ينهار في الغطاء النباتي المتناثر، أو أنظمة المحاصيل المختلطة، أو الواجهات الحضرية الزراعية حيث تتباعد درجات حرارة التربة والنباتات بشكل حاد.

5. توافر البيانات في المناطق النامية: بيانات محطات الأرصاد الجوية الأرضية اللازمة لتقييد نماذج التبخر النتحي نادرة في معظم أنحاء أفريقيا جنوب الصحراء الكبرى وجنوب آسيا وآسيا الوسطى - وهي تحديداً المناطق التي تشتد فيها الحاجة إلى تحسين إدارة المياه.

التقنيات الناشئة والمستقبل في رصد التبخر النتحي

من المتوقع أن تؤدي العديد من التطورات التكنولوجية المتقاربة إلى توسيع نطاق دقة وتغطية وإمكانية الوصول إلى مراقبة التبخر عن بعد بشكل كبير خلال السنوات الخمس إلى العشر القادمة.

1. الذكاء الاصطناعي، والتعلم الآلي، ودمج البيانات

بدأت نماذج التعلم العميق المدربة على مجموعات بيانات ضخمة متعددة المستشعرات تتفوق على نماذج توازن الطاقة التقليدية في بعض البيئات. تستطيع الشبكات العصبية الالتفافية دمج بيانات لاندسات، وسنتينل-2، وموديس، وبيانات إعادة تحليل الأرصاد الجوية في آنٍ واحد، ما يسمح لها بتعلم أنماط التبخر النتحي المكانية والزمانية التي لا يستطيع أي نموذج أحادي المستشعر رصدها.

في الوقت نفسه، تقوم خوارزميات دمج البيانات - وأبرزها نهج STARFM (نموذج دمج الانعكاس التكيفي المكاني والزماني) - بدمج صور Landsat عالية الدقة مع بيانات MODIS اليومية لإنتاج خرائط ET يومية اصطناعية بدقة 30 مترًا، مما يحل بشكل فعال المفاضلة المكانية والزمانية التي تحد حاليًا من تطبيقات الزراعة الدقيقة.

2. الأقمار الصناعية الحرارية عالية الدقة ومجموعات الأقمار الصناعية المكعبة

سيقدم الجيل القادم من الأقمار الصناعية المخصصة لرصد الأرض حرارياً صوراً حرارية بدقة أقل من 30 متراً مع تردد إعادة زيارة يومي.

ستؤدي المهمات المخطط لها، بما في ذلك خليفة القمر الصناعي Landsat Next ومجموعات الأقمار الصناعية الحرارية التجارية CubeSat، إلى القضاء على المفاضلة التاريخية بين التفاصيل المكانية والتردد الزمني التي قيدت مراقبة التبخر على نطاق الحقل.

كما أشار تقرير رؤى السوق المستقبلية (2025)، من المتوقع أن يصل سوق خدمات الاستشعار عن بعد - الذي بلغت قيمته 22.87 مليار دولار أمريكي في عام 2025 - إلى 84.28 مليار دولار أمريكي بحلول عام 2035، مدفوعًا بشكل كبير بتوسع كوكبة الأقمار الصناعية في المدار الأرضي المنخفض.

3. التوائم الرقمية لإدارة المياه

تُدمج أُطر التوأمة الرقمية - وهي نسخ افتراضية ديناميكية للمناظر الطبيعية الزراعية يتم تحديثها في الوقت الفعلي تقريبًا من بيانات الأقمار الصناعية وأجهزة استشعار إنترنت الأشياء - بيانات الاستشعار عن بُعد للتبخر النتحي كتدفق بيانات أساسي. تعمل هذه الأنظمة على مزامنة خرائط التبخر النتحي للأقمار الصناعية، وبيانات مستشعرات رطوبة التربة، وتوقعات الطقس، ونماذج نمو المحاصيل لمحاكاة حالة المياه في الحقول مستقبلًا وتحديد الري تلقائيًا.

برامج وأدوات لرصد التبخر

تتيح مجموعة غنية من المنصات الآن إمكانية الوصول إلى تحليل الاستشعار عن بعد للتبخر والنتح للممارسين دون الحاجة إلى خبرة برمجية عميقة.

1. محرك جوجل إيرث (GEE) هي منصة حوسبة جغرافية مكانية سحابية تستضيف أرشيفات كاملة من بيانات لاندسات، وموديس، وسينتينل، وإيكوستريس، بالإضافة إلى خوارزميات جاهزة لحساب التبخر النتحي. يستطيع المحللون إجراء حسابات التبخر النتحي لسنوات عديدة لمناطق بأكملها دون الحاجة إلى تنزيل أي صور محليًا. وقد أصبحت منصة جوجل إيدج المنصة البحثية الرائدة لرسم خرائط التبخر النتحي على نطاق واسع.

2. منصة OpenET يوفر الموقع واجهة ويب تُمكّن أي مستخدم مسجل من الوصول إلى بيانات التبخر والنتح على مستوى الحقول للأراضي الزراعية في جميع أنحاء غرب الولايات المتحدة. ويمكن للمستخدمين تصدير ملخصات التبخر والنتح اليومية أو الشهرية أو الموسمية لحقول فردية أو لمناطق إدارة المياه بأكملها، دون الحاجة إلى أي معرفة برمجية.

3. بوابة وابور (منظمة الأغذية والزراعة) توفر واجهة تنزيل مماثلة تعتمد على النقر والتحديد لبيانات التبخر والنتح لأفريقيا والشرق الأدنى، مع روابط مباشرة لمؤشرات إنتاجية المياه الزراعية.

4. سير العمل باستخدام بايثون وR باستخدام مكتبات مثل rasterio و xarray و geopandas (Python) أو terra و raster (R) تسمح للباحثين ببناء مسارات معالجة ET مخصصة تدمج بيانات الأقمار الصناعية مع السجلات المناخية المحلية ونماذج المحاصيل وقواعد بيانات الري.

دراسات حالة لرصد التبخر النتحي عن بعد

1. إدارة الري في المناطق القاحلة

في منطقة طبقة المياه الجوفية في السهول العليا بالولايات المتحدة - وهي واحدة من أكثر المناطق الزراعية التي يتم ريها بشكل مكثف على وجه الأرض - أثبت باحثون من معهد أبحاث الصحراء أن بيانات OpenET المدمجة مع مجموعات بيانات المناخ يمكن أن تقدر أحجام ضخ المياه الجوفية بدقة كافية لدعم الإدارة التنظيمية لمستويات طبقة المياه الجوفية المتناقصة.

قامت الدراسة بمطابقة تقديرات التبخر النتحي عبر الأقمار الصناعية مع سجلات المضخات المقاسة، ووجدت انحرافًا أقل من 17% في معظم أحواض الدراسة - وهو مستوى دقة كافٍ لإدارة حقوق المياه.

2. الزراعة الدقيقة عبر أنواع المحاصيل

تم تطبيق مراقبة التبخر النتحي عن بعد لجدولة ري القطن باستخدام نماذج SEBAL و METRIC لرسم خريطة التبخر النتحي الفعلي عبر الحقول الفردية خلال موسم النمو.

أظهرت الدراسات المنشورة في نظام بيانات الفيزياء الفلكية (2020) أن كلا النموذجين رصدا معدل تبخر فعلي أعلى من المتوقع خلال المراحل المبكرة للمحاصيل بسبب ارتفاع معدل تبخر التربة العارية - وهو اكتشاف أغفله نهج معامل المحصول القياسي بشكل منهجي، مما أدى إلى الإفراط في الري في تلك الفترة الحرجة.

3. محاسبة المياه على مستوى مستجمعات المياه

تم استخدام منصة WaPOR التابعة لمنظمة الأغذية والزراعة لإجراء تحليل إنتاجية المياه عبر مخططات الري في إثيوبيا ومصر والأردن، وتحديد كمية التبخر النتحي لكل وحدة من الكتلة الحيوية للمحاصيل المنتجة.

حددت هذه التحليلات الحقول ذات الإنتاجية المائية الأقل من متوسط الحوض، مما يوفر قاعدة الأدلة المكانية لبرامج الإرشاد المستهدفة لتحسين كفاءة الري في المناطق ذات الأداء الضعيف.

أفضل الممارسات لاختيار نهج مراقبة التبخر النتحي

يعتمد اختيار المزيج الصحيح من بيانات الأقمار الصناعية ونموذج التبخر النتحي واستراتيجية التحقق على السؤال المحدد الذي تتم الإجابة عليه والموارد المتاحة ومستوى عدم اليقين المقبول.

1. حدد النطاق المكاني والزماني أولاً. يتطلب حساب المياه الشهري على مستوى الحوض أداة مختلفة عن جدولة الري اليومي على مستوى الحقل. لذا، يجب مطابقة دقة منصة الأقمار الصناعية وتواتر إعادة زيارتها مع احتياجات الإدارة قبل اختيار أي نموذج.

2. قم بمطابقة النموذج مع نوع المناظر الطبيعية. تُحقق نماذج توازن الطاقة، مثل SEBAL وMETRIC، أفضل النتائج في المناطق شبه القاحلة ذات المناخ الزراعي السائد والسماء الصافية. أما النماذج القائمة على مؤشرات الغطاء النباتي، فتُحقق نتائج أفضل في المناطق التي تتوفر فيها بيانات حرارية محدودة. وتُحقق نماذج التعلم الآلي أفضل النتائج عند توفر مجموعات بيانات تدريبية كبيرة ومُدققة محليًا.

3. تحقق دائمًا من صحة البيانات محليًا. حتى أدق منتجات التبخر النتحي العالمية يجب التحقق من صحتها باستخدام بيانات من برج قياس التدفق أو جهاز قياس التبخر النتحي المحلي على الأقل قبل استخدامها عمليًا. نادرًا ما تنتقل مقاييس الأداء من الدراسات المنشورة بدقة إلى مواقع وأنواع محاصيل جديدة.

4. خطط لسد فجوات الغطاء السحابي. في المناطق الرطبة أو الاستوائية، ينبغي التخطيط لاستراتيجيات دمج البيانات أو سدّ الثغرات منذ البداية. فالاعتماد على قمر صناعي حراري واحد ذي دورة إعادة زيارة مدتها 16 يومًا سيؤدي إلى ثغرات بيانات غير مقبولة خلال فترات نمو المحاصيل الحرجة.

5. استخدم المنصات المفتوحة كلما أمكن ذلك. توفر منصات جوجل إيرث إنجن، وأوبن إي تي، ووابور إمكانية الوصول إلى منتجات التبخر والنتح الموثقة والمعتمدة مجاناً. ونادراً ما يكون بناء نموذج تبخر ونتح مخصص من الصفر مبرراً إلا إذا استدعت الظروف المحلية الفريدة ذلك.

6. دمج بيانات التبخر والنتح مع أنظمة إدارة المزارع الحالية. تكون بيانات التبخر النتحي ذات قيمة أكبر عندما يتم إدخالها مباشرة في برامج جدولة الري، أو أدوات دعم القرار، أو قواعد بيانات محاسبة المياه بدلاً من وجودها كمخرج مستقل من الأقمار الصناعية.

الخاتمة

تطورت مراقبة التبخر النتحي باستخدام الاستشعار عن بُعد من مجال بحثي تجريبي إلى أداة تشغيلية بالغة الأهمية لإدارة المياه الزراعية. ويساهم الجمع بين منتجات التبخر النتحي الفضائية ذات الدقة المتزايدة، والمنصات مفتوحة الوصول مثل OpenET وWaPOR، ودمج البيانات المدعوم بالذكاء الاصطناعي، في إزالة العوائق التي كانت تحصر مراقبة التبخر النتحي الفضائية في السابق على المؤسسات البحثية ذات التمويل الجيد.

تتمتع هذه الإمكانيات الحالية بقدرات هائلة: نماذج توازن الطاقة التي تم التحقق من صحتها في أكثر من 30 دولة، ومنتجات التبخر النتحي عبر الأقمار الصناعية التي تحقق دقة موسمية أفضل من 90% للمحاصيل السنوية الرئيسية، ومنصات سحابية توفر بيانات التبخر النتحي على مستوى الحقل لأي مزارع أو مسؤول عن إدارة المياه متصل بالإنترنت. وتُستخدم هذه الإمكانيات بالفعل لإدارة الالتزام بقوانين الري في نهر كولورادو، ورصد استنزاف المياه الجوفية في طبقة المياه الجوفية في السهول العليا، وتحسين إنتاجية المياه الزراعية في جميع أنحاء أفريقيا من خلال نظام WaPOR التابع لمنظمة الأغذية والزراعة.

يُطعم الأرز أكثر من 3.5 مليار نسمة حول العالم، ومع ذلك، فإن أقل من 601 مليار منطقة زراعية للأرز لديها خرائط زراعية دقيقة ومحدثة، وفقًا لتحديث أطلس الأرز العالمي لعام 2024 الصادر عن المعهد الدولي لبحوث الأرز (IRRI). ويساهم رسم خرائط أنماط زراعة الأرز وأنواعها باستخدام الاستشعار عن بُعد في سد هذه الفجوة بسرعة، من خلال توفير بيانات دقيقة مكانيًا ومتسقة زمنيًا على نطاقات لا يمكن لأي مسح ميداني أن يضاهيها.

بدءًا من تمييز الأراضي المنخفضة المروية ذات المحصولين في دلتا نهر ميكونغ بفيتنام، وصولًا إلى تحديد الحقول المعتمدة على الأمطار في موسم واحد في أفريقيا جنوب الصحراء الكبرى، توفر الأنظمة القائمة على الأقمار الصناعية والرادار المعلومات التي يحتاجها المزارعون والحكومات وهيئات الأمن الغذائي للتخطيط بثقة. ومع تسارع معالجة البيانات بفضل الذكاء الاصطناعي والحوسبة السحابية، من المتوقع أن يصبح رصد الأرز شبه الفوري المعيار العالمي بحلول عام 2027.

لماذا يُعدّ الأرز مهماً ولماذا يصعب مراقبته؟

1. إنتاج الأرز ومعادلة الأمن الغذائي العالمي

يُعدّ الأرز الغذاء الأساسي لأكثر من نصف سكان العالم، وتتجاوز أهميته بكثير مجرد التغذية الفردية. وقد بلغ الإنتاج العالمي من الأرز ما يقارب 520 مليون طن متري من الأرز المطحون في عام 2024, ، وفقًا لبيانات منظمة الأغذية والزراعة، حيث تمثل آسيا ما يقرب من 901 تريليون طن من هذا الناتج.

أي اضطراب كبير في إمدادات الأرز، سواء كان ذلك بسبب الجفاف أو الفيضانات أو تفشي الآفات أو فشل السياسات، يؤدي إلى صدمات سريعة في أسعار الغذاء تؤثر بشكل غير متناسب على أفقر الأسر في العالم.

إن الحفاظ على الأمن الغذائي على هذا النطاق يتطلب أكثر من مجرد زراعة كميات كافية من الأرز. فهو يستلزم معرفة دقيقة لمواقع زراعة الأرز، وعدد مرات زراعة كل حقل سنوياً، والممارسات الزراعية المتبعة. وتحتاج الحكومات إلى هذه البيانات لتخصيص البنية التحتية للري، ودعم المدخلات الزراعية، وبناء احتياطيات للطوارئ.

يكمن التحدي في أن الأرز يزرع في مناظر طبيعية مجزأة بشكل استثنائي، تتراوح من سفوح التلال المدرجة في الفلبين إلى السهول المروية الشاسعة في الصين، مما يجعل المسوحات التقليدية حقلًا تلو الآخر غير عملية من الناحية اللوجستية والمالية على المستويين الوطني أو الإقليمي.

2. الحاجة إلى رصد منهجي لأنماط زراعة الأرز

تتغير أنماط زراعة الأرز باستمرار، أي عدد مواسم زراعة الأرز في السنة وكيفية توزيعها على مساحة معينة. ويؤدي تقلب المناخ إلى تقصير فترات الزراعة في بعض المناطق وتوسيعها في مناطق أخرى. كما تدفع المؤشرات الاقتصادية المزارعين إلى التحول من زراعة محصول واحد إلى زراعة محصولين عندما تتوافق وفرة المياه مع أسعار السوق.

بدون رصد منهجي، يعتمد المخططون على بيانات تعداد سكاني قد تكون قديمة لخمس سنوات أو أكثر، مما يؤدي إلى سوء تخصيص مزمن للمياه، ودعم الأسمدة، والقروض الريفية. يوفر الاستشعار عن بعد حلاً لهذه الفجوة في الرصد من خلال تقديم ملاحظات متسقة وقابلة للتكرار عبر بلدان بأكملها في غضون أيام.

بدلاً من الاعتماد على الإبلاغ الذاتي للمزارعين أو استطلاعات التعداد، تقوم الأنظمة القائمة على الأقمار الصناعية بمراقبة المشهد مباشرة، وتلتقط كيف تتغير حقول الأرز من خلال الفيضانات وعمليات الزرع والنمو النباتي والحصاد في كل موسم من مواسم السنة.

3. ما الذي يضيفه الاستشعار عن بعد إلى رسم الخرائط الزراعية؟

الاستشعار عن بعد هو علم الحصول على معلومات حول الأجسام أو المناطق من مسافة بعيدة، وذلك عادةً باستخدام أجهزة استشعار مثبتة على الأقمار الصناعية أو الطائرات أو المركبات الجوية غير المأهولة. وفي السياقات الزراعية، تقيس أجهزة الاستشعار الطاقة المنعكسة أو المنبعثة من المحاصيل والتربة والمياه عند أطوال موجية مختلفة من الطيف الكهرومغناطيسي.

نظراً لاختلاف انعكاس الطاقة باختلاف أنواع الغطاء الأرضي في مراحل النمو المختلفة، تستطيع صور الأقمار الصناعية التمييز بين حقل الأرز وحقل الذرة، وبين قطعة أرض مزروعة بالأرز المغمور بالمياه وقطعة أرض مزروعة مباشرة بالبذر الجاف، بدقة تزداد مع تطور تقنيات الاستشعار. ويخدم رسم خرائط أنماط زراعة الأرز وأنواع المحاصيل باستخدام الاستشعار عن بُعد أربعة أهداف مترابطة.

• أولاً، ينتج قوائم جرد مكانية صريحة لأماكن زراعة الأرز على نطاقات زمنية موسمية وسنوية.
• ثانياً، يصنف عدد دورات الزراعة التي تحدث سنوياً في كل منطقة محددة على الخريطة، مع التمييز بين أنظمة الزراعة الأحادية والثنائية والثلاثية.
• ثالثًا، يحدد الممارسات الثقافية المستخدمة، مثل ما إذا كان الحقل مزروعًا بالبذور المنقولة أو بالبذور المباشرة، أو ما إذا كانت إدارة المياه خاضعة للتحكم أو تعتمد على الأمطار.
• رابعاً، يقوم بتوليد بيانات أساسية تُستخدم في التنبؤ بالإنتاج، وموازنة المياه، وتخطيط التكيف مع المناخ، وأنظمة الزراعة الدقيقة.

فهم أنظمة زراعة الأرز وأنواعها الثقافية

1. ما الذي يعنيه نمط زراعة الأرز فعلياً

يصف نمط زراعة الأرز الترتيب الزمني لزراعة الأرز خلال السنة التقويمية في موقع محدد. فهو لا يقتصر على تحديد ما إذا كان الأرز يُزرع أم لا، بل يشمل عدد مرات زراعته، ومواعيد بداية ونهاية كل موسم، والمحصول الذي يسبقه أو يليه في الحقل نفسه، إن وُجد. إن رسم خرائط هذه الأنماط على مستوى المنطقة يمنح المخططين صورة ديناميكية لكثافة استخدام الأراضي والطلب على الموارد، وهي صورة لا يمكن الحصول عليها من خلال لقطة واحدة.

2. أنظمة زراعة الأرز أحادية المحصول

في أنظمة زراعة المحصول الواحد، يزرع المزارعون الأرز لموسم واحد في السنة، ويتزامن ذلك عادةً مع موسم الأمطار الموسمية أو دورة ري واحدة مُتحكَّم بها. وتسود هذه الأنظمة في المناطق التي يحد فيها توفر المياه أو العمالة أو المناخ من إمكانية زراعة موسم ثانٍ.

تميل أنظمة المحاصيل الفردية إلى أن يكون لها فترات نمو أطول في الموسم الواحد، وغالبًا ما تستخدم أصنافًا تقليدية أو محسنة طويلة الأمد، كما أنها تعتمد بشكل غير متناسب على الأمطار، مما يجعلها حساسة للغاية لتوقيت هطول الأمطار وتوزيعها.

3. أنظمة زراعة الأرز المزدوجة

تُنتج أنظمة الزراعة المزدوجة محصولين من الأرز سنوياً من الحقل نفسه. وهي شائعة في جميع أنحاء جنوب شرق وجنوب آسيا، بما في ذلك دلتا النهر الأحمر في فيتنام، وسهول بنغلاديش الفيضية، والمناطق المروية في البنجاب بالهند.

إن الفجوة الزمنية بين الموسمين ضيقة، وغالبًا ما تكون أقل من 30 يومًا، لذا فإن تحديد مناطق المحاصيل المزدوجة من بيانات الأقمار الصناعية يتطلب ملاحظات متسلسلة زمنية كثيفة لاكتشاف دورتين فينولوجيتين كاملتين خلال عام واحد.

4. أنظمة زراعة الأرز الثلاثية

تُمارس زراعة المحاصيل الثلاثية، التي تتضمن ثلاثة محاصيل من الأرز سنوياً، في مناطق محدودة حيث يكون توافر المياه ودرجة الحرارة مناسبين على مدار العام. وتدعم دلتا نهر ميكونغ في جنوب فيتنام وأجزاء من مقاطعة غوانغدونغ في جنوب الصين أنظمة زراعة المحاصيل الثلاثية.

رغم أنها تزيد من كثافة استخدام الأراضي، إلا أن أنظمة الزراعة الثلاثية تنطوي على تحديات كبيرة في خصوبة التربة وإدارة الآفات. ويُعدّ تحديد هذه الحقول عن بُعد عمليةً معقدةً تقنياً، لأن فترات الراحة القصيرة بين المحاصيل تُكثّف الإشارات الفينولوجية في فترات زمنية ضيقة.

5. زراعة الأرز المعتمدة على الأمطار

يُشكّل الأرز المزروع بالأمطار، والذي يعتمد كلياً على مياه الأمطار دون استخدام مصادر مياه اصطناعية، ما يقارب 451 تريليون طن من إجمالي مساحة زراعة الأرز عالمياً، وفقاً للمعهد الدولي لبحوث الأرز (IRRI). ويُعدّ هذا النظام هو السائد في أفريقيا جنوب الصحراء الكبرى، والمناطق الجبلية في جنوب وجنوب شرق آسيا، والسهول الفيضية التي تعتمد على الأمطار.

تُعدّ أنظمة الزراعة المطرية شديدة التأثر بتقلبات هطول الأمطار، مما يؤدي إلى تذبذب المحصول بمقدار 30-50 طنًا متريًا بين السنوات الرطبة والجافة في بعض المناطق. ومن منظور الاستشعار عن بُعد، يصعب رسم خرائط زراعة الأرز المطرية لأن إشارة الفيضانات تكون أضعف وأكثر عدم انتظامًا مقارنةً بالحقول المروية المُدارة.

6. زراعة الأرز المروي

تتلقى أنظمة ري الأرز المياه عبر القنوات والمضخات والخزانات المُدارة، مما يُمكّن المزارعين من التحكم بدقة عالية في مواعيد الزراعة والحصاد. ويشغل الأرز المروي حاليًا حوالي 551 تريليون طن فقط من مساحة زراعة الأرز العالمية، ولكنه يُساهم بـ 751 تريليون طن من إجمالي إنتاج الأرز، مما يعكس ميزة زيادة المحصول بفضل الأمن المائي.

يؤدي غمر حقول الأرز المروية بشكل متعمد إلى خلق بصمة ارتداد رادارية قوية ومتسقة يمكن لأجهزة الاستشعار بالأقمار الصناعية اكتشافها بشكل موثوق، مما يجعل الأرز المروي من بين أكثر أنواع المحاصيل التي تم رسم خرائطها بدقة في العالم.

7. أنظمة زراعة الأرز في المرتفعات والمنخفضات

يُزرع الأرز الجبلي في تربة جيدة التصريف وغير مغمورة بالمياه، وغالبًا ما يكون ذلك على سفوح التلال أو المدرجات في آسيا وأفريقيا. ولأن هذه الحقول لا تُغمر بالمياه عمدًا، فإنها تفتقر إلى الإشارة المائية التي تُمكّن الرادار من تحديد أرز الأراضي المنخفضة، مما يُجبر الباحثين على الاعتماد على الأنماط الطيفية للغطاء النباتي فقط.

على النقيض من ذلك، يُزرع أرز الأراضي المنخفضة في حقول مسطحة أو ضحلة تتجمع فيها المياه بشكل طبيعي أو عن طريق الري. وتهيمن أنظمة الأراضي المنخفضة على مناطق إنتاج الأرز في آسيا، وهي الهدف الرئيسي لمعظم جهود رسم الخرائط واسعة النطاق.

يوفر التباين المورفولوجي بين الحقول المرتفعة والمنخفضة، بما في ذلك شكل الحقل والموقع الطبوغرافي وبنية الغطاء النباتي، إشارات مكانية تكميلية يمكن لتحليل الصور القائم على الكائنات استغلالها بشكل فعال.

8. الأرز المزروع مباشرة مقابل الأرز المنقول

تتضمن زراعة الأرز بالنقل زراعة الشتلات في مشتل لمدة تتراوح بين 25 و30 يومًا، ثم نقلها يدويًا أو آليًا إلى الحقل الرئيسي. أما زراعة الأرز بالبذور مباشرة، فتتضمن نثر البذور أو غرسها مباشرة في الحقل المُجهز دون الحاجة إلى مرحلة المشتل.

تُنتج هاتان الطريقتان بصمات زمنية مختلفة بشكل ملحوظ في بيانات الأقمار الصناعية: تُظهر الحقول المزروعة بالبذور اخضرارًا حادًا ومتزامنًا بعد حوالي ثلاثة أسابيع من الفيضان، بينما تُظهر الحقول المزروعة بالبذور مباشرةً نموًا تدريجيًا للغطاء النباتي منذ يوم البذر. هذا الاختلاف الفينولوجي، الدقيق ولكنه حقيقي، يمكن رصده من خلال تحليل دقيق للسلاسل الزمنية لمؤشرات الغطاء النباتي.

أدوات وتقنيات الاستشعار عن بعد لرسم خرائط الأرز

1. المبدأ الفيزيائي وراء الاستشعار عن بعد

تعكس كل نبتة الإشعاع الشمسي وتمتصه وتنقله وفق أنماط تحددها التركيبة الكيميائية لأوراقها، وبنية غطائها النباتي، ومحتواها المائي. تمتص الأوراق الخضراء الضوء الأحمر بقوة لعملية التمثيل الضوئي، بينما تعكس جزءًا كبيرًا من طاقة الأشعة تحت الحمراء القريبة. في المقابل، تمتص التربة المغمورة بالمياه جميع الإشعاع الوارد تقريبًا.

تُنتج هذه الاستجابات المتباينة بصمات طيفية يمكن التنبؤ بها والتي يمكن لأجهزة الاستشعار الموجودة على الأقمار الصناعية تسجيلها بتوقيت ثابت، مما يُمكّن المحللين من تتبع حالة المحاصيل ومرحلة نموها وقرارات الإدارة على مستوى الحقل دون الحاجة إلى زيارة الحقل على الإطلاق.

2. الاستشعار البصري عن بعد

تستشعر المستشعرات البصرية الإشعاع الشمسي المنعكس، مما ينتج صورًا تُحاكي إلى حد كبير ما تراه العين البشرية عند امتدادها إلى أطوال موجية تحت الحمراء. وتُهيمن ثلاث منصات بصرية على أبحاث رسم خرائط الأرز.

لاندسات (سلسلة من الأقمار الصناعية التي تشغلها وكالة ناسا وهيئة المسح الجيولوجي الأمريكية منذ عام 1972) توفر صورًا بدقة مكانية تبلغ 30 مترًا مع دورة إعادة زيارة مدتها 16 يومًا. ويجعلها أرشيفها الزمني الطويل ضرورية لدراسة تغير مساحة زراعة الأرز على مدى عقود. ومع ذلك، فإن تكرار الصور كل 16 يومًا يعني أنه قد يتم تفويت بعض الظواهر الفينولوجية خلال موسم النمو القصير بين عمليات الرصد.

سينتينل-2 يُحسّن نظام Sentinel-2 (الذي تشغله وكالة الفضاء الأوروبية، والذي أُطلق عامي 2015 و2017 كنظام قمرين صناعيين) من نظام Landsat بدقة تتراوح بين 10 و20 مترًا ودورة إعادة زيارة كل 5 أيام عند خط الاستواء. يُتيح هذان التحسينان معًا تحديدًا أدق للحقول وأخذ عينات أفضل من مراحل نمو المحاصيل، وتستخدم معظم دراسات رسم خرائط الأرز عالية الدقة الحديثة، بما في ذلك تلك المنشورة في مجلة ISPRS للتصوير المساحي والاستشعار عن بعد عام 2024، بيانات Sentinel-2 كمصدر رئيسي للبيانات البصرية.

موديس يوفر جهاز التصوير الطيفي متوسط الدقة (MODIS)، الموجود على متن قمري تيرا وأكوا التابعين لوكالة ناسا، دقة مكانية تتراوح بين 250 و500 متر مع إمكانية إعادة المسح يوميًا. ورغم أن دقته غير كافية لرسم خرائط الحقول الفردية، إلا أن MODIS يظل ذا قيمة كبيرة لتقييم كثافة المحاصيل على المستويين الوطني والقاري، حيث تكون الدقة المكانية العالية أقل أهمية من الكثافة الزمنية.

3. الاستشعار عن بعد بالرادار

رادار الفتحة التركيبية (SAR) هي تقنية تعتمد على الرادار، حيث ترسل نبضات ميكروية باتجاه سطح الأرض وتقيس الطاقة المتناثرة عائدةً إلى المستشعر. وعلى عكس المستشعرات البصرية، يعمل الرادار ذو الفتحة التركيبية (SAR) بشكل مستقل عن الغطاء السحابي والإضاءة الشمسية، مما يعني أنه يجمع البيانات بكفاءة متساوية في ليلة غائمة خلال موسم الرياح الموسمية كما في يوم جاف صافٍ.

تُعد هذه الخاصية ذات أهمية بالغة لرسم خرائط الأرز في المناطق الاستوائية في آسيا، حيث تفقد أجهزة الاستشعار البصرية أسابيع من موسم النمو بشكل روتيني بسبب انسداد السحب.

سينتينل-1 تبث وكالة الفضاء الأوروبية (ESA) طاقة الموجات الميكروية في النطاق C (طول الموجة حوالي 5.6 سم) وتوفر بيانات رادار الفتحة التركيبية (SAR) عالمية مجانية بدقة 10 أمتار مع دورة تكرار تتراوح بين 6 و12 يومًا. تتفاعل حقول الأرز مع إشارات رادار الفتحة التركيبية بطريقة مميزة:

• تعمل الحقول المغمورة بالمياه كمرآة شبه مثالية، حيث تعكس معظم طاقة الرادار بعيدًا عن المستشعر (مما ينتج عنه قيم ارتداد منخفضة)، بينما
• تعمل مظلة الأرز المتنامية على تشتيت الطاقة بشكل متزايد نحو المستشعر مع زيادة كثافة النبات ومساحة الأوراق.

يشكل مسار التشتت العكسي هذا بمرور الوقت، والذي يكون منخفضًا أثناء الفيضانات وعمليات الزرع، ويرتفع خلال المراحل الخضرية، ثم ينخفض مرة أخرى بعد الإزهار، بصمة فينولوجي رادارية فريدة من نوعها للأرز.

وجد نغوين وآخرون (الاستشعار عن بعد للبيئة، 2023) أن تصنيف السلاسل الزمنية لصور الرادار ذي الفتحة التركيبية (SAR) من القمر الصناعي Sentinel-1 قد حقق دقة إجمالية 92.3% في رسم خرائط مواسم زراعة الأرز عبر ثلاث مقاطعات في دلتا ميكونغ في فيتنام، بما في ذلك مناطق المحاصيل الثلاثية حيث لم تكن البيانات البصرية متاحة لأكثر من 60% من فترة النمو بسبب الغطاء السحابي.

في المناطق الاستوائية التي تزرع الأرز، لا تعد الطرق القائمة على الرادار ذي الفتحة التركيبية مجرد بديل للاستشعار البصري، بل إنها غالباً ما تكون الخيار الموثوق الوحيد لرسم الخرائط موسماً بعد موسم خلال أشهر الرياح الموسمية.

4. تكامل بيانات متعددة المستشعرات

لا يوجد مستشعر واحد يوفر المزيج الأمثل من التفاصيل المكانية والكثافة الزمنية وقدرة اختراق السحب. ولذلك، فإن أنظمة رسم خرائط الأرز الأكثر دقة تدمج أنواعًا متعددة من المستشعرات ضمن إطار تحليلي واحد.

تعتمد بنية مشتركة على الجمع بين بيانات Sentinel-1 SAR للتتبع الزمني الخالي من السحب مع بيانات Sentinel-2 البصرية للثراء الطيفي خلال الفترات الصافية، وتستخدم MODIS كمرجع ذي دقة منخفضة للكشف عن الأنماط الفينولوجية على المستوى الإقليمي.

عندما يتم دمج تدفقات البيانات هذه خوارزميًا، يمكن لمجموعة البيانات المدمجة تحديد حدود المحاصيل، واكتشاف تواريخ الزرع، وتعيين تصنيفات الأنواع الثقافية بمستوى من اليقين لا يمكن لأي مستشعر بمفرده تحقيقه.

تحديد أنماط زراعة الأرز من بيانات الأقمار الصناعية

1. السمات الزمنية لمراحل نمو الأرز

يمر الأرز بتسلسل محدد جيدًا من مراحل النمو: إعداد الأرض وغمرها بالمياه، وزراعة الشتلات أو البذر، والتفريع (نمو سيقان متعددة من نبات واحد)، وبدء تكوين السنبلة، والإزهار (ظهور رأس الزهرة الحاملة للحبوب)، والحصاد.

تُحدث كل مرحلة تغييراً قابلاً للقياس في الخصائص البصرية والرادارية للحقل. ويستخدم المحللون هذه البصمات الخاصة بكل مرحلة، والتي يتم التقاطها كسلسلة زمنية من المؤشرات الطيفية أو ارتداد الرادار ذي الفتحة التركيبية، لإعادة بناء ما حدث في كل حقل ومتى، دون أي معرفة مسبقة من المزارع.

2. رسم خرائط الأرز بناءً على علم الظواهر

رسم الخرائط القائم على علم الفينولوجيا يُعدّ استخدام توقيت الأحداث البيولوجية لتصنيف المحاصيل النهج السائد للكشف عن زراعة الأرز في المساحات الكبيرة. وتعتمد هذه الطريقة على مطابقة منحنيات رياضية مع بيانات السلاسل الزمنية، ثم تحديد الحقول التي يتطابق فيها النمط الزمني مع منحنى نمو الأرز المميز. وتشمل تواريخ الأحداث الرئيسية المستخرجة من عملية المطابقة هذه ما يلي:

• بداية موسم النمو (والتي تُعرف عادةً بزيادة حادة في قيم مؤشر الغطاء النباتي بعد الفيضانات)،,
• ذروة موسم النمو (مؤشر مساحة الأوراق القصوى)، و
• نهاية الموسم (انخفاض سريع عند الحصاد).

يحدد عدد هذه الدورات التي يتم اكتشافها خلال السنة التقويمية بشكل مباشر ما إذا كان الحقل مصنفًا على أنه حقل مزروع مرة واحدة أو مرتين أو ثلاث مرات.

3. تقييم كثافة الزراعة

تُعدّ كثافة الزراعة، أي عدد مواسم الزراعة المكتملة سنويًا على وحدة أرض، من أهمّ مخرجات رسم خرائط أنماط زراعة الأرز ذات الصلة بالسياسات. ويعتمد أحد الأساليب البسيطة والفعّالة على حساب عدد مرات ظهور ذروة طيفية أو ذروة ارتدادية شبيهة بتلك الموجودة في الأرز ضمن السلسلة الزمنية السنوية للبكسل.

عند دمجها مع المرشحات المكانية لإزالة عمليات الكشف الزائفة الناتجة عن الأراضي الرطبة أو المسطحات المائية أو الفيضانات الموسمية، فإن عمليات العد الدوري هذه تنتج خرائط للأرز أحادي المحصول وثنائي المحصول وثلاثي المحصول والتي يمكن التحقق من صحتها من خلال المسوحات الميدانية والإحصاءات الإقليمية.

4. رسم خرائط توزيع الأرز الموسمية والسنوية

لا تقتصر الخرائط الموسمية (خريطة واحدة لكل موسم زراعي في السنة) على تحديد أماكن زراعة الأرز فحسب، بل تشمل أيضاً مواعيد زراعته في كل موقع. وتكشف مجموعات الخرائط الموسمية السنوية عن التقويم الزراعي الكامل للمنطقة، بما في ذلك التوزيع المكاني للأرز المزروع في بداية الموسم مقابل الأرز المزروع في نهايته، وهو ما يؤثر بشكل مباشر على جدولة الري، وإدارة الآفات، ولوجستيات الحصاد.

5. الكشف عن دورات المحاصيل التي تشمل الأرز

في العديد من أنظمة زراعة الأرز الآسيوية، يتناوب المزارعون بين زراعة الأرز والقمح والخضراوات والبقوليات، أو يتركون الأرض بوراً لفترات محددة، ضمن الحقل نفسه على مدار مواسم متتالية. وتكشف تقنيات الاستشعار عن بُعد عن هذه الدورات الزراعية من خلال تحليل البيانات السنوية الكاملة بدلاً من تحليل أي موسم منفرد بمعزل عن غيره.

يُظهر حقلٌ يُصنّف كمحصول أرز في موسم الأمطار، ومحصول قمح في موسم الجفاف، نمطًا زمنيًا مميزًا ذا قمتين في بيانات مؤشر الغطاء النباتي، حيث تُحدد الخصائص الطيفية لكل قمة نوع المحصول المعني. ويُعدّ رسم خرائط هذه الدورات الزراعية أمرًا بالغ الأهمية لتقييم صحة التربة، ونمذجة احتياجات الري، وبرامج تنويع مصادر الدخل.

كيف يُسهم برنامج GeoPard في رسم خرائط أنماط زراعة الأرز

يتطلب رسم خرائط أنماط زراعة الأرز مراقبة مستمرة ومتعددة المصادر على مدار موسم النمو بأكمله، وهذا ما يوفره نظام GeoPard تحديدًا. فمن خلال دمج صور الأقمار الصناعية Landsat-8 وSentinel-2 وPlanet في منصة واحدة، يراقب GeoPard الحقول يومًا بعد يوم بدقة تصل إلى 3 أمتار، مما يضمن عدم تفويت أي أحداث مهمة في زراعة الأرز، مثل الفيضانات قبل الزراعة، واخضرار الشتلات، والحصاد، بسبب حجب الرؤية.

لقد أظهر دمج البيانات من أجهزة الاستشعار المتعددة في المنصة تحسناً في الدقة بمقدار 4% مقارنة بنهج المستشعر الواحد، مما يزيد بشكل مباشر من حدة الفصل بين أنظمة زراعة الأرز أحادية المحصول، وثنائية المحصول، وثلاثية المحصول.

لتحديد النوع الثقافي، فإن مجموعة مؤشرات الغطاء النباتي من GeoPard، بما في ذلك NDWI للكشف عن الفيضانات السطحية، وEVI2 لتوقيت الكتلة الحيوية للغطاء النباتي، وLAI لكثافة الغطاء النباتي، تلتقط السيرة الطيفية التي تفصل الأرز المروي المزروع عن أنظمة الزراعة المطرية أو البذر المباشر.

في أيام الرياح الموسمية الغائمة عندما تفشل الصور البصرية تمامًا، تحافظ طبقة بيانات الرادار المتكاملة في GeoPard على تتبع الغطاء النباتي دون انقطاع، وتقرأ حوض التشتت الخلفي للرادار ذي الفتحة التركيبية الذي يمثل السمة المميزة لحقل الأرز المغمور بالمياه في وقت الزراعة.

تتيح أداة مقارنة الطبقات للمهندسين الزراعيين وضع ما يصل إلى أربع طبقات بيانات متزامنة جنبًا إلى جنب، مما يجعل من السهل فصل أنواع زراعة الأرز عن طريق مقارنة إشارات الفيضانات NDWI مع اتجاهات الغطاء النباتي متعددة السنوات وخرائط إنتاجية التربة.

بفضل أكثر من 30 عامًا من صور الأقمار الصناعية، تكشف المنصة أنماط كثافة المحاصيل على المدى الطويل على مستوى الحقل. وتُدمج هذه المعلومات مباشرةً في خرائط تطبيق المعدلات المتغيرة للأسمدة والبذور وحماية المحاصيل، مما يحوّل خرائط أنواع زراعة الأرز إلى توصيات إدارية ملموسة على مستوى الحقل.

رسم خرائط لأنواع زراعة الأرز باستخدام الاستشعار عن بعد

1. الخصائص الطيفية للممارسات الثقافية المختلفة

يُحدد النمط الثقافي، أي المزيج المحدد من ممارسات الإدارة المطبقة على حقل الأرز، التطور الزمني للبصمة الطيفية لهذا الحقل. فعلى سبيل المثال، يبدأ الأرز المزروع في المياه الراكدة الموسم باستجابة بصرية يهيمن عليها الماء (انعكاس منخفض عبر جميع النطاقات المرئية)، يليه تحول مفاجئ مع نمو غطاء الشتلات.

يُظهر الأرز المزروع مباشرة في أرض غير مغمورة بالمياه زيادة تدريجية في إشارة الغطاء النباتي منذ بداية الإنبات، دون فترة الفيضان الأولية التي تكتشفها أجهزة الاستشعار البصرية وأجهزة الاستشعار الرادارية ذات الفتحة التركيبية بسهولة.

2. التمييز بين الأرز المروي والأرز المروي بالأمطار

تختلف حقول الأرز المروية عن حقول الأرز المعتمدة على الأمطار في جانبين ملحوظين: توقيت وانتظام الفيضانات، وثبات دورة نموها الموسمية. تميل الحقول المروية إلى الفيضان في مواعيد محددة، وتُظهر تباينًا أقل من عام لآخر في مواعيد زراعة الشتلات، وتحافظ على كثافة غطاء نباتي ثابتة من خلال إدارة المياه المُحكمة.

تُظهر الحقول المعتمدة على الأمطار تباينًا زمنيًا أكبر بين السنوات، ويمكن أن تتعرض لإجهاد مائي في منتصف الموسم يمكن اكتشافه على شكل انخفاضات غير طبيعية في قيم مؤشر الغطاء النباتي، وأحيانًا تفشل في إكمال موسم نمو كامل خلال سنوات الجفاف.

يلتقط تحليل السلاسل الزمنية متعددة السنوات بنية التباين هذه، مما يسمح لخوارزميات التصنيف بفصل المناطق المروية عن المناطق المعتمدة على الأمطار بدقة تتجاوز عادةً 85% في الأنظمة المعايرة جيدًا.

3. رسم خرائط الأرز المزروع بالنقل والأرز المزروع مباشرة

إن المؤشر الأكثر موثوقية للتمييز بين الأرز المزروع بالنقل والأرز المزروع مباشرة في بيانات SAR هو توقيت ومدة فترة الفيضان الأولية ذات التشتت الخلفي المنخفض.

يتم غمر حقول الأرز المزروعة لمدة تتراوح بين أسبوعين وأربعة أسابيع قبل نقل الشتلات، مما يخلق فترة طويلة من الظلام الراداري في بداية الموسم.

تُظهر الحقول المزروعة مباشرة إما عدم وجود فترة غمر (زراعة جافة) أو فترة قصيرة جدًا (زراعة رطبة)، ويكون ارتفاع التشتت الخلفي مبكرًا نسبيًا لتاريخ البذر، كما يختلف هيكليًا في ميله. ويمكن استخلاص هذه الخصائص الزمنية تلقائيًا باستخدام خوارزميات تُطبق على سلاسل زمنية كثيفة من بيانات الرادار ذي الفتحة التركيبية (SAR).

4. الكشف عن الممارسات الإدارية باستخدام الاستشعار عن بعد

إلى جانب طريقة الزرع ونظام الري، يمكن للاستشعار عن بعد اكتشاف ممارسات معينة لإدارة المياه، مثل التناوب بين الترطيب والتجفيف (AWD)، وهي تقنية تستخدم لتقليل انبعاثات غاز الميثان واستهلاك المياه عن طريق تجفيف حقول الأرز بشكل متقطع.

تُظهر حقول الزراعة بالتناوب بين الري والصرف أنماطًا متذبذبة لارتداد صور الرادار ذي الفتحة التركيبية (SAR) خلال فترة النمو، مما يعكس دورات الري والصرف المتكررة، بينما تُظهر الحقول المغمورة باستمرار مسارًا أكثر استقرارًا لارتداد الصور. وتُعد هذه الخاصية ذات قيمة خاصة لرصد تبني ممارسات زراعة الأرز الذكية مناخيًا في قوائم جرد انبعاثات غازات الاحتباس الحراري الوطنية.

5. مؤشرات إدارة المياه في حقول الأرز

يتميز الكشف عن سطح الماء باستخدام تقنية الرادار ذي الفتحة التركيبية (SAR) بحساسية عالية، حيث يمكنه تحديد المياه الراكدة على عمق لا يتجاوز بضعة سنتيمترات تحت غطاء نبات الأرز. وتتيح هذه الحساسية للمحللين رسم خرائط لحالة الفيضانات في كل حقل على حدة في نقاط رئيسية من موسم النمو، مما يدعم قرارات جدولة الري والتقييم المبكر لأضرار الفيضانات.

عندما يتم تجميع خرائط سطح الماء من تواريخ متعددة زمنيًا، فإنها تنتج بصمة ديناميكية لإدارة المياه لكل حقل والتي تعمل كمدخل عالي القيمة لنماذج تصنيف الأنواع الثقافية.

التقنيات والأساليب: من المؤشرات إلى التعلم العميق

1. مؤشرات الغطاء النباتي لرصد الأرز

تُعدّ مؤشرات الغطاء النباتي تركيبات رياضية لقيم الانعكاس عند أطوال موجية مختلفة، مصممة لتضخيم إشارة الكتلة الحيوية للنباتات وصحتها مع تقليل التشويش الناتج عن خلفية التربة والتأثيرات الجوية وهندسة الإضاءة. وتُعتبر ثلاثة مؤشرات أساسية في أعمال رسم خرائط الأرز.

1. مؤشر NDVI (مؤشر اختلاف الغطاء النباتي المعياري) يُحسب هذا المؤشر بقسمة (NIR – Red) على (NIR + Red)، وهو المؤشر الأكثر استخدامًا في مراقبة الأرز. يتتبع هذا المؤشر اخضرار الغطاء النباتي من مرحلة إنبات البذور وحتى مرحلة الشيخوخة، حيث ترتفع القيم عادةً من الصفر تقريبًا عند الزراعة إلى 0.6-0.8 عند ذروة النمو الخضري.

ثانيًا: مؤشر الغطاء النباتي المحسن (EVI) يقوم بتصحيح تأثيرات الهباء الجوي في الغلاف الجوي والضوضاء الخلفية للتربة بشكل أكثر فعالية من مؤشر NDVI، مما يجعله مفضلاً في البيئات ذات الحمل العالي للهباء الجوي، كما هو الحال خلال مواسم حرق الكتلة الحيوية الشائعة في المناطق الاستوائية في آسيا.

ثالثًا: مؤشر المياه السطحية (LSWI) يشتمل على انعكاس الأشعة تحت الحمراء ذات الموجة القصيرة للكشف عن محتوى الماء في كل من غطاء النبات وسطح التربة، مما يجعله شديد الحساسية لأحداث الفيضانات التي تميز زراعة الأرز في الأراضي المنخفضة ويوفر إشارة قوية للكشف عن بداية موسم النمو.

2. تحليل السلاسل الزمنية

تُصوّر صورة واحدة من القمر الصناعي حالة حقل أرز في لحظة معينة، لكن تاريخ هذا الحقل يُكتب بتسلسل تلك اللحظات. يربط تحليل السلاسل الزمنية العديد من الملاحظات، عادةً صورة واحدة كل 5-16 يومًا على مدار عام كامل، ويستخرج مقاييس زمنية مثل تاريخ بدء الموسم، وذروة مؤشر الغطاء النباتي (NDVI)، ومعدل نمو النبات، وتاريخ الحصاد.

تصف هذه المقاييس مجتمعةً السلوك الفينولوجي الكامل للحقل، وهي أكثر دقةً في تحديد نوع المحصول من أي ملاحظة في تاريخ واحد. وتُستخدم الأساليب الإحصائية، بما في ذلك الانحدار التوافقي وتقنية مطابقة الوقت الديناميكية (DTW)، بشكل شائع لمواءمة ومقارنة بيانات السلاسل الزمنية عبر سنوات ومناطق مختلفة.

3. التعلم الآلي لتصنيف الأرز

لقد أحدث التعلم الآلي تحولاً في نطاق ودقة رسم خرائط أنماط زراعة الأرز من خلال أتمتة تحديد العلاقات المعقدة وغير الخطية بين البيانات الطيفية الزمنية وظروف الحقل.

1. الغابة العشوائية (RF) هي طريقة تجميعية تبني مئات من أشجار القرار المستقلة، يتم تدريب كل منها على مجموعة فرعية عشوائية من الميزات، وتجمع أصواتها للوصول إلى تصنيف نهائي. تتميز هذه الطريقة بمتانتها في مواجهة بيانات التدريب المشوشة، وقدرتها على التعامل بكفاءة مع مساحات الميزات عالية الأبعاد، كما توفر درجات أهمية متغيرة تساعد المحللين على فهم أي من الميزات الزمنية أو الطيفية تؤثر على قرارات التصنيف.

ثانيًا: آلة المتجهات الداعمة (SVM) يجد SVM الحد الفاصل الأمثل بين الفئات في فضاء الميزات عالي الأبعاد. ويؤدي أداءً جيدًا عندما تكون بيانات التدريب محدودة، مما يجعله مفيدًا في المناطق التي تعاني من ندرة البيانات حيث يكون جمع البيانات المرجعية مكلفًا.

ثالثًا: التعلم العميق, تستطيع الشبكات العصبية، ولا سيما الشبكات العصبية الالتفافية (CNNs) والشبكات العصبية المتكررة (RNNs) مثل بنية الذاكرة طويلة المدى (LSTM)، تعلم الأنماط المكانية داخل الصور الفردية والأنماط الزمنية عبر سلاسل الصور في آنٍ واحد. وقد حققت المصنفات القائمة على LSTM، عند تطبيقها على سلاسل زمنية من صور الأقمار الصناعية، دقةً فائقة في مهام رسم خرائط الأرز، حيث أفادت العديد من الدراسات بدقة إجمالية تتجاوز 90% على نطاقات إقليمية.

أظهر شياو وآخرون (المجلة الدولية للاستشعار عن بعد وتطبيقات المعلومات الجغرافية، 2025) أن نموذج التعلم العميق LSTM المدرب على بيانات السلاسل الزمنية المدمجة من Sentinel-1 وSentinel-2 قد رسم خرائط لأنواع زراعة الأرز عبر ثلاث دول في جنوب آسيا. بلغت الدقة الإجمالية 91.7% ومعامل كابا 0.89, ، متفوقًا على الغابة العشوائية بنسبة 6.4 نقطة مئوية في ظل نفس ظروف بيانات التدريب.

بالنسبة لرسم خرائط أنواع زراعة الأرز على نطاق واسع حيث يكون جمع بيانات التدريب ممكناً، فإن مصنفات التعلم العميق القائمة على LSTM هي الآن الطريقة المعيارية وينبغي أن تكون الخيار الافتراضي لبرامج رسم الخرائط الوطنية الجديدة.

4. تحليل الصور القائم على الكائنات (OBIA)

تحليل الصور القائم على الكائنات (OBIA) تعمل هذه الطريقة عن طريق تجميع البكسلات المتجاورة ذات الخصائص الطيفية والمكانية المتشابهة في كائنات (قطاعات) قبل تصنيفها، بدلاً من تصنيف كل بكسل بشكل مستقل.

في رسم خرائط الأرز، تعتبر تقنية تحليل الصور القائمة على الكائنات (OBIA) ذات قيمة لأنها تستطيع دمج الشكل والملمس والسياق في التصنيف، مما يميز حقل الأرز عن المسطح المائي ذي اللون المماثل بناءً على الشكل المستطيل المنتظم لحقل الأرز.

تُعد تقنية تحليل الصور القائمة على الكائنات (OBIA) فعالة بشكل خاص عند الدقة المكانية العالية جدًا، مثل البيانات من الأقمار الصناعية التجارية بدقة 1-5 أمتار أو صور الطائرات بدون طيار.

5. تقنيات كشف التغيير

يكشف نظام رصد التغيرات عن المناطق التي شهدت تحولاً في استخدام الأراضي بين تاريخين أو أكثر. وفي رصد نظام زراعة الأرز، يخدم رصد التغيرات غرضين: تتبع التوسع أو الانكماش السنوي لمساحة زراعة الأرز استجابةً للعوامل المناخية أو الاقتصادية، وتحديد التغيرات التي تحدث في منتصف الموسم مثل فشل المحاصيل أو هجرها أو الفيضانات غير المتوقعة.

يُعدّ رصد التغيرات ثنائية الزمن (مقارنة تاريخين مباشرةً) بسيطًا ولكنه عرضة للتأثر بالاختلافات الفينولوجية بين السنوات. أما رصد التغيرات متعددة الزمن عبر مجموعات البيانات السنوية الكاملة فهو أكثر دقة، ويمكنه التمييز بين التغيرات الحقيقية في استخدام الأراضي والتغيرات الفينولوجية الموسمية.

تقييم الدقة والتحقق من الصحة

1. جمع بيانات الحقيقة الأساسية

يتطلب كل منتج لرسم خرائط الأرز التحقق من صحته باستخدام بيانات ميدانية مُجمّعة بشكل مستقل. تشمل بيانات التحقق الميداني عادةً زيارات ميدانية مُرتبطة بنظام تحديد المواقع العالمي (GPS)، حيث يُسجّل باحثون مُدرّبون نوع المحصول، ومرحلة نموه، وحالة إدارة المياه، وطريقة زراعته في عينة تمثيلية إحصائيًا من المواقع. تُجمع هذه البيانات لتتزامن زمنيًا مع عمليات رصد الأقمار الصناعية، وتُستبعد من تدريب النموذج وتُستخدم حصريًا لتقييم دقته.

2. مقاييس دقة التصنيف

بالنسبة للتطبيقات الخاصة بالأرز، يتم الإبلاغ بشكل متزايد عن درجة F1، التي توازن بين دقة المنتج والمستخدم لكل فئة، جنبًا إلى جنب مع معامل كابا كملخص أداء رقمي واحد أكثر إفادة. تشمل المقاييس القياسية لتقييم دقة الخريطة ما يلي:

• الدقة الإجمالية (نسبة جميع نقاط التحقق المصنفة بشكل صحيح)،,
• دقة المُنتِج (احتمالية تعيين حقل من فئة حقيقية معينة بشكل صحيح، على غرار الاستدعاء)،,
• دقة المستخدم (احتمالية أن يكون الحقل المُرتبط بفئة معينة هو فعلاً تلك الفئة، وهو ما يُشابه الدقة)، و
• معامل كابا (مقياس للاتفاق مصحح للاتفاق العشوائي، حيث تشير القيم التي تزيد عن 0.80 إلى اتفاق قوي).

3. التحقق من صحة خرائط أنماط الاقتصاص والأنواع الثقافية

يتطلب التحقق من صحة خرائط أنماط المحاصيل بيانات أرضية متعددة الأوقات، مع زيارات ميدانية في نقاط متعددة عبر التقويم الزراعي للتأكد من عدد المواسم التي تم حصادها بالفعل في كل عام في كل موقع تحقق.

يُعد التحقق من النوع الثقافي، الذي يميز بين الزراعة المنقولة والزراعة المباشرة أو الري والزراعة المطرية، أكثر صعوبة لأن هذه الفروق ليست واضحة دائمًا في الحقل وتتطلب مقابلات مع المزارعين أو الملاحظة المباشرة لأحداث الإدارة خلال فترات حساسة في موسم النمو.

توفر الإحصاءات الزراعية الوطنية، على الرغم من أنها غالباً ما يتم تجميعها على مستوى المقاطعة أو المنطقة، طبقة إضافية من التحقق من صحة تقديرات المساحة، مما يسمح بمقارنة إجمالي الخرائط مع الأرقام الرسمية المبلغ عنها.

تطبيقات في جميع أنحاء النظام الزراعي

1. التخطيط الزراعي وتطوير السياسات

تُتيح خرائط أنماط زراعة الأرز، المُستمدة من الاستشعار عن بُعد، لوزارات الزراعة الدقة المكانية اللازمة لتصميم تدخلات مُوجَّهة. ويمكن إعطاء الأولوية للمناطق التي تُزرع فيها محاصيل مفردة وتعتمد على الأمطار لتطوير مشاريع ري صغيرة النطاق؛ كما يمكن دراسة المناطق التي تُزرع فيها محاصيل ثلاثية وتشهد انخفاضًا في الإنتاجية، بحثًا عن تدهور التربة أو انخفاض منسوب المياه الجوفية.

2. تقدير إنتاج الأرز

يؤدي الجمع بين خرائط مساحة زراعة الأرز من الاستشعار عن بعد ونماذج تقدير المحصول، مثل عمليات محاكاة نمو المحاصيل المدفوعة ببيانات الطقس، إلى إنتاج توقعات الإنتاج على المستويين دون الوطني والوطني قبل أسابيع أو أشهر من الحصاد.

تتضمن لوحة معلومات الأمن الغذائي التابعة لبنك التنمية الآسيوي ونظام المعلومات والإنذار المبكر العالمي التابع لمنظمة الأغذية والزراعة (GIEWS) بيانات مساحة الأرز المستمدة من الأقمار الصناعية لتوليد تقديرات الإنتاج قبل الحصاد مع مكاسب دقة مثبتة مقارنة بالأساليب القائمة على المسح.

3. إدارة موارد المياه

يُعد الأرز المروي أكبر مستهلك منفرد للمياه العذبة في آسيا، حيث يمثل ما يقرب من 401 تريليون طن من إجمالي سحب المياه الزراعية في دول مثل الهند وبنغلاديش.

إن أهم ما ينتج عن رسم خرائط الأرز عبر الأقمار الصناعية ليس الخريطة نفسها، بل القرار الذي تتيحه، سواء كان ذلك بناء قناة، أو إغلاق بئر، أو إعادة توجيه الدعم.

إن معرفة مكان زراعة الأرز المروي بدقة، وعدد المواسم التي يتم فيها ريه، والحقول التي تستخدم ممارسات إدارة المياه الفعالة مثل الري بالتناوب بين الري والري، تدعم بشكل مباشر تخطيط أحواض الأنهار، وجدولة تشغيل الخزانات، وتقييمات استدامة المياه الجوفية.

4. رصد الأمن الغذائي

تعتمد أنظمة الإنذار المبكر بانعدام الأمن الغذائي على الكشف السريع عن فشل المحاصيل. فعندما لا تُكمل حقول الأرز دورة نموها كاملة، يرصد نظام المراقبة عبر الأقمار الصناعية هذا الخلل من خلال غياب أو قصر ذروة النمو خلال الفترة الموسمية المتوقعة. وتستخدم شبكة أنظمة الإنذار المبكر بالمجاعة (FEWS NET)، المدعومة من الوكالة الأمريكية للتنمية الدولية (USAID)، بيانات الغطاء النباتي عبر الأقمار الصناعية، بما في ذلك بيانات مراقبة خاصة بالأرز، لإصدار تنبيهات بشأن الأمن الغذائي في جميع أنحاء آسيا وأفريقيا.

5. تقييم أثر تغير المناخ

تكشف الأرشيفات طويلة الأمد لخرائط أنماط زراعة الأرز، والتي تغطي بيانات لاندسات على مدى عشرين عامًا أو أكثر، كيف تغيرت مساحات زراعة الأرز ومواسمها وإنتاجيتها استجابةً لتغيرات درجات الحرارة وأنظمة هطول الأمطار. توفر هذه الخرائط التاريخية أدلة تجريبية على تأثيرات تغير المناخ على أنظمة زراعة الأرز، وتُستخدم كمدخلات لتوقع المخاطر الزراعية المستقبلية في ظل سيناريوهات الاحترار المختلفة.

7. تطبيقات الزراعة الدقيقة

على مستوى المزرعة، يدعم رسم خرائط أنواع زراعة الأرز باستخدام الطائرات المسيّرة، بالإضافة إلى بيانات التربة والمياه على مستوى الحقل، اتخاذ قرارات إدارة دقيقة، مثل استخدام الأسمدة بمعدلات متغيرة، ورصد الآفات في مواقع محددة، وتحديد مواعيد الزراعة المثلى. وتتطور هذه التطبيقات حاليًا بسرعة في اليابان وكوريا الجنوبية وأجزاء من الصين، حيث تُعدّ زراعة الأرز آلية للغاية، وتتوفر بنية تحتية للبيانات لربط مخرجات الاستشعار عن بُعد بأنظمة إدارة المزارع.

التحديات والقيود التي تحد من رسم خرائط الأرز

1. الغطاء السحابي وتوافر البيانات

يُحدّ الغطاء السحابي المستمر خلال موسم الرياح الموسمية، الذي يشهد زراعة معظم أرز آسيا، بشكل كبير من عدد عمليات الرصد البصري المتاحة. في بعض المواقع، يُقلّل تلوث السحب من عمليات رصد Sentinel-2 المتاحة خلال فترة زراعة الشتلات وبداية النمو الخضري إلى أقل من عمليتي رصد شهريًا. تُخفف بيانات الرادار ذي الفتحة التركيبية (SAR) من هذه المشكلة، لكنها لا تقضي عليها تمامًا، إذ يُمكن أن تُؤدي الأمطار الغزيرة إلى تشبع إشارة الرادار مؤقتًا.

2. وحدات بكسل مختلطة وأحجام حقول صغيرة

في المناطق التي تكون فيها حقول الأرز أصغر من الدقة المكانية للمستشعر، تلتقط كل بكسل مزيجًا من غطاء أرضي من الأرز وغيره، مما يجعل التصنيف غير واضح. وتنتج أنظمة زراعة الأرز في المرتفعات الجبلية وحقول الأرز الصغيرة في أجزاء من إندونيسيا والفلبين بكسلات مختلطة بشكل روتيني حتى مع دقة Sentinel-2 البالغة 10 أمتار، مما يحد من استخدام الطرق القائمة على البكسل في هذه البيئات.

3. التشابه الطيفي والزمني بين أنواع المحاصيل

تُظهر بعض المحاصيل، ولا سيما قصب السكر والجوت وبعض المراعي، منحنيات نمو مشابهة للأرز في سلاسل بيانات مؤشر الغطاء النباتي (NDVI) أو مؤشر الغطاء النباتي المحسن (EVI)، مما يؤدي إلى التباس في التصنيف. يقلل الكشف عن الفيضانات باستخدام تقنية الرادار ذي الفتحة التركيبية (SAR) من هذا الالتباس بالنسبة لأرز الأراضي المنخفضة، لكن تظل أنظمة أرز الأراضي المرتفعة التي لا تغمرها المياه صعبة التمييز عن المحاصيل المشابهة لها طيفيًا دون بيانات ميدانية إضافية أو مدخلات جغرافية مساعدة.

4. قيود الدقة الزمنية

يتطلب رسم خرائط أنماط زراعة الأرز وأنواعها باستخدام الاستشعار عن بُعد أخذ عينات زمنية مكثفة، ويفضل أن تكون عملية الرصد مرة واحدة على الأقل كل 8-10 أيام طوال موسم النمو. وعندما يقلل الغطاء السحابي أو فجوات مدارات الأقمار الصناعية من هذه الكثافة الزمنية، قد لا تتمكن خوارزميات الكشف الآلي من رصد أصناف الأرز قصيرة المدة أو مواسم الزراعة الثلاثية سريعة الدورة.

5. قيود البيانات الأرضية

لا تزال بيانات التدريب المصنفة عالية الجودة، والملاحظات الميدانية المطابقة لأنواع المحاصيل المعروفة وممارسات الإدارة، مكلفةً وصعبة لوجستيًا في جمعها على النطاق المطلوب لتدريب أنظمة رسم الخرائط الوطنية والتحقق من صحتها. في العديد من البلدان المنتجة للأرز ذات الدخل المنخفض، تُعدّ القدرة البشرية والمالية على جمع البيانات الميدانية بشكل منهجي العائق الأكبر أمام تحسين دقة رسم الخرائط.

الاتجاهات الناشئة ومستقبل رصد الأرز

1. مراقبة الأرز باستخدام الطائرات بدون طيار والطائرات المسيرة

تُتيح الطائرات المسيّرة المزودة بمستشعرات متعددة الأطياف وحرارية الآن تصويرًا دقيقًا للغاية (بمستوى السنتيمتر) للمزارع الفردية، ما يُمكّن من تحديد حدود الحقول وصفوف المحاصيل، وحتى حالة صحة النباتات الفردية. وتعمل هذه الطائرات كحلقة وصل بين رسم الخرائط على نطاق الأقمار الصناعية ومراقبة النباتات الفردية، موفرةً بيانات أرضية فائقة الدقة ضرورية لتدريب نماذج الأقمار الصناعية والتحقق من صحتها في البيئات ذات المناظر الطبيعية المجزأة.

2. الذكاء الاصطناعي والتعلم العميق لتصنيف الأرز

تحقق الشبكات العصبية الالتفافية المطبقة على السلاسل الزمنية لصور الأقمار الصناعية، بالإضافة إلى بنى المحولات المقتبسة من معالجة اللغة الطبيعية، حاليًا أعلى دقة في تصنيف الأرز تم الإبلاغ عنها على الإطلاق.

أظهر إطار عمل PRISM (نظام تحديد محصول الأرز القائم على علم الظواهر باستخدام بيانات متعددة المصادر) الذي نشره باحثون في جامعة فاغينينغين في عام 2024 أن التعلم الذاتي على أرشيفات الأقمار الصناعية غير المصنفة يمكن أن يدرب نماذج تصنيف الأرز مسبقًا والتي تتطلب الحد الأدنى من البيانات الأرضية المصنفة لضبطها بدقة، مما يقلل بشكل كبير من عبء المسح الميداني.

3. أنظمة مراقبة الأرز شبه الآنية

تقوم أنظمة مراقبة الأرز التشغيلية شبه الآنية بمعالجة بيانات الأقمار الصناعية الواردة تلقائيًا، وتحديث خرائط الأرز على فترات تتراوح بين 10 و16 يومًا، وتقديم تنبيهات بشأن مواعيد الزراعة، وحالات الإجهاد المائي، وتوقيت الحصاد مباشرة إلى لوحات المعلومات الحكومية أو تطبيقات الهاتف المحمول التي يستخدمها المزارعون ووكلاء الإرشاد الزراعي.

تدير كل من إدارة الأرز في تايلاند ووزارة الزراعة في فيتنام أنظمة نموذجية من هذا النوع، ويدعم المعهد الدولي لبحوث الأرز تطوير قدرات مماثلة في بنغلاديش وكمبوديا.

4. دمج بيانات الأقمار الصناعية وبيانات إنترنت الأشياء

تقوم أجهزة استشعار إنترنت الأشياء (IoT) المنتشرة في حقول الأرز، والتي تقيس رطوبة التربة ومستوى المياه ودرجة الحرارة والمناخ المحلي للغطاء النباتي، بتوليد ملاحظات مستمرة على مستوى الأرض تكمل وتعاير بيانات الاستشعار عن بعد عبر الأقمار الصناعية.

عندما يتم دمج شبكات استشعار إنترنت الأشياء وملاحظات الأقمار الصناعية في أطر دمج البيانات، يمكن لنظام المراقبة الناتج اكتشاف الإجهاد المائي وبداية الفيضانات وضغط الأمراض بثقة أكبر ووقت إنذار مبكر مقارنة بما يوفره أي من المصدرين بشكل مستقل.

5. الزراعة الرقمية والزراعة الذكية

إن التقارب بين رسم خرائط الأرز عبر الأقمار الصناعية، واستشعار إنترنت الأشياء، ودعم اتخاذ القرارات المدعوم بالذكاء الاصطناعي، يخلق أسس زراعة الأرز الذكية، حيث يتم الاستناد في قرارات الإدارة من توقيت الري إلى تطبيق الأسمدة إلى تدفقات البيانات المكانية الصريحة وشبه الآنية بدلاً من القواعد العامة القائمة على التقويم.

أثبتت البرامج التجريبية في محافظة نيغاتا اليابانية ومقاطعة هيلونغجيانغ الصينية أن الإدارة الدقيقة للأرز، المدعومة بالاستشعار عن بعد، يمكن أن تقلل من تكاليف المدخلات. 15-25% مع الحفاظ على المحاصيل أو تحسينها، وفقًا لتقارير التجارب الميدانية الأولية من عام 2024.

الخاتمة

تطورت عملية رسم خرائط أنماط زراعة الأرز وأنواع المحاصيل باستخدام الاستشعار عن بُعد من مجال بحثي أكاديمي إلى أداة عملية تستخدمها الحكومات والوكالات الدولية ومنصات التكنولوجيا الزراعية في آسيا وخارجها. وتُنتج الآن مناهج السلاسل الزمنية متعددة المستشعرات، التي تجمع بين البيانات البصرية وبيانات الرادار ذي الفتحة التركيبية (SAR) وتُعالج باستخدام مصنفات التعلم الآلي والتعلم العميق، خرائط لمساحات زراعة الأرز على المستوى الوطني بدقة إجمالية تتجاوز 85-90%. ولا تقتصر هذه الخرائط على تحديد أماكن زراعة الأرز فحسب، بل تُحدد أيضًا عدد مرات زراعته سنويًا، ونظام الري المُستخدم، وطريقة زراعته.

إنّ تجاوز مجرد رسم خرائط مساحات زراعة الأرز إلى تصنيف الأنماط الثقافية هو ما يحوّل بيانات الغطاء الأرضي إلى أداة معلومات زراعية قيّمة. فمعرفة أن منطقة ما قد تحوّلت من زراعة الأرز بالنقل إلى زراعته مباشرة في الأرض على مدى عقد من الزمن، يشير إلى تغيرات في سوق العمل واستنزاف المياه الجوفية في آن واحد. كما أن معرفة المناطق المعتمدة على الأمطار الأكثر عرضة لموجات الجفاف المبكرة، والتي يتم تحديدها من خلال أنماطها الطيفية الزمنية، تتيح الاستجابة المسبقة للجفاف بدلاً من الاستجابة الطارئة للكوارث. ويُتيح الاستشعار عن بُعد هذا المستوى من المعلومات المكانية بتكلفة زهيدة مقارنةً ببرامج المسح الميداني المكافئة.

تُعدّ البطاطا من أهم المحاصيل الغذائية في العالم، فهي غذاء أساسي لملايين البشر. أولاً، معرفة كيفية نمو نباتات البطاطا والقدرة على التنبؤ بمحصولها يساعد المزارعين على إدارة الري والتسميد ومكافحة الآفات بكفاءة أكبر.

ثانيًا، تستطيع مصانع تجهيز الأغذية ومرافق التخزين التخطيط بشكل أفضل للخدمات اللوجستية والعمالة عند توفر تقديرات موثوقة للإنتاج. مع ذلك، فإن الطرق التقليدية - كالتجول في الحقول وقياس النباتات يدويًا - تستغرق وقتًا طويلًا وعرضة للخطأ البشري.

لذلك، لجأ العلماء إلى الاستشعار عن بعد، الذي يستخدم الكاميرات وأجهزة الاستشعار الموجودة على الأقمار الصناعية أو الطائرات بدون طيار أو الأجهزة المحمولة، لمراقبة نمو البطاطس والتنبؤ بالمحصول بشكل أسرع وأكثر دقة.

فهم توقعات إنتاج البطاطس

على مدى العقدين الماضيين، ازداد الاهتمام بشكل ملحوظ بتطبيق تقنيات الاستشعار عن بعد في أبحاث البطاطا. في الواقع، حددت مراجعة منهجية 79 دراسة نُشرت بين عامي 2000 و2022 حول هذا الموضوع، من أصل 482 مقالة تم فحصها مبدئياً.

ولضمان الشفافية وإمكانية التكرار، اتبع المؤلفون المبادئ التوجيهية المعمول بها (Kitchenham & Charters 2007؛ إطار عمل PRISMA)، حيث قاموا بالبحث في ثماني قواعد بيانات رئيسية - Google Scholar و ScienceDirect و Scopus و Web of Science و IEEE Xplore و MDPI و Taylor & Francis و SpringerLink - باستخدام مصطلحات مثل "التنبؤ بمحصول البطاطس" و "الاستشعار عن بعد".“

وبناءً على ذلك، تم تضمين الأبحاث الأصلية المنشورة باللغة الإنجليزية فقط والتي استخدمت بيانات الاستشعار عن بُعد لرصد النمو أو تقدير المحصول. علاوة على ذلك، تم استخلاص البيانات من كل ورقة بحثية مختارة وفقًا لأربعة أسئلة رئيسية:

• ما هي منصة الاستشعار المستخدمة (قمر صناعي، طائرة بدون طيار، أو منصة أرضية)؟
• ما هي مؤشرات الغطاء النباتي أو الخصائص الطيفية التي تم تقييمها؟
• ما هي سمات المحاصيل التي تمت مراقبتها (الكتلة الحيوية، مساحة الورقة، الكلوروفيل، النيتروجين)؟
• ما مدى دقة التنبؤ بمحصول الدرنات النهائي (معامل التحديد، R²)؟

ساعدت هذه الأسئلة المراجعين على رسم خريطة لأحدث ما توصل إليه العلم وتحديد الثغرات التي يمكن أن تركز عليها الأبحاث المستقبلية.

منصات الاستشعار عن بعد ومؤشرات الغطاء النباتي

استخدم الباحثون ثلاثة أنواع رئيسية من منصات الاستشعار عن بعد، لكل منها مزاياها وقيودها. أولاً، توفر الأقمار الصناعية البصرية مثل Sentinel-2 (بدقة مكانية 10 أمتار، وإعادة زيارة كل 5 أيام) وLandsat 5-8 (بدقة 30 مترًا، وإعادة زيارة كل 16 يومًا) تغطية واسعة وإمكانية الوصول إلى البيانات مجانًا في كثير من الأحيان.

ثانيًا، تسمح الأقمار الصناعية مثل MODIS/TERRA/Aqua (250-1000 متر، إعادة زيارة يومية إلى يومين) والأنظمة التجارية مثل PlanetScope (3 أمتار، يوميًا، بتكلفة حوالي $218 لكل 100 كيلومتر مربع) بالمراقبة بشكل أكثر تكرارًا أو بدقة أعلى، على الرغم من أن التكاليف يمكن أن تكون عاملاً.

ثالثًا، توفر المركبات الجوية غير المأهولة (UAVs) التي تحمل كاميرات متعددة الأطياف أو فائقة الأطياف دقة عالية جدًا (تصل إلى بضعة سنتيمترات لكل بكسل) ويمكن تشغيلها عند الطلب، لكنها تغطي مناطق أصغر وتتطلب المزيد من الخدمات اللوجستية.

وأخيرًا، توفر أجهزة الاستشعار الأرضية - مثل أجهزة قياس NDVI المحمولة وأجهزة قياس الكلوروفيل SPAD - قياسات موضعية عالية الدقة، على الرغم من أنها تستغرق وقتًا طويلاً عند استخدامها على مساحات واسعة.

تُحوّل مؤشرات الغطاء النباتي قيم الانعكاس الخام إلى تقديرات ذات دلالة لخصائص النبات. وتشمل المؤشرات الأكثر شيوعًا في دراسات البطاطس ما يلي:

• مؤشر NDVI (مؤشر اختلاف الغطاء النباتي الطبيعي): (NIR – الأحمر) / (NIR + الأحمر)
• مؤشر NDVI الأخضر (GNDVI): (الأشعة تحت الحمراء القريبة - الأخضر) / (الأشعة تحت الحمراء القريبة + الأخضر)
• NDRE (الفرق المعياري للحافة الحمراء): (NIR – RedEdge) / (NIR + RedEdge)
• مؤشر OSAVI (مؤشر الغطاء النباتي المعدل حسب التربة الأمثل): 1.16 × (NIR – الأحمر) / (NIR + الأحمر + 0.16)
• مؤشر الغطاء النباتي المحسن (EVI)، ومؤشر الحافة الحمراء (CIred-edge)، ومؤشر الخضرة (CIgreen)، وغيرها. .

تُختار هذه المؤشرات بناءً على حساسيتها لكثافة الغطاء النباتي، ومحتوى الكلوروفيل، وخصائص التربة. وبالتالي، فهي تُشكل الأساس لتقدير صحة النبات والتنبؤ بالمحصول.

مراقبة نمو البطاطس والتنبؤ بالمحصول

من خلال الاستشعار عن بعد، يراقب الباحثون سمات محصول البطاطس الرئيسية - الكتلة الحيوية فوق سطح الأرض (AGB)، ومؤشر مساحة الورقة (LAI)، ومحتوى الكلوروفيل في الغطاء النباتي (CCC)، وحالة النيتروجين في الأوراق - ثم يربطون هذه السمات بمحصول الدرنات النهائي.

أولاً، قد يكون تقدير الكتلة الحيوية فوق سطح الأرض باستخدام مؤشرات الغطاء النباتي وحدها أمراً صعباً عندما يكون غطاء المظلة كثيفاً لأن العديد من المؤشرات تتشبع؛ لذلك، فإن الجمع بين مؤشرات الغطاء النباتي وارتفاع النبات أو خصائص النسيج في نماذج التعلم الآلي غالباً ما يحسن الدقة.

ثانيًا، حقق تقييم مؤشر مساحة الورقة (LAI) - إجمالي مساحة الورقة أحادية الجانب لكل مساحة أرضية - قيم R² تصل إلى 0.84 باستخدام بيانات السلاسل الزمنية من كل من أجهزة الاستشعار الطيفية الفائقة للطائرات بدون طيار وأجهزة الاستشعار متعددة الأطياف للأقمار الصناعية.

ثالثًا، وصلت تقديرات CCC، المستمدة من مؤشرات مثل CIred-edge وCIgreen وTCARI/OSAVI وTCARI + OSAVI، إلى R² ≈ 0.85 خلال المرحلة الخضرية، مما يشير إلى وجود ارتباط قوي مع الكلوروفيل المقاس في المختبر.

وأخيرًا، تم التنبؤ بحالة النيتروجين في الأوراق، وهو أمر حيوي للنمو الصحي، باستخدام R² يتراوح من 0.52 إلى 0.95 عند استخدام أجهزة الاستشعار الأرضية بالإضافة إلى نماذج الانحدار أو الغابات العشوائية.

عندما يتعلق الأمر بالتنبؤ بمحصول الدرنات، تبرز منهجان رئيسيان للنمذجة:

نماذج الانحدار التجريبية: في هذه النماذج، يتم استخدام مؤشر نباتي واحد - غالبًا NDVI أو GNDVI أو NDRE - لمطابقة بيانات المحصول الحقيقية. تتراوح قيم R² المُبلغ عنها لـ NDVI مقابل المحصول من 0.23 إلى 0.84 (الوسيط ≈ 0.67)، بينما تتراوح معاملات الارتباط بين NDRE والمحصول من 0.12 إلى 0.85 (الوسيط ≈ 0.61).

نماذج التعلم الآلي: تشمل هذه النماذج الغابات العشوائية، وآلات المتجهات الداعمة، والشبكات العصبية التي تجمع بين مؤشرات الغطاء النباتي المتعددة، والنطاقات الطيفية، والعوامل غير الطيفية مثل الطقس والتربة والإدارة. وقد رفعت هذه النماذج معامل التحديد (R²) إلى 0.93 في بعض الدراسات.

علاوة على ذلك، يؤثر توقيت جمع البيانات بشكل كبير على دقة التنبؤ. ففي العديد من الدراسات، أظهرت قياسات مؤشر الغطاء النباتي التي أُجريت بعد 36-55 يومًا من الزراعة أعلى ارتباط بمحصول الدرنات النهائي.

تتزامن هذه المرحلة مع ذروة تغطية التربة وبداية تكوين الدرنات، مما يجعل بنية النبات المؤشر الأهم على المحصول النهائي. بعض الإحصائيات الرئيسية التي تم التوصل إليها:

• استوفت 79 دراسة (2000-2022) معايير المراجعة، من أصل 482 دراسة تم تحديدها.
• مجالات التركيز: التنبؤ بالمحصول (37 %)، حالة النيتروجين في الأوراق (21 %)، الكتلة الحيوية فوق سطح الأرض (15 %)، مؤشر مساحة الورقة (15 %)، معامل السعة الحرارية للنبات (12 %).
• المنصات الفضائية الأكثر استخدامًا: Sentinel-2، Landsat، MODIS؛ تجاري: PlanetScope.
• نطاقات R²: NDVI–yield (0.23–0.84)، NDRE–yield (0.12–0.85)، GNDVI–yield (0.26–0.75).

توصيات بشأن توقعات محصول البطاطس

بناءً على هذه النتائج، ينبغي على المختصين أولاً اختيار المنصة المناسبة لأهدافهم. بالنسبة لتوقعات المحاصيل الإقليمية، توفر بيانات Sentinel-2 المجانية تغطية موثوقة بدقة 10 أمتار وجدول إعادة زيارة كل 5 أيام.

لتحسين التقديرات المحلية، تُجرى رحلات جوية باستخدام طائرات بدون طيار بعد حوالي 36-55 يومًا من الزراعة، لرصد ديناميكيات الغطاء النباتي المهمة وتحسين معايرة نماذج الأقمار الصناعية. ويُفضل استخدام أجهزة الاستشعار الأرضية لإجراء فحوصات موضعية ومعايرة الملاحظات عن بُعد، لا سيما عند دمج البيانات الطيفية مع القياسات الميدانية.

فيما يتعلق بمؤشرات الغطاء النباتي، ينبغي على الممارسين إعطاء الأولوية لمؤشرات NDVI وNDRE وCI _red-edge للتنبؤ بالمحصول النهائي، حيث تُظهر هذه المؤشرات باستمرار ارتباطات قوية.

عند تقدير محتوى الكلوروفيل والنيتروجين، يُعطي دمج مؤشرات الحافة الحمراء مع مؤشرات الغطاء النباتي المُعدّلة حسب التربة - مثل TCARI/OSAVI - أدق النتائج. أما لتقدير الكتلة الحيوية، فإن دمج مؤشرات الغطاء النباتي مع خصائص ارتفاع النبات أو نسيجه ضمن أطر التعلم الآلي يُعزز الدقة بشكل أكبر.

فيما يخص النمذجة، تُعدّ نماذج الانحدار الخطي أو غير الخطي البسيطة باستخدام مؤشر واحد فعّالة عندما تكون بيانات الحقيقة الأرضية محدودة. مع ذلك، عندما تتوفر مؤشرات متعددة وبيانات إضافية (كالطقس والتربة والإدارة)، تُقدّم أساليب التعلّم الآلي، مثل الغابات العشوائية أو الشبكات العصبية، أداءً فائقًا. ومن المهم جدًا أن يكون توقيت التقاط الصور بعد حوالي 36-55 يومًا من الزراعة بالغ الأهمية، إذ تُحقق هذه الفترة باستمرار أعلى دقة تنبؤ.

الخاتمة

ختاماً، يوفر الاستشعار عن بُعد أدوات سريعة ومرنة ودقيقة لرصد نمو البطاطس والتنبؤ بمحصول الدرنات. باختيار المنصة المناسبة، وانتقاء مؤشرات الغطاء النباتي الأكثر دلالة، وتحديد توقيت جمع البيانات بين 36 و55 يوماً بعد الزراعة، وتطبيق تقنيات النمذجة الملائمة، يستطيع الباحثون والممارسون تحسين توقعات المحصول بشكل ملحوظ.

لا يوفر هذا النهج الوقت فحسب، بل يدعم أيضًا اتخاذ قرارات إدارية أكثر ذكاءً، مما يفيد في نهاية المطاف المزارعين والمهندسين الزراعيين وسلسلة توريد البطاطس بأكملها.

المرجع: موكيبي، أ.، مشاكير، إيه تي بي، فرانكي، إيه سي. وآخرون. مراجعة منهجية لمؤشرات الغطاء النباتي لرصد نمو البطاطس والتنبؤ بمحصول الدرنات من خلال الاستشعار عن بعد. بطاطس ريسيرش. 68, ، 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7