توقُّع غلة القمح باستخدام الاستشعار عن بُعد البصري والراداري المتكامل مع التعلم الآلي عبر مراحل فينولوجية رئيسية

لماذا يهم هذا لمستقبل غذائنا

إطعام عالم متزايد السكان في مناخٍ دافئ ومشحون بالإجهاد المائي يتطلب معرفة كمية الحبوب التي سيحصدها المزارعون قبل فترة طويلة من دخول الحصادات الحقول. تُظهر هذه الدراسة كيف يمكن للعلماء تقدير غلات القمح في منطقة جافة من إيران باستخدام الأقمار الصناعية والذكاء الاصطناعي، مقدِّمة توقعات موثوقة قبل الحصاد بحوالي 50 يوماً — مبكراً بما يكفي لتوجيه استخدام المياه والأسمدة وقرارات التجارة وجهود منع النقص.

سهل جاف تحت الضغط

تركز الدراسة على سهل قزوين، وهو منطقة رئيسية لزراعة القمح في شمال إيران تتميز بإنتاجية عالية ونقص مزمن في المياه. الأمطار قليلة ولا تتسم بالانتظام، والدرجات الحرارية مرتفعة، ويعتمد المزارعون بكثافة على المياه الجوفية المحدودة وجريان مياه الجبال. في مثل هذه المشاهد الجافة، يكون التخمين بناءً على الخبرة السابقة أو إحصاءات الطقس البسيطة أمراً محفوفاً بالمخاطر. النماذج التقليدية للمحاصيل تتطلب بيانات تفصيلية عن التربة والإدارة والمناخ التي غالباً ما تكون غير متوفرة. بدلًا من ذلك، لجأ المؤلفون إلى ما هو متوفر بكثرة: صور الأقمار الصناعية التي تسجل مدى إشراق وخضرة الحقول على نطاق واسع أسبوعاً بعد أسبوع.

رصد صحة المحصول من الفضاء

جمع الفريق بين صور بصرية من أقمار سينتينل‑2 الأوروبية وصور رادارية من سينتينل‑1. تعمل المستشعرات البصرية مثل كاميرات رقمية حادة جداً، تلتقط ضوء الشمس المنعكس بعدة ألوان، من الأزرق إلى القريب من تحت‑الأحمر. من هذه الألوان حسبوا 16 مؤشراً مختلفاً مرتبطاً بـ"الخضرة" ورطوبة النبات تكشف مدى كثافة الأوراق وإجهاد الماء في قبة القمح. ركزوا على لحظتين نموّيتين أساسيتين: طور التبرعم (Tillering) في منتصف أبريل، عندما تُنتج النباتات الفروع التي تحدد الإمكانات الإنتاجية، وطور الإزهار (Anthesis) في منتصف مايو، عندما يبلغ المحصول أقصى خضرة ويستعد لملء الحبوب.

الاستماع بالرادار عندما لا يكفي الضوء

يضيف رادار سينتينل‑1 نوع رؤية مختلف. بدلاً من الاعتماد على ضوء الشمس، يرسل نبضات ميكروويف ويقيس الصدى، الذي يتأثر ببنية النبات ورطوبة كل من الغطاء النباتي والتربة. هذا مفيد بشكل خاص في المناطق المغبرة المعرضة للسحب أو ذات تغطية نباتية متناثرة، حيث قد تغطي التربة العارية والغلاف الجوي على الإشارات البصرية. استخلص الباحثون مؤشرات رادارية بسيطة من قناتين للاستقطاب، ثم دمجوها مع المؤشرات البصرية ومعلومات طبوغرافية أساسية مثل الارتفاع والإنحدار واتجاه الحقل.

تعليم الآلات تمييز أنماط الغلة

مزودين بمتغيرات مستمدة من الأقمار الصناعية لـ189 حقل قمح مقاس جيداً، درب المؤلفون ثلاثة أنواع من نماذج الحاسوب لتوقُّع الغلة: انحدار خطي قياسي، وآلة ناقلات الدعم (SVM) القادرة على التقاط علاقات منحنية، وغابة عشوائية تجمع بين العديد من أشجار القرار. قسموا البيانات بحيث استخدمت 70% لتعليم النماذج و30% لاختبار مهارتها. على نطاق واسع، كانت معلومات الأقمار الصناعية من مرحلة الإزهار أكثر إفادة من مرحلة التبرعم. وأدى نموذج الغابة العشوائية الذي استخدم بيانات سينتينل‑2 والطبوغرافيا فقط عند مرحلة الإزهار أداءً أفضل، مفسراً حوالي 90% من تباين الغلات في الحقول الاختبارية ومتوسط خطأ يقارب ثلث طن للهكتار فقط.

ما الذي أحدث الفرق الأكبر

من خلال التحقيق في المدخلات التي اعتمدت عليها الغابة العشوائية أكثر، وجدت الدراسة أن المؤشرات التي تلتقط كثافة القبة النباتية والحيوية وحالة الماء كانت ذات الأثر الأكبر. كانت مقاييس شبيهة بمؤشرات الخضرة الكلاسيكية ومؤشر حساسية للماء من بين أهم المساهمين، بينما أضافت النطاقات اللونية الخام والمتغيرات الطبوغرافية قدرًا نسبياً أقل. عندما أُدرجت مؤشرات رادارية، تحسّن التوافق مع بيانات التدريب قليلاً — ملمح إلى أن الرادار يلتقط تفاصيل إضافية مفيدة عن الرطوبة والبنية — لكن أخطاء الاختبار ارتفعت بعض الشيء. يشير هذا النمط إلى ميلاً طفيفاً للإفراط في الملاءمة، حيث يتعلم النموذج ضوضاء خاصة بعينة التدريب بدلاً من قواعد عامة. ومع ذلك، أتاح الجمع بين كل المدخلات للباحثين إنتاج خريطة غلة مفصلة للسهل بأكمله، كاشفة عن تباينات حادة بين جيوب منخفضة الإنتاج ومناطق عالية الإنتاج.

ماذا يعني هذا للمزارعين والمخططين

ببساطة، تُظهر الدراسة أن الصور البصرية للأقمار الصناعية المعالجة بعناية، مفسرة بواسطة طريقة تعلم آلي حديثة، قادرة على تقديم توقعات دقيقة لغلة القمح بمقياس الحقل في بيئة قاسية ونادرة المياه. يضيف الرادار فهماً دقيقاً محتملاً لكن، في هذه الحالة، لم يتفوق بعد على إعداد البصري فقط الأبسط. يمكن للخرائط المبكرة الناتجة أن تساعد في توجيه مياه الري والأسمدة النادرة إلى حيث تهم أكثر، والتنبيه إلى المناطق الضعيفة قبل تفاقم الخسائر، وإبلاغ تخطيط إمدادات الغذاء الإقليمي. وبينما تركز العمل على سهل إيراني وموسم واحد، يقدم الأسلوب مخطط عمل لتطبيق الرقابة الفضائية والذكاء الاصطناعي لتعزيز الأمن الغذائي عبر المناطق الجافة في العالم.

الاستشهاد: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

الكلمات المفتاحية: توقُّع غلة القمح, الاستشعار عن بُعد, الزراعة عبر الأقمار الصناعية, التعلم الآلي, المناطق الجافة