تصنيف التربة في سهوب السودان باستخدام منتجات سينتينيل والمعلومات الطبوغرافية مع نماذج التعلم الآلي

لماذا معرفة الأرض تحت أقدامنا مهمة

في قلب غرب أفريقيا شبه الجاف، يعتمد المزارعون على sorgum والمحاصيل الأساسية الأخرى التي تُزرع في منظومة يتقلب فيها هطول الأمطار وقد تتبدل التُرب على مسافات لا تتجاوز بضع مئات من الأمتار. ومع ذلك، غالباً ما تغيب الخرائط التفصيلية للتربة، تلك الضرورية لاتخاذ قرارات بشأن المحاصيل وسبل إدارتها. تُظهر هذه الدراسة كيف يمكن الجمع بين صور الأقمار الصناعية المجانية وتقنيات التعلم الحاسوبي الحديثة لرسم خرائط تربة أكثر دقة في سهوب السودان ببوركينا فاسو، مما يوفر أداة عملية لمحاصيل أفضل وإدارة أراضٍ أكثر استدامة.

منظر طبيعي يخفي أنماطاً واضحة

تركز البحث على حوض دولو في وسط بوركينا فاسو، وهو هضبة متموجة بلطف تحوي تلالاً صغيرة ووديان ضحلة وموسم أمطار قصير لكنه مكثف. أظهرت أعمال ميدانية سابقة أن أنواع التربة الرئيسية في هذه المنطقة تصطف بشكل وثيق مع موضعها على المنحدر: ترب ضحلة وحصوية على الهضبة العليا؛ ترب متوسطة العمق على المنحدرات الوسطى؛ ترب أعمق وأكثر خصوبة في السفح؛ وترب مشبعة بالمياه في مجاري الأنهار. هذه الاختلافات لها أثر على جذور المحاصيل وتخزين الماء والخصوبة. لكن حتى الآن، كان لدى المزارعين والمخططين خرائط ترب وطنية وقارية خشنة تحيد معظم هذا التباين الدقيق على المقياس المحلي.

مراقبة التربة من الفضاء

لالتقاط هذا النمط المخفي، جمع الفريق ثلاثة أنواع من المعلومات. أولاً، استخدموا صوراً من القمر الأوروبي Sentinel‑2 الذي يسجل ضوء الشمس المنعكس بعدة أطياف، بما فيها أطوال موجية حساسة لمكونات التربة والرطوبة. ثانياً، أضافوا بيانات رادارية من Sentinel‑1، القادرة على استشعار خشونة السطح والرطوبة حتى في وجود الغيوم. ثالثاً، حسبوا مؤشر «الرطوبة» من نموذج رقمي للارتفاع عالي الدقة، وهو صورة ثلاثية الأبعاد للتضاريس. يقدر هذا المؤشر أماكن تجمع مياه الأمطار أو جريانها، ما يرتبط مباشرة بكيفية تكوّن التربة على المنحدرات. سبق أن حفر علماء ميدانيون أو أخذوا عينات من 141 ملف تربة وصنفوها إلى أربع مجموعات رئيسية، مما وفر الحقائق الأرضية اللازمة لتدريب واختبار نماذج الحاسوب.

تعليم الآلات قراءة الأرض

اختبر الباحثون بعدها ثلاث طرق شائعة في التعلم الآلي — الغابة العشوائية (Random Forest)، والتعزيز الأقصى للتدرج (XGBoost)، وآلات الدعم الناقل (Support Vector Machines) — لمعرفة أيها يستطيع مطابقة ميزات المشتقة من الأقمار الصناعية مع أنواع التربة المعروفة بشكل أفضل. جرّبوا تركيبات مدخلات متعددة، مثل استخدام بيانات الرادار فقط، أو البيانات البصرية فقط، أو خلطها مع مؤشر الرطوبة المعتمد على التضاريس. الفائز الواضح كان XGBoost المغذى بمعلومات Sentinel‑2 البصرية بالإضافة إلى مؤشر الرطوبة، حيث بلغ دقته العامة نحو أربعة تنبؤات صحيحة من أصل خمسة. أدت الغابة العشوائية أداءً أقل قليلاً، وتخلفت آلة الدعم الناقل. عند فحص أهمية المدخلات، برز مؤشر الرطوبة في الصدارة، مما يؤكد مدى قوة تأثير تدفق وتجمع المياه في تشكيل أنماط التربة في هذه السهوب. كما احتلت بعض نطاقات الأشعة تحت الحمراء القصيرة من Sentinel‑2 مرتبة عالية لأنها تستشعر نسيج التربة ورطوبتها.

رسم خريطة أوضح للمزارعين

مسلحين بالنموذج الأفضل أداءً، أنتج العلماء خريطة تربة مفصّلة للحوض. تُظهر الصورة الناتجة سيطرة الترب الضحلة والحصوية على الهضبة العليا، وترب متوسطة العمق على المنحدرات الوسطى، وترب أعمق وأكثر خصوبة قرب النهر، وترب رطبة سيئة الصرف محصورة في المجاري المنخفضة. بالمقارنة مع منتجات قارية وشبكات تربة عالمية، تُبرز هذه الخريطة حدوداً أدق بين مناطق التربة وتصحيح تصنيفات عامة خاطئة. هذه التفاصيل الدقيقة تتوافق أكثر مع ما تشير إليه المسوحات الميدانية والمعرفة المحلية، وتتماشى مع كيفية حركة الماء والرواسب نزولاً أثناء الأمطار الغزيرة. يمكن أن توجه مثل هذه المعلومات أين تُزرع الذرة الرفيعة (sorghum) أو محاصيل أخرى، وأين يُتوقع حدوث تشبع مائي، وأين قد يكون حفظ التربة أو زراعة الأشجار أكثر إلحاحاً.

ما يعنيه هذا للطعام والتخطيط المستقبلي

لغير المتخصصين، الرسالة الأساسية هي أنه أصبح من الممكن الآن إنشاء خرائط تربة عملية بمقياس الحقل في مناطق فقيرة البيانات دون الاعتماد على سنوات من المسوحات المكلفة. من خلال السماح للأقمار الصناعية «بقراءة» الأرض واستخدام التعلم الآلي للتعرّف على العلاقات بين الانحدار والرطوبة والتربة، تقدم هذه الدراسة أداة يمكن أن تساعد المزارعين على اختيار المحاصيل بشكل أذكى، واستهداف الأسمدة، وحماية المناطق الهشة من التعرية. وبينما لا يزال النهج يعتمد على بعض العينات الميدانية ويحتاج للتحقق عبر مساحات أوسع، فإنه يشير إلى مستقبل يمكن أن تصبح فيه معرفة التربة التفصيلية — التي كانت محجوزة سابقاً في حفر متفرقة وتقارير خبراء — متاحة على نطاق واسع عبر سهوب السودان والمناطق الجافة المشابهة.

الاستشهاد: Maung, W.S., Kenta, I., Toru, S. et al. Soil classification in the Sudan Savanna using sentinel products and topographic information with machine learning models. Sci Rep 16, 10880 (2026). https://doi.org/10.1038/s41598-026-46259-6

الكلمات المفتاحية: التخطيط الرقمي للتربة, الاستشعار عن بعد, التعلم الآلي, سهوب السودان, التخطيط الزراعي