تُعد مراقبة الحقول الزراعية ومتابعة تطورها واكتشاف المشكلات قبل ظهور الأعراض بوضوح أمورًا أساسية لنجاح الحصاد. وتتيح لنا التطورات التقنية التقاط صور للمزارع حول العالم باستخدام الأقمار الصناعية، مما يجعل المراقبة سهلة وميسورة التكلفة. وأكثر مؤشرات الغطاء النباتي استخدامًا لدى المزارعين هو مؤشر الاختلاف المعياري للغطاء النباتي (NDVI)؛ ويمكن أن تساعد متابعة صوره في الزراعة على تقييم صحة النباتات.

ما صور NDVI، وماذا تدل عليه قيم المؤشر، ولماذا هي مفيدة؟

يُعد NDVI أسلوبًا للاستشعار عن بُعد لتقدير صحة المحاصيل وكتلتها الحيوية. ويقيس المؤشر الفرق بين انعكاس الضوء المرئي والأشعة تحت الحمراء القريبة عن الغطاء النباتي. وتتأثر انعكاسية المحاصيل بمساحة الأوراق ومحتواها من الكلوروفيل وعمرها وكثافة الغطاء النباتي ونوع التربة. وغالبًا ما يُستخدم NDVI مع صور الأقمار الصناعية التي توفر صورًا عالية الدقة من الفضاء. وقد ساعدت الأقمار الصناعية على إتاحته للمزارعين حول العالم، إذ يستطيع أي شخص متصل بالإنترنت الوصول إليه. وتُستخدم مراقبة NDVI لتقييم صحة المحاصيل منذ عقود، لكنها لم تنتشر على نطاق واسع إلا مؤخرًا، بفضل الأقمار الصناعية والتصوير الجوي عالي الدقة اللذين يتيحان الرصد المتكرر. ويوفر المؤشر تقديرًا دقيقًا للكتلة الحيوية النباتية ومؤشر مساحة الأوراق (LAI)، دون الحاجة إلى جمع بيانات ميدانية أو تفسير يدوي.

كيف يُحسب مؤشر NDVI؟

يُحسب NDVI باستخدام المعادلة التالية:

NDVI = (NIR-Red) / (NIR+Red)

يشير NIR إلى الضوء القريب من الأشعة تحت الحمراء، بينما يشير Red إلى الضوء الأحمر المرئي. وتتراوح قيم NDVI من -1 إلى 1. وتُظهر مناطق الرمال أو الصخور أو الثلوج قيمًا تبلغ 0.1 أو أقل. أما الغطاء النباتي المتناثر، مثل المحاصيل التي بدأت تشيخ، فتكون قيمه متوسطة بين 0.2 و0.5. وتشير القيم المرتفعة من 0.6 إلى 0.9 إلى غطاء نباتي كثيف.

كيف أحصل على صور NDVI؟

أغريو تطبيق متاح على أندرويد وآي أو إس. ومع أغريو تصبح مراقبة الحقول سهلة جدًا ولا تتطلب معرفة مسبقة. وتسمح لك تطبيقات مثل أغريو برسم حدود حقولك على الخريطة لبدء المراقبة. وبعد تحديد مواقعها، ستتلقى صورًا وتفسيرات لها بصورة متكررة.

كيف تقرأ صور NDVI وتحللها؟

يمكننا من خلال فحص صور NDVI فهم حالة الحقول بصورة أفضل وتحديد المواضع التي قد تعاني من الإجهاد. انظر مثلًا إلى درجات اللون الأخضر في الصورة أدناه؛ فهي توضح مراحل مختلفة من نمو النباتات بين الحقول، وكذلك التباين داخل كل حقل.

صور NDVI لحقول القمح
صور NDVI لحقول القمح

لاحظ البقع الخضراء المنفصلة وسط المساحات التي يغلب عليها اللون البرتقالي؛ فهي تشير إلى نمو الأعشاب الضارة.

عند مقارنة صور NDVI لأيام متتالية، يمكننا اكتشاف مواضع لا تنمو كما هو متوقع وتحتاج إلى اهتمام فوري. تأمل مثلًا الصورة أدناه ولاحظ البقع الحمراء في حقول ما زالت محاصيلها في مراحل نمو مبكرة، حيث يُفترض أن ترتفع قيم NDVI بمرور الوقت.

تابع التغيرات اليومية في صور NDVI
تابع التغيرات اليومية في صور NDVI

حدود استخدام صور NDVI في الزراعة

يرتبط NDVI ارتباطًا ضعيفًا بمحتوى الكلوروفيل، ويصبح هذا القصور أوضح في مراحل النمو المتقدمة عندما يصل المؤشر إلى التشبع. وينتج التشبع عن زيادة مساحة الأوراق وكثافة بنية الغطاء النباتي. لذلك نحتاج في هذه المرحلة إلى متابعة مؤشر يرتبط بقوة بمحتوى الكلوروفيل في الأوراق ويكون أقل تأثرًا ببنية الأوراق والغطاء النباتي.

يؤدي الكلوروفيل دورًا أساسيًا في عمليات البناء الضوئي، مثل امتصاص الضوء؛ لذا يمكن أن يكون محتواه مؤشرًا على أنواع متعددة من الإجهاد. ويمكن لنطاقات طيفية أخرى، مثل الحافة الحمراء، اكتشاف تغيرات مبكرة في عمل الكلوروفيل. وتسبق هذه التغيرات الانخفاض الفعلي في تركيزه داخل الأوراق، ولذلك قد تساعد مراقبتها على الكشف المبكر عن تطور الإجهاد الحيوي وغير الحيوي.

لماذا يجعل التقدم التقني اختيار مؤشرات نباتية محددة أقل أهمية؟

أصبحنا بارعين في تعليم الحواسيب التعرف على الأنماط ضمن كميات كبيرة من البيانات، فلم يعد اختيار مؤشر بعينه أمرًا أساسيًا. ويمكن للذكاء الاصطناعي بدلًا من ذلك تحليل كامل طيف الضوء المنعكس واستخلاص معلومات مفيدة. في السابق، كان لا بد من تصميم خصائص مسبقًا لتدريب الآلات على تصنيف الأنماط في البيانات. أما اليوم، فأصبحنا نعرف كيف نبرمج الآلة لتختار أفضل الخصائص أثناء عملية التدريب نفسها.

تظل مؤشرات الغطاء النباتي مفيدة عندما يفحص الخبراء الصور بأنفسهم، إذ يصعب على البشر تفسير الكم الكبير من المعلومات الكامن في الطيف الكامل. ولذلك لا يزال عرض مؤشرات محددة يعرفها الخبراء مفيدًا. لكن اتساع المساحات المراقبة وارتفاع وتيرة مرور الأقمار الصناعية مجددًا يجعلان التحليل اليدوي أقل ملاءمة للمزارعين والمهندسين الزراعيين.

ما بدأ خيارًا فرضته القيود التقنية أصبح عرفًا متبعًا في القطاع.

استخدام الذكاء الاصطناعي لاكتشاف الشذوذ في صور الأقمار الصناعية

بعد مناقشة فوائد مراقبة الانعكاسية الطيفية، علينا النظر في التطبيق العملي لهذا النهج. ومن تحديات استخدام التحليل الطيفي للكشف عن الإجهاد تحديد الأنماط الدقيقة في صور الأقمار الصناعية التي تدل على تعرض النباتات للإجهاد. وحتى عندما يكتسب الأفراد الخبرة اللازمة لفحص الصور يدويًا، تصبح المهمة مرهقة إذا كانت المساحات المشمولة كبيرة.

يتزايد استخدام الذكاء الاصطناعي في الزراعة بفضل التطورات التقنية الحديثة، ويسهم في تجاوز هذه التحديات. ويكتشف الذكاء الاصطناعي حالات الشذوذ باتخاذ قرارات تستند إلى أنماط تعلمها من مجموعات كبيرة من بيانات التدريب.

يحتوي كامل طيف الضوء الذي تستطيع حساسات الأقمار الصناعية التقاطه على معلومات مفيدة للكشف المبكر عن الإجهاد.
يحتوي كامل طيف الضوء الذي تستطيع حساسات الأقمار الصناعية التقاطه على معلومات مفيدة للكشف المبكر عن الإجهاد.

يمكن تسريع تطوير أدوات الكشف المبكر عندما يصبح جمع كميات كبيرة من البيانات عالية الجودة ممكنًا بتكلفة مناسبة. ولهذا اعتمدنا نهج الاستعانة بمساهمات الجمهور، وبنينا أداة تتيح للمزارعين التعرف على أمراض النباتات من الصور الملتقطة بالهواتف الذكية. ويستفيد المزارعون مباشرة من هذه الخدمة، وفي الوقت نفسه يساعدون في تدريب خوارزميات الكشف المبكر، وهي قدرة قد تحقق لهم فوائد أكبر على المدى الطويل. وتُستخدم الصور الموسومة بالمواقع الجغرافية بوصفها بيانات مرجعية ميدانية، فتساعدنا على تدريب الخوارزميات على تحديد المشكلات مباشرة من الصور الفضائية. ونعرض على الحاسوب صورًا للأقمار الصناعية نعرف مسبقًا أي مناطق الحقول فيها مصابة بالأمراض. وتتيح لنا قدرتنا على جمع كميات كبيرة من البيانات عالية الجودة إحراز تقدم سريع.

تمكننا هذه البيانات من تعلم أنماط الانعكاس المميزة لمشكلات نباتية مختلفة. ونستخدم هذه القدرات لتطوير حلول مراقبة سهلة الاستخدام. ويمكن للمزارعين الذين يستخدمون أغريو متابعة صحة حقولهم ببساطة شديدة. كل ما يلزم هو تحديد موقع الحقل برسم مضلع يمثل حدوده. وبعد ذلك نبدأ المراقبة المستمرة ونُعلمك عند توفر صورة جديدة.

الخلاصة

مراقبة الزراعة بالأقمار الصناعية تقنية مستخدمة منذ سنوات طويلة، إلا أن استخدامها لمتابعة الحقول الزراعية ازداد كثيرًا خلال العقد الماضي. ويمكن لهذه المراقبة أن ترفع الإنتاجية وتحسن الدقة وتساعد على اكتشاف مشكلات المحاصيل مبكرًا.

يمكن للمستخدمين الوصول إلى صور أقمار سنتينل وبلانت سكوب عبر منصتنا. ونطبق خوارزميتنا على الصور لمتابعة تطور المحاصيل ورصد المشكلات في الحقول وتنبيه المزارعين عندما يلزم التدخل.

ندعوك إلى الاستفادة من هذه القدرات لتجنب الخسائر وتحسين الزراعة وتقليل الرش.