סיווג קרקעות בסוואנה הסודנית באמצעות תוצרים של Sentinel ומידע טופוגרפי עם מודלי למידת מכונה

מדוע חשוב לדעת מה מתחת לרגלינו

בלב האזור הסמיך למחצה במערב אפריקה, חקלאים תלויים בתירסית ובגידולים בסיסיים אחרים שגדלים בנוף שבו הגשמים בלתי סדירים והקרקעות עלולות להשתנות בצורה דרמטית רק אחרי כמה מאות מטרים. עם זאת, מפות קרקע מפורטות — מהסוג הנדרש כדי להחליט אילו גידולים לשתול וכיצד לנהל אותם — חסרות לעתים קרובות. המחקר הזה מראה כיצד ניתן לשלב תמונות לוויין חופשיות ולמידת מחשב מודרנית כדי להפיק מפות קרקע חדות יותר עבור סוואנת סודן בבורקינה פאסו, ובכך להציע כלי מעשי לקציר טוב יותר ולניהול קרקע מושכל.

נוף שמסתיר דפוסים לעיני כולם

המחקר התמקד באגן דולו במרכז בורקינה פאסו, רמה גלית עם גבעות קטנות, גיאיות רדודות ועונת גשמים קצרה אך חזקה. עבודות שטח קודמות הראו שסוגי הקרקע העיקריים באזור זה מסודרים בקשר הדוק למיקום על המדרון: קרקעות רדודות ואבנתיות על הרמה העליונה; קרקעות בינוניות בעומקן במדרונות האמצעיים; קרקעות עמוקות ופוריות יותר מטה; וקרקעות מוצפות בערוצי נחלים. הבדלים אלה חשובים לשורשי הצמחים, לאחסון מים ולפוריות. עד כה העמדתם לרשות החקלאים ומתכננים היו מפות קרקע לאומיות ויבשתיות גסות, שהשטיחו את רוב השונות בקנה מידה דק זה.

לצפות בקרקע מתוך החלל

כדי ללכוד את הדפוס החבוי הזה, הצוות שילב שלושה סוגי מידע. ראשית, נעשה שימוש בתמונות מלוויין Sentinel‑2 האירופי, שמקליט אור משוקף בכמה צבעים, כולל אורך גל הרגיש למינרלים של הקרקע וללחות. שנית, נוספו נתוני ראדאר מ‑Sentinel‑1, שיכולים לחוש גסות פני שטח ולחות אף דרך עננים. שלישית, חושב מדד "רטיבות" מתוך מודל גובה דיגיטלי ברזולוציה גבוהה — תמונה תלת־ממדית של השטח. מדד זה מעריך היכן מי הגשם נוטים להצטבר או לזרום, וקושר ישירות לאופן שבו הקרקע מתהווה לאורך המדרונות. מדעני שטח חפרו או דגמו בעבר 141 פרופילי קרקע וסיווגו אותם לארבע קבוצות קרקע עיקריות, מה שסיפק את האמת השטחית הנדרשת לאימון ובחינת המודלים הממוחשבים.

להשכיל מכונות לקרוא את השטח

החוקרים בחנו שלוש שיטות למידת מכונה פופולריות — Random Forest, Extreme Gradient Boosting (XGBoost) ו‑Support Vector Machines — כדי לראות איזו מהן תתאים ביותר בין תכונות שנגזרו מלוויין לסוגי הקרקע הידועים. הם ניסו כמה שילובי קלט, כגון שימוש רק בנתוני ראדאר, רק בנתונים אופטייים, או תערובות שלהם עם מדד הרטיבות המבוסס על טופוגרפיה. המנצח הבהיר היה XGBoost שקיבל כניסה של מידע אופטי מ‑Sentinel‑2 יחד עם מדד הרטיבות, והגיע לדיוק כולל של כארבע תחזיות נכונות מתוך חמש. Random Forest ביצע מעט פחות טוב, ו‑Support Vector Machine התנחל מאחור. בעת שבחנו אילו קלטים חשובים ביותר, מדד הרטיבות יצא כגורם המרכזי, מה שמדגיש עד כמה זרימת מים והצטברותם שולטות בדפוסי הקרקע בסוואנה זו. גם כמה רצועות אינפרה־אדום קצרות מ‑Sentinel‑2 דורגו גבוה כי הן חיישניות למרקם ולחות הקרקע.

לצייר מפה חדה יותר לחקלאים

בעזרת המודל בעל הביצועים הטובים ביותר, המדענים ייצרו מפה קרקע מפורטת של האגן. התמונה המתקבלת מראה קרקעות רדודות וחצוצרת ששולטות ברמה העליונה, קרקעות בעומק בינוני במדרונות האמצעיים, קרקעות עמוקות ופוריות יותר בקרבת הנהר, וקרקעות רטובות עם ניקוז לקוי המוגבלות לתעלות נמוכות. בהשוואה לתוצרים יבשתיים וגרידים גלובליים של קרקע, מפה זו מחדדת את הגבולות בין אזורי הקרקע ומתקנת סיווגים כלליים שגויים. הפרטים הדקים הללו תואמים יותר את מה שמראים סקרי שטח וידע מקומי, ומתיישרים עם האופן שבו מים וסחף זורמים מטה בעונות גשמים כבדות. מידע כזה יכול להנחות היכן לשתול תירסית או גידולים אחרים, היכן לצפות להצפות מים, והיכן שימור קרקע או נטיעת עצים עשויים להיות דחופים ביותר.

מה משמעות הדבר למזון ותכנון עתידי

עבור קוראים שאינם מומחים, המסר המרכזי הוא שכעת אפשר ליצור מפות קרקע מעשיות ברמת שדה באזורים דלים בנתונים בלי שנים של סקרים יקרים. על ידי מתן אפשרות ללוויינים "לקרוא" את השטח ושימוש בלמידת מכונה כדי לזהות דפוסים בין מדרון, רטיבות וקרקע, המחקר הזה מספק כלי שיכול לסייע לחקלאים לבחור גידולים בצורה חכמה יותר, לייעד דשנים ולהגן על אזורים רגישים מפני סחיפה. בעוד שהשיטה עדיין תלויה בחלק מהדגימות מהשטח וזקוקה לאימות על פני שטחים רחבים יותר, היא מצביעה על עתיד שבו ידע מפורט על הקרקע — שהיה פעם נעול בבורות מפוזרים ודוחות מומחים — יכול להיות זמין באופן רחב בסוואנה הסודנית ובאזורים יבשים מקבילים.

ציטוט: 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

מילות מפתח: מיפוי קרקע דיגיטלי, חישה מרחוק, למידת מכונה, סוואנה סודנית, תכנון חקלאי