مؤشرات الاستشعار عن بعد للغطاء النباتي تُحدث تحولاً في التنبؤ بمحصول البطاطس

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