مجموعة بيانات متعددة المهام ومتعددة الحواس على نطاق واسع لمراقبة المحاصيل مع مراعاة المناخ في الولايات المتحدة من 2018–2022

لماذا يهم مراقبة الحقول من الفضاء

إطعام سكان متزايدين في عالم يزداد دفئًا يعتمد على معرفة حالة المحاصيل قبل الحصاد بفترة طويلة. يمكن لموجات الحرارة والجفاف وتحولات المواسم أن تجعل المحاصيل تتقلب بشدة من سنة إلى أخرى، مع تأثيرات كبيرة على أسعار الغذاء ومعيشة المزارعين. ومع ذلك، افتقر الباحثون والخبيرون في علم المحاصيل إلى مصدر واحد شامل يربط بين صور الأقمار الصناعية والطقس والتربة وبيانات الحصاد الميدانية على نطاق واسع. يقدم هذا المقال CropClimateX، قاعدة بيانات مفتوحة جديدة مصممة لسد تلك الفجوة في الولايات المتحدة، ومساعدة العلماء على بناء أدوات أفضل لتوقع إجهاد المحاصيل، وتحسين إدارة المزارع، وتعزيز الأمن الغذائي.

جمع عدة عدسات معًا

تبنى CropClimateX فكرة بسيطة: لا يمكن لقياس واحد أن يروي القصة الكاملة عن نمو المحاصيل في ظل الطقس المتغير. لذلك يربط المؤلفون العديد من «العدسات» على الأرض. تُظهر الأقمار الصناعية البصرية عالية الدقة مثل Sentinel-2 وLandsat-8 مدى اخضرار وكثافة الغطاء النباتي عبر الحقول. تضيف بيانات الرادار من Sentinel-1 معلومات عن هيكل الحقل والرطوبة، حتى عبر السحب. وتتابع أجهزة الاستشعار أكثر خشونة الدقة مثل MODIS أنماطًا أوسع في نمو النبات ومساحة الأوراق ودرجة حرارة سطح الأرض. بالإضافة إلى ذلك، تضع قاعدة البيانات سجلات الطقس اليومية ومؤشرات الجفاف وخصائص التربة مثل النسيج والكربون العضوي وميزات التضاريس مثل الارتفاع والانحدار وإحصاءات على مستوى المقاطعة حول مساحة كل محصول المزروعة والمحاصيل المحصودة والمحصول لكل سنة.

تقسيم البلاد إلى بلاطات ذكية

تتمثل إحدى التحديات الرئيسية في أن الولايات المتحدة شاسعة، وتخزين كل بكسل من كل قمر صناعي لكل يوم سيكون غير ممكن عمليًا. بدلًا من تغطية البلد بأكمله، يقسم الفريق الأراضي المزروعة إلى العديد من البلاطات الصغيرة المختارة بعناية التي يسمونها «مكعبات صغيرة». يغطي كل مكعب صغير مساحة 12 في 12 كيلومترًا ويحتوي على سلسلة زمنية لجميع بيانات الأقمار الصناعية والطقس ذات الصلة. بين 2018 و2022، أنشأ المؤلفون 15,500 من هذه المكعبات الصغيرة عبر 1,527 مقاطعة، مع التركيز على المحاصيل الغذائية والليفية الرئيسية: الذرة وفول الصويا والقمح الشتوي والقطن والشوفان. يحافظ هذا التصميم على قابلية معالجة البيانات على الحواسيب الحديثة مع الاحتفاظ بتفاصيل كافية لالتقاط الفروق بين الحقول المجاورة ومناطق الإدارة.

استخدام الخوارزميات للتركيز على المزارع الحقيقية

لتقرير أماكن وضع هذه المكعبات الصغيرة، لم يكتفِ الباحثون بوضع شبكة ثابتة على كل مقاطعة. تضم العديد من المقاطعات مدنًا أو غابات أو بحيرات لا علاقة لها بمراقبة المحاصيل. بدلًا من ذلك، صمموا استراتيجيتين تحسين تبحثان عن مواقع بلاطات تلتقط أكبر قدر ممكن من الأراضي المزروعة مع تجنب المساحات الضائعة. إحدى الطرق، خوارزمية الشبكة المنزلقة، تحرك شبكة منتظمة بلطف حتى تتماشى جيدًا مع الحقول. والثانية، خوارزمية وراثية، تحاكي التطور عن طريق اختبار وتغيير وإعادة تجميع تصاميم مرشحة. بدمج أفضل الحلول من كلا الطريقتين، خفض الفريق عدد البلاطات بنسبة 43% مقارنة بشبكة بدائية، بينما غطى ما يقرب من 93% من مساحة المحاصيل—مما يقلص احتياجات التخزين بشكل كبير دون التضحية بالمعلومات المفيدة.

التقاط الظواهر المناخية القصوى على المزرعة

لا يعد CropClimateX مجرد خريطة للظروف المتوسطة؛ بل يتتبع أيضًا الظواهر القصوى التي تهم المزارعين. يربط المؤلفون كل مكعب صغير بفئات الجفاف الأسبوعية من مرصد الجفاف الأمريكي ومؤشرات موجات الحرارة والبرودة المصممة خصيصًا والمحتسبة من درجات الحرارة اليومية. خلال 2018–2022، شهدت تقريبًا جميع المكعبات الصغيرة على الأقل جفافًا متوسطًا في مرحلة ما، ورأى العديد منها ظروف جفاف شديدة أو حتى استثنائية. تتضمن قاعدة البيانات أيضًا طبقات مفصلة للتربة والتضاريس، مما يسمح للباحثين بطرح أسئلة مثل ما إذا كانت الحقول الرملية تتأثر بالجفاف مبكرًا مقارنة بالترب الأثقل، أو كيف يؤثر الانحدار على إجهاد المياه. معًا، تقدم هذه الطبقات صورة غنية عن كيفية تجسيد صدمات المناخ عبر رقعة الحقول الأمريكية.

ماذا يعني هذا للمحاصيل المستقبلية

بالنسبة لغير المتخصصين، النتيجة الأساسية هي أن CropClimateX يحول تراكبًا من صور الأقمار الصناعية والطقس وإحصاءات المزارع إلى مورد واحد منظم يمكن لأي شخص استخدامه. وبما أن المكعبات الصغيرة توائم غلات المحاصيل مع ما بدا عليه الأرض والسماء خلال موسم النمو، فهي توفر بيانات تدريب مثالية لنماذج تعلم الآلة الحديثة. يمكن لهذه النماذج أن تتعلم توقع الغلات، والإشارة إلى إجهاد المحاصيل الناشئ، واختبار أي الحساسات هي الأكثر معلوماتية، أو استكشاف كيف قد تنتشر ظواهر مناخية قصوى مستقبلية عبر إنتاج الغذاء. عمليًا، يعني ذلك إنذارات مبكرة أفضل، ونصائح إدارة أذكى، وتخطيط أكثر متانة لمناخ أكثر حرارة وتغيرًا—كل ذلك مستند إلى بيانات مفتوحة تغطي مزارعًا حقيقية عبر الولايات المتحدة.

الاستشهاد: Höhl, A., Ofori-Ampofo, S., Fernández-Torres, MÁ. et al. A large-scale, multitask, multisensory dataset for climate-aware crop monitoring in the US from 2018–2022. Sci Data 13, 72 (2026). https://doi.org/10.1038/s41597-026-06611-x

الكلمات المفتاحية: مراقبة المحاصيل, الاستشعار عن بعد, الظواهر المناخية القصوى, تعلم الآلة, بيانات زراعية