تجميع K‑means المطبّق على مؤشرات الغطاء النباتي لرسم خرائط المناطق المزروعة باستخدام صور القمر الصناعي المغربي محمد السادس ذات الدقة العالية

لماذا تهم خرائط المحاصيل الأذكى

إطعام عالم متزايد السكان يعتمد على معرفة، في وقت قريب من الوقت الحقيقي، ما الذي ينمو فعلاً على الأرض. يحتاج المزارعون والحكومات إلى خرائط موثوقة لمواقع زراعة المحاصيل، وللعلم أي الحقول عارية، وكيف تتغير هذه الأنماط موسماً بعد موسم. تُظهر هذه الدراسة كيف أن قمراً مغربياً لمراقبة الأرض، مقترناً بشكل بسيط من الذكاء الاصطناعي، يستطيع تحويل الصور الخام إلى خرائط دقيقة للغاية للأراضي المزروعة دون الحاجة إلى جيوش من الناس لتوسيم البيانات يدوياً.

رصد المزارع من الفضاء

تركز العمل على نظام قمر محمد السادس، زوج من الأقمار المغربية التي تدور حول الأرض في مدار متزامن مع الشمس. تلتقط هذه الأقمار صوراً حادة جداً بأربعة ألوان، بما في ذلك الأشعة تحت الحمراء القريبة، بدقة نصف متر—وهي دقة كافية لتمييز الحقول الصغيرة المنفصلة وحتى صفوف الأشجار. ركز الباحثون على منطقة زراعية مساحتها 175 هكتاراً في منطقة فاس–مكناس بشمال المغرب، حيث توجد حقول للحبوب والذرة والزيتون واللوز والعنب والخضروات إلى جانب قطع أرض غير مزروعة ونباتات متفرقة. مثل هذا التنوع يجعل المنطقة مختبراً مثالياً للأدوات التي يجب أن تفرّق بين الأراضي المزروعة وكل ما عداها.

تحويل الألوان إلى دلائل

الصور الفضائية الخام ليست سوى شبكات من قيم السطوع في نطاقات لونية مختلفة. لجعل تلك الشبكات أكثر إفادة، غالباً ما يحسب العلماء «مؤشرات الغطاء النباتي» التي تمزج عدة ألوان في رقم واحد يعكس صحة النبات أو محتواه المائي. تستخدم هذه الدراسة مؤشر الفرق المُطبّع المعروف (NDVI)، الذي يبرِز الغطاء الورقي الغني بالكلوروفيل، ومؤشر الفرق المطبّع المعدل للمياه (MNDWI)، الحساس لاختلافات الرطوبة باستخدام الضوء الأخضر والأشعة تحت الحمراء القريبة. إلى جانب نطاق الأشعة تحت الحمراء القريبة الأصلي، تشكل هذه الطبقات الثلاث وصفاً مضغوطاً لحالة كل بكسل من حيث النبات والرطوبة، موفرة معلومات أغنى بكثير من أي نطاق منفرد بمفرده.

ترك البيانات لتجتمع بنفسها

بدلاً من تدريب نموذج معقّد على آلاف الأمثلة المعلّمة يدوياً، لجأ الباحثون إلى K‑means، خوارزمية تجميع بسيطة من التعلم غير المراقب. تبحث K‑means ببساطة عن أنماط في البيانات وتجمّع البكسلات في عدد ثابت من المجموعات التي تتشارك خصائص طيفية مماثلة. بعد معالجة أولية أساسية—استخراج النطاقات ذات الصلة، وحساب المؤشرين، وتجميعها في طبقات، وتقييس جميع القيم بين صفر وواحد—أمر الفريق K‑means بإنشاء ثلاث مجموعات بالضبط. ثم فسّر الباحثون هذه المجموعات كخلفية (مناطق خارج الحقول أو ذات إشارة غير مفيدة)، وتربة عارية، ومناطق يهيمن عليها المحصول. وبما أن الطريقة غير مراقبة، يمكن تطبيقها على صور جديدة دون بيانات تدريب معنونة إضافية.

اختبار الطريقة

لتقييم مدى نجاح النهج، أنشأ المؤلفون خريطة مرجعية مفصّلة بتتبّع القطع المزروعة يدوياً في برنامج نظم المعلومات الجغرافية، باستخدام نفس الصورة عالية الدقة. ثم قارنوا أربعة طرق لاحتساب حصة الأرض المزروعة: قاعدة بسيطة تعتمد فقط على عتبة سطوع الأشعة تحت الحمراء القريبة، وقاعدة تعتمد فقط على مؤشر الغطاء النباتي NDVI، وتشغيل K‑means القياسي على النطاقات اللونية الأصلية، ونهجهم الجديد «K‑means الطيفي» الذي يجمع البيانات المشتقة من المؤشرين ونطاق الأشعة تحت الحمراء القريبة. كانت النسبة الحقيقية للأرض المزروعة في منطقة الدراسة 71.07 في المئة. قلّلت عتبة الأشعة تحت الحمراء القريبة من هذا التقدير إلى 65.59 في المئة، وأعطى NDVI وحده 66.13 في المئة، وبلغ K‑means القياسي 67.18 في المئة. اقترب نهج K‑means الطيفي أكثر من القيمة الحقيقية، مسجلاً 72.07 في المئة، ما يتوافق مع خطأ نسبي لا يتجاوز 1.41 في المئة—وأفضل بعدة مرات من الطرق المتنافسة.

ما الذي يعنيه هذا للزراعة المستقبلية

بالنسبة للمزارعين ومديري المياه والمخططين، يوفر هذا النوع من الخرائط الآلية والدقيقة وسيلة عملية لمراقبة الحقول عبر مناطق شاسعة دون مسوح ميدانية مكلفة أو مجموعات بيانات معنونة ضخمة. من خلال التمييز الموثوق بين الأرض المزروعة وغير المزروعة وإبراز الأماكن التي يزدهر فيها الغطاء النباتي أو يتعرّض للإجهاد، يمكن أن تدعم الطريقة الري الدقيق، وتوجه استخدام الأسمدة، وتساعد في تتبع تغير استخدام الأراضي. ورغم أن التحقق الحالي يعتمد على صورة واحدة، فإن النهج يشير إلى مستقبل يمكن أن توفر فيه خوارزميات بسيطة غير مراقبة مطبقة على بيانات الأقمار ذات الدقة العالية خرائط محاصيل بمقياس الحقل بشكل روتيني، محسّنة إنتاج الغذاء وداعمة لاستخدام أكثر استدامة للأراضي والمياه.

الاستشهاد: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

الكلمات المفتاحية: الزراعة الدقيقة, صور الأقمار الصناعية, رسم خرائط المحاصيل, التعلم غير المراقب, مؤشرات الغطاء النباتي