مجموعة بيانات شاملة لمحاصيل المملكة المتحدة تتضمن بيانات الأقمار الصناعية والطقس ونوع التربة

لماذا يهم هذا لمستقبل غذائنا

كمية الطعام التي يمكن لدولة أن تزرعها لا تعتمد فقط على الطقس، بل على التفاعل الدقيق بين المناخ والتربة والظروف اليومية في حقول المزارعين. حتى الآن، كان الباحثون في المملكة المتحدة يفتقرون إلى مجموعة بيانات مفتوحة وكبيرة تربط ما خرج فعليًا من آلة الحصاد بقياسات مفصّلة من الأقمار الصناعية ومحطات الطقس. تقدم هذه الورقة موردًا من هذا النوع، يسمى مجموعة بيانات CYCleSS، الذي يجمع غلات المحاصيل والمناخ والترب وملاحظات الأقمار الصناعية لمئات الحقول عبر إنجلترا. يوفر ذلك للعلماء وصانعي السياسات وحتى لشركات التكنولوجيا الزراعية طريقة جديدة لفهم المحاصيل والتنبؤ بها في عالم دافئ وأكثر غموضًا.

جمع العديد من قطع أحجية المزرعة معًا

أنشأ المؤلفون CYCleSS بالاعتماد على بيانات «الحقيقة الميدانية» للغلة التي جمعتها آلات الحصاد الحديثة على 934 حقلًا في إنجلترا بين 2015 و2017. هذه الآلات تسجل بشكل روتيني مقدار الحبوب المجمعة بدقة مكانية عالية، لكن تلك البيانات عادة ما تبقى في المزرعة لأنها حساسة تجاريًا. عمل الفريق مع المركز البريطاني للإيكولوجيا والهيدرولوجيا وشركاء آخرين لتجهيل هذه المعلومات بحيث لا يمكن التعرف على أي مزرعة فردية، مع الحفاظ على دقتها بما يكفي للاستخدام العلمي. إلى جانب الغلة، سجلوا المحصول المزروع في كل حقل، وكان في الغالب قمح الشتاء، وكرنب اللفت الزيتي (الكانولا)، والشعير، بالإضافة إلى الفول.

الطقس والتربة والأقمار الصناعية على نفس الخريطة

لفهم سبب تباين الغلات، تجمع مجموعة البيانات عدة مصادر معلومات أخرى، جميعها محاذاة على شبكة من مربعات بطول كيلومتر واحد. استُخدمت سجلات الطقس اليومية، مثل درجة الحرارة، وهطول الأمطار، وساعات السطوع الشمسي، والرياح، والضغط الجوي، والتبخر، من أرشيفات مناخية وطنية تغطي جميع أنحاء بريطانيا العظمى. أضيفت خواص التربة، بما في ذلك سعة احتفاظ التربة بالماء، ومعدل التصريف، ونسبة الرمل والغماد والطين، من خرائط تربٍ على مستوى أوروبا. ثم قام الباحثون بترشيح هذه الشبكة للاحتفاظ فقط بالمناطق المستخدمة فعليًا للزراعة الحقلية، مستخدمين خريطة تغطية أرضية مفصّلة تميّز أنواع المحاصيل المختلفة بدقة عشرة أمتار.

مشاهدة نمو المحاصيل من الفضاء

قوة رئيسية في CYCleSS هي دمج بيانات الأقمار الصناعية مع غلات الحقول. باستخدام منصة حوسبة سحابية، استخرج الفريق سلاسل زمنية من قياسات الرادار من بعثة سينتينل-1 الأوروبية لكل مربع شبكة مختار. للرادار ميزة العمل عبر السحب وفي الليل، وإشاراته تتغير مع تطور المحاصيل وزيادة الأوراق والكتلة الحيوية. لكل بكسل أقمار صناعية بحجم 10 أمتار داخل المناطق المختارة، جمع الباحثون قراءات رادار كل خمسة أيام في استقطابين مختلفين ونسبتهما، وهي معروفة بحساسيتها لنوع المحصول ومرحلة النمو. ثم جُمعت هذه الإشارات على مستوى البكسل لتُحسب متوسطاتها على مستوى الحقل وربطها بمعلومات الغلة والإدارة المطابقة.

الحفاظ على خصوصية المزارعين مع الحفاظ على فائدة البيانات

نظرًا لأن خرائط الغلة مرتبطة مباشرة بدخل المزارعين، كانت الخصوصية مصدر قلق أساسي. لحماية المساهمين، قدّم المؤلفون عملية من فريقين. تعامل فريق واحد مع محاذاة الأقمار الصناعية والتربة والمناخ على شبكة دقيقة؛ بينما قام فريق منفصل في UKCEH بمطابقة تلك الشبكات مع الحقول الحقيقية والغلات، ثم أزال المواقع الدقيقة. عُرفت الحقول في النهاية بأكواد عشوائية وبمربعات شبكة أوسع تبلغ 10 كيلومترات تضمها. هذا يعني أن أي مربع واحد يحتوي على العديد من المزارع، مما يجعل من المستحيل عمليًا ربط سجل غلة معين بمشروع تجاري محدد، ومع ذلك تُحافظ الصلة العلمية بين البيئة والغلة.

ما الذي يتيحه هذا للزراعة والمرونة المناخية

تفتح مجموعة بيانات CYCleSS الباب أمام نماذج أقوى بكثير لأداء المحاصيل في المملكة المتحدة. لأنها تربط نتائج الحصاد الحقيقية بتدفقات غنية من قياسات الطقس والتربة والأقمار الصناعية، فهي مثالية لتدريب واختبار أدوات تعلم الآلة، مثل الشبكات العصبية العميقة، التي تحتاج إلى مجموعات بيانات كبيرة ومنظمة جيدًا. يمكن أيضًا استخدامها للتحقق من نماذج نمو المحاصيل التقليدية وتحسينها، واستكشاف طرق لدمج هذه النماذج مع ملاحظات الأقمار الصناعية بالقرب من الزمن الحقيقي. على الرغم من أن البيانات تأتي في المقام الأول من مزارع مجهزة بشكل أفضل في جنوب إنجلترا ولا تزال تحمل بعض عدم اليقين في القياسات، فإنها توفر نافذة نادرة ومتاحة علنًا حول كيفية استجابة محاصيل المملكة المتحدة لبيئتها، مما يساعد الباحثين على تصميم توقعات غلة أكثر موثوقية وإرشاد الجهود لجعل الزراعة منتجة ومستدامة في آن واحد.

الاستشهاد: Corcoran, E., Bebber, D.P., Curceac, S. et al. A comprehensive UK crop yield dataset incorporating satellite, weather, and soil type information. Sci Data 13, 491 (2026). https://doi.org/10.1038/s41597-025-06528-x

الكلمات المفتاحية: تنبؤ غلة المحاصيل, الاستشعار عن بُعد بالأقمار الصناعية, بيانات زراعية, الزراعة في المملكة المتحدة, تعلم الآلة