שיטת K‑means המיושמת על מדדי צמחייה למיפוי שטחי גידול באמצעות דימות לווייני ברזולוציה גבוהה של מוחמד שישה מרוקאי

מדוע מפות יבול חכמות חשובות

הזנה של עולם שגדל דורשת ידיעה, בזמן כמעט אמת, מה באמת גדל על הקרקע. חקלאים וממשלות זקוקים למפות אמינות של מקומות שבהם נשתלו גידולים, אילו שדות חשופים וכיצד דפוסים אלה משתנים מעונה לעונה. המחקר הזה מראה כיצד לוויין תצפית ארץ מרוקאי, בשילוב עם צורת בינה מלאכותית פשוטה, יכול להפוך תמונות גולמיות למפות מדויקות מאוד של קרקע מעובדת מבלי להזדקק לצוותי ענק של אנשים שיתייגו נתונים בעבודת יד.

להבחין בחוות מן החלל

העבודה מתמקדת במערכת לווייני מוחמד שישה, זוג לוויינים מרוקאיים המקיפים את כדור הארץ במסלול סינכרוני לשמש. הם מצלמים תמונות חדה מאוד בארבעה גוונים, כולל תת‑אדום קרוב, ברזולוציה של חצי מטר — די כדי להבחין בשדות קטנים יחידים ואפילו בשורות עצים. המחברים התרכזו באזור חקלאי בשטח של 175 הקטר באזור פאס–מקנש בצפון מרוקו, שבו שדות דגנים, תירס, זיתים, שקדים, ענבים וירקות יושבים לצד חלקות לא מעובדות וצמחייה דלילה. גיוון כזה עושה את האזור למעבדה אידיאלית לכלים שצריכים להפריד בין אדמה מעובדת לכל שאר השטח.

להפוך צבעים לרמזים

תמונות לוויין גולמיות הן רק רשתות של ערכי בהירות בענפי צבע שונים. כדי לעשות את הרשתות האלו ליותר אינפורמטיביות, מדענים לעתים קרובות מחשבים "מדדי צמחייה" שממזגים כמה גוונים למספר יחיד המייצג בריאות הצמח או תכולת המים. מחקר זה משתמש במדד המוכר NDVI (Normalized Difference Vegetation Index), המדגיש צמחייה עלה‑עשירה בחלוקולופיל, ובמדד המותאם NDWI (Modified Normalized Difference Water Index), הרגיש לשינויים בלחות באמצעות אור ירוק ותת‑אדום קרוב. יחד עם ערוץ התת‑אדום המקורי, שלוש השכבות האלה יוצרות תיאור דחוס של מצב הצמחייה והלחות בכל פיקסל, ומספקות אינפורמציה עשירה בהרבה מאשר כל ערוץ בודד לבד.

להניח לנתונים להתקבץ בעצמם

במקום לאמן מודל מורכב עם אלפי דוגמאות מתויגות בעבודת יד, החוקרים פנו ל‑K‑means, אלגוריתם אשכולות פשוט מתוך למידה בלתי מפוקחת. K‑means מחפש דפוסים בנתונים ומחלק פיקסלים למספר קבוע של אשכולות שחולקים תכונות ספקטרליות דומות. לאחר עיבוד מקדים בסיסי — חילוץ הערוצים הרלוונטיים, חישוב שני המדדים, ערימת השכבות וקנה‑מידה של כל הערכים בין אפס לאחד — הצוות הנחה את K‑means ליצור בדיוק שלושה אשכולות. אלה פורשו לאחר מכן כרקע (אזורים מחוץ לשדות או חסרי אות שימושי), קרקע חשופה ואזורים המוחזקים על ידי גידולים. מאחר שהשיטה בלתי מפוקחת, ניתן ליישמה על תמונות חדשות מבלי לצרף נתוני אימון מתוייגים נוספים.

המבחן בשטח

כדי להעריך עד כמה הגישה עבדה, המחברים יצרו מפת ייחוס מפורטת על‑ידי מעקב ידני אחרי חלקות מעובדות בתוכנת מידע גיאוגרפי, תוך שימוש באותה תמונה ברזולוציה גבוהה. לאחר מכן הם השוו ארבע שיטות להערכת שיעור הקרקע המעובדת: כלל פשוט שהתבסס רק על בהירות התת‑אדום הקרוב, כלל שהתבסס רק על מדד הצמחייה NDVI, ריצת K‑means סטנדרטית על ערוצי הצבע המקוריים, ו"K‑means ספקטרלי" החדש שלהם שמקבץ את נתוני המדדים יחד עם התת‑אדום. החלק המעובד האמיתי באזור המחקר היה 71.07 אחוז. סף התת‑אדום זיהה פחות והעריך 65.59 אחוז, NDVI לבדו נתן 66.13 אחוז, ו‑K‑means הסטנדרטי הגיע ל‑67.18 אחוז. שיטת ה‑K‑means הספקטרלי התקרבה ביותר, עם 72.07 אחוז, המקבילה לשגיאה יחסית של רק 1.41 אחוז — טוב בכמה פעמים מהשיטות המתחרות.

מה משמעות הדבר לחקלאות העתידית

לחקלאים, למנהלי מים ולמתכננים, מיפוי אוטומטי ומדויק כזה מציע דרך יעילה לנטר שדות ברחבי אזורים נרחבים בלי סקרים שדה יקרים או מאגרי נתונים מתויגים ענקיים. בהבחנה אמינה בין אדמות מעובדות ללא מעובדות ובהדגשה היכן הצמחייה משגשגת או נמצאת במצוקה, השיטה יכולה לתמוך בהשקייה מדויקת, להנחות שימוש בדשנים ולעזור במעקב אחרי שינויי שימושי קרקע. על אף שהאימות הנוכחי מתבסס על תמונה יחידה, הגישה מצביעה על עתיד שבו אלגוריתמים פשוטים בלתי מפוקחים המיושמים על נתוני לוויין ברזולוציה גבוהה יספקו באופן שגרתי מפות יבול בקנה‑מידת שדה, ישפרו את ייצור המזון ותומכים בשימוש בר־קיימא יותר בקרקע ובמים.

ציטוט: 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

מילות מפתח: חקלאות מדויקת, תמונות לוויין, מיפוי יבולים, למידה בלתי מפוקחת, מדדי צמחייה