مجموعة بيانات متعددة السنوات بدقة 30 م لتوزيع المحاصيل الرئيسية في شينجيانغ، الصين (2013–2024) استنادًا إلى بيانات مُوَحَّدة من لاندسات وسنتينل-2

لماذا يهم رسم خرائط المحاصيل من الفضاء

إطعام تعداد سكاني متزايد في عالم يزداد حرارة وجفافًا يعتمد على معرفة ما يُزرع وأين وكيف يتغير عبر الزمن. في شينجيانغ، وهي منطقة واسعة وشبه جافة في غربي الصين تُنتج جزءًا كبيرًا من قطن وحبوب البلاد، كانت هذه المعلومات الأساسية صعبة المنال بشكل مدهش. تحول الدراسة الموصوفة هنا سنوات من صور الأقمار الصناعية إلى خريطة مفصلة للمحاصيل الرئيسية عبر شينجيانغ، مما يمنح المزارعين والمخططين والعلماء نافذة جديدة على كيفية إدارة هذه السلة الغذائية في المناطق الجافة.

منطقة جافة بطموحات زراعية كبيرة

تغطي شينجيانغ مساحة تبلغ نحو سدس مساحة الصين تقريبًا، محاطة بجبال عالية وحوض صحراوي. يتم معظم الزراعة في واحات خضراء تغذيها الأنهار وقنوات الري، حيث يهيمن القطن والذرة والقمح والأرز والبساتين. ساعدت السياسات الوطنية وتقنيات ترشيد المياه على جعل شينجيانغ أكبر منتج للقطن في الصين، بينما تُعد حبوبها حيوية للإمداد الغذائي الإقليمي. ومع ذلك، فإن نفس الجبال والصحارى والحقول المتناثرة التي تجعل المشهد لافتًا تجعل من الصعب مراقبته باستخدام المسوحات التقليدية وحدها. حتى الآن، كانت الخرائط المتوفرة تميل إلى تغطية محاصيل مفردة أو بضع سنوات فقط أو بتفاصيل خشنة نسبيًا.

تحويل لقطات الأقمار الصناعية إلى أطلس محاصيل سنوي

بنَاءً على بيانات مُوَحَّدة من لاندسات–سنتينل-2، أنشأ الباحثون نظامًا جديدًا للرسم خرائط، وهو منتج عالمي يجمع مزايا أسطولين من الأقمار الصناعية في صور متسقة لسطح الأرض كل بضعة أيام بدقة 30 مترًا. ركزوا على مؤشرين بسيطين يمكن للأقمار الصناعية قياسهما: مدى خضرة الأرض وكمية الماء في النباتات والتربة. من خلال تتبع كيف ترتفع هذه الإشارات وتهبط خلال موسم النمو، سجّلوا إيقاع نمو كل محصول، مثل ذروة القمح في أوائل الربيع، والارتفاع الطويل لصيف القطن، أو الحقول المغمورة بالماء للأرز.

تعليم مُصنِّف ذكي للتعرّف على الحقول

لترجمة هذه الأنماط الموسمية إلى تسميات محاصيل، جمع الفريق آلاف العينات الميدانية والمعتمدة على الصور في 2018 و2019 ودمجها مع طريقة تعلم آلي تعرف بالغابات العشوائية. أولًا استبعدوا الأراضي غير الزراعية باستخدام خريطة تغطية أرض وطنية موجودة، حتى يتركز النموذج على الحقول الحقيقية. ثم قاموا بملاءمة منحنيات رياضية ناعمة على إشارات الأقمار الصناعية، محولين سلاسل الصور الصاخبة إلى ملفات نمو نظيفة. تعلّمت الغابة العشوائية كيف تتصرف المحاصيل المختلفة عادةً على مدار السنة ثم طبقت هذا المعرفة على كل بكسل مناسب من الأقمار الصناعية عبر شينجيانغ لكل سنة من 2013 إلى 2024.

اختبار مدى مطابقة الخرائط للواقع

أي خريطة مؤتمتة تحتاج إلى فحص دقيق. احتفظ الفريق بجزء من عيناتهم الميدانية والصورية كمجموعة اختبار مستقلة وقارنوها بتخمينات النموذج. في سنتي التحقق، حققت معظم المحاصيل الرئيسية دقّة مستخدم ومنتج تزيد على 83 بالمئة، وبلغت الدقة الإجمالية 90 و93 بالمئة. كما جمعوا مساحة كل محصول المرسومة حسب المقاطعة وقارنوها مع الإحصاءات الرسمية ومع خرائط متخصصة أخرى لمحصول القطن والذرة والقمح. تبعت تقديرات الأقمار الصناعية هذه المصادر المستقلة عن كثب، خاصة بالنسبة للقطن، مما يشير إلى أن الخرائط تلتقط ليس فقط أماكن زراعة المحاصيل بل أيضًا كيف تتغير مساحاتها عبر الزمن.

ما يعنيه هذا للغذاء والبيئة

الناتج من هذا العمل هو سجل عام بدقة 30 مترًا لمحاصيل شينجيانغ الرئيسية منذ عام 2013 فصاعدًا، يتحدّث ويُحدَّث مع وصول بيانات أقمار صناعية جديدة. بالنسبة لغير المتخصصين، يعني هذا أنه يمكن الآن الإجابة عن أسئلة مثل مدى سرعة تمدد القطن، وأين تحل الذرة محل القمح، أو كيف تنتشر البساتين على طول قنوات جديدة، بأدلة بصرية واضحة. وبينما أشار المؤلفون إلى بقاء بعض الشكوك، خصوصًا للمجموعات المختلطة أو الصغيرة من المحاصيل، يوفر مجموعة البيانات هذه أداة قوية لمراقبة الإنتاج الغذائي الإقليمي، وتوجيه سياسات المياه والأراضي، ودراسة كيفية تفاعل الزراعة مع النظم الإيكولوجية الصحراوية والجبلية الهشة.

الاستشهاد: Liang, Q., Di, Y., Hao, X. et al. A 30 m Multi-Year Dataset of Major Crop Distributions in Xinjiang, China (2013–2024) Based on Harmonized Landsat–Sentinel-2 Data. Sci Data 13, 730 (2026). https://doi.org/10.1038/s41597-026-07082-w

الكلمات المفتاحية: رسم خرائط المحاصيل, الاستشعار عن بعد, الزراعة في شينجيانغ, بيانات الأقمار الصناعية, الأمن الغذائي