Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

تخيل أنك تحاول فرز صندوق ضخم وفوضوي من قطع "ليغو"، حيث تبدو كل قطعة تقريباً مثل الأخرى، لكن بعضها من المفترض أن يكون سيارات حمراء والبعض الآخر شاحنات زرقاء. الآن، تخيل أنك لا تفعل ذلك بيديك، بل من الفضاء، وأنت تنظر للأسفل إلى رقعة تشبه لحاف "الكويلت" المكون من مزارع، حيث تتشابك الحقول الصغيرة معاً مثل عقدة من الخيوط. هذا هو تحدي "رسم خرائط أنواع المحاصيل" في الزراعة الصغيرة. يستخدم العلماء الأقمار الصناعية لالتقاط صور للأرض، ولكن عندما يزرع المزارعون محاصيل مختلفة بجانب بعضها البعض في قطع صغيرة وغير منتظمة، فإن الألوان (أو البصمات الطيفية) للنباتات غالسب تندمج معاً. الأمر يشبه محاولة التمييز بين حبة الفراولة وتوت العليق بمجرد النظر إلى صورة ضبابية من مسافة ميل واحد. ولحل هذه المشكلة، يحتاج الباحثون إلى أن يكونوا أذكياء بشأن "متى" يلتقطون الصورة. تماماً كما يبدو اليرقة مختلفة عن الفراشة، تتغير المحاصيل في "زيها" (لونها وشكلها) مع نموها عبر المواسم. ومن خلال الانتظار حتى اللحظة المثالية في دورة حياة النبات واستخدام حواسيب قوية لتحليل البيانات، يمكن للعلماء فك تشابك هذه الفوضى ورؤية ما ينمو بالضبط وأين. هذا الأمر مهم لأن معرفة ما يزرعه المزارعون يساعدنا في إدارة المياه، والتنبؤ بالإمدادات الغذائية، وحماية البيئة.

---

قصة المحقق الزراعي العظيم: فك لغز المزارع الإيرانية

في قلب محافظة تشهارمحال وبختياري في إيران، تقع مقاطعة سامان، وهي مكان مشهور بأشجار اللوز والخوخ. ولكن إليك المعضلة: المناظر الطبيعية هناك عبارة عن فوضى جميلة. تخيل سلطة ضخمة حيث تختلط بساتين أشجار الفاكهة مع حقول القمح والأرز والشعير، وكلها محشورة في قطع صغيرة غير منتظمة. بالنسبة لقمر صناعي ينظر للأسفل، يبدو هذا كضباب محير من اللون الأخضر. غالباً ما تبدو الأشجار ومحاصيل الحبوب متشابهة جداً لدرجة أن صور الأقمار الصناعية القياسية لا تستطيع التمييز بينهما. الأمر يشبه محاولة تحديد شخص معين في حشد يرتدي فيه الجميع سترة خضراء موحدة.

قرر فريق من الباحثين فك هذه الشفرة باستخدام ساحة لعب رقمية فائقة القوة تسمى Google Earth Engine (GEE). فكر في GEE كأنه مكتبة ضخمة قائمة على السحابة، تحتوي على كل صورة التقطتها أقمار "سنتينل-2" (Sentinel-2) طوال عمرها. وبدلاً من تحميل تيرابايت من البيانات إلى جهاز كمبيوتر واحد، استخدم الباحثون هذا العملاق السحابي لتصفية سنوات من الصور فورياً.

"متى" تهم أكثر من "ماذا"

كانت العقبة الكبرى الأولى هي التوقيت. إذا التقطت صورة لشجرة خوخ وحقل قمح في منتصف الشتاء، فسيظهر كلاهما باللون البني والخامل. وإذا التقطت صورة في أوائل الربيع، فقد يبدوان كلاهما ككتل خضراء عامة. أدرك الباحثون أنه لتمييزهما، كان عليهم اصطيادهما في اللحظة الدقيقة التي تتباعد فيها "شخصياتهما".

لقد عاملوا المحاصيل كأنها ممثلون على خشبة المسرح، لكل منهم جدوله الخاص. بعض المحاصيل، مثل الكرز والجوز، بلغت ذروتها مبكراً في الصيف (من مايو إلى يوليو) ثم بدأت في الذبول مع حصادها. أما المحاصيل الأخرى، مثل الخوخ واللوز، فكانت من النوع الذي يتأخر في الظهور، حيث تظل هادئة في أوائل الصيف ثم تنفجر بالنمو الأخضر في أغسطس وسبتمبر. أما العنب، فكان من النوع المستقر، ينمو ببطء وثبات طوال الموسم.

ولإيجاد الوقت المثالي لالتقاط الصورة، استخدم الفريق أداة رياضية تسمى مؤشر التباعد المتحول (Transformed Divergence - TD). يمكنك التفكير في TD كمقياس لـ "الاختلاف". فهو يقيس مدى اختلاف مجموعتين من المحاصيل عن بعضهما البعض. إذا قرأ المقياس رقماً منخفضاً، فهذا يعني أن المحاصيل تبدو متشابهة جداً (وهذا سيء للفرز). وإذا قرأ رقماً مرتفعاً، فهي تبدو متميزة (وهذا رائع للفرز).

ومن خلال تشغيل "مقياس الاختلاف" هذا على بيانات شهرية من عام 2020 إلى 2022، اكتشفوا نافذة ذهبية: من مايو إلى سبتمبر. خلال هذه الأشهر الخمسة، كانت المحاصيل في أكثر حالاتها تمايزاً. أظهر "مقياس الاختلاف" أن المحاصيل كانت تنفصل بوضوح عن بعضها البعض، مما جعل من الممكن تمييز شجرة الخوخ عن حقل القمح بثقة عالية. وجدوا أنهم ليسوا بحاجة إلى كل صورة متاحة؛ بل كانت خمس لقطات شهرية مختارة بعناً كافية للقيام بالمهمة، مما قلل حجم البيانات بنحو 60% مع الحفاظ على دقة عالية جداً.

إضافة دليل "التضاريس"

ولكن حتى مع التوقيت المثالي، لا تزال بعض المحاصيل تبدو متشابهة للغاية. فاللوز والكرز، على سبيل المثال، أو الجوز والتفاح، يمكن أن يبدوا متشابهين جداً من الفضاء. لذا، أضاف الباحثون سلاحاً سرياً: التضاريس.

تخيل المناظر الطبيعية ككعكة ضخمة غير مستوية. بعض الأجزاء مسطحة، وبعضها شديد الانحدار، وبعضها يواجه الشمس بينما يختبئ البعض الآخر في الظل. أدرك الباحثون أن المحاصيل المختلفة لها "أماكن مفضلة" محددة في هذه الكعكة.

• الأرز ينمو فقط في الأماكن المنخفضة والمسطحة حيث تتجمع المياه (مثل حوض الاستحمام المغمور بالماء).
• الخوخ يحب المنحدرات الجنوبية المشمسة.
• الجوز يفضل الجوانب الشمالية الأكثر برودة للحفاظ على الرطوبة.
• اللوز صلب ويوجد في المنحدرات الجنوبية الحارة والجافة في المرتفعات العالية.

من خلال تغذية الكمبيوتر بخريطة لارتفاع الأرض (DEM)، والميل (Slope)، والاتجاه (Aspect)، أعطى الباحثون الخوارزمية "ذاكرة جغرافية". لم يعد الأمر مجرد تخمين بناءً على اللون؛ بل أصبح يقول: "هذه البقعة الخضراء تقع على تلة شديدة الانحدار وتواجه الشمال، لذا فمن المرجح أنها شجرة جوز وليست تفاحاً". هذه الطبقة الإضافية من المعلومات ساعدت في فك تشابك المحاصيل التي كانت لا تزال تبدو متشابهة جداً.

الخوارزمية السحرية: الغابة العشوائية (Random Forest)

مع الحصول على التوقيت المثالي والقرائن التضاريسية، استخدم الفريق خوارزمية تعلم آلي تسمى الغابة العشوائية (Random Forest). إذا تخيلت الغابة كمجموعة من صناع القرار، حيث يطرح كل منهم سؤالاً بسيطاً مثل "هل نحن في مايو؟" أو "هل المنحدر شديد؟"، فإن الغابة العشوائية هي حشد من مئات من صناع القرار هؤلاء الذين يصوتون معاً. ولأن الكثير من "الأشجار" تصوت، فإن القرار النهائي يكون ذكياً للغاية ومقاوماً للأخطاء.

لقد قاموا بتدريب هذه الغابة الرقمية باستخدام 1500 نقطة من العالم الحقيقي زاروها ميدانياً باستخدام أجهزة GPS. أظهروا للكمبيوتر 70% من هذه النقاط ليتعلم الأنماط، ثم اختبروه على الـ 30% المتبقية ليروا ما إذا كان بإمكانه التخمين بشكل صحيح دون مساعدة.

النتائج: معدل نجاح بنسبة 95%

كانت النتيجة خريطة دقيقة للغاية للمقاطعة بأكملها. حدد الكمبيوتر أنواع المحاصيل بشكل صحيح بنسبة 95% من المرات. وهذا نجاح هائل في مثل هذا المشهد المعقد والفوضوي.

• اللوز كان ملك التلال، حيث غطى أكثر من 65% من الأراضي الزراعية.
• جاء الخوخ والجوز في المركزين الثاني والثالث.
• أما المحاصيل السنوية مثل الأرز والقمح/الشعير فكانت القطع الأصغر المبعثرة في اللغز.

حتى أن الباحثين تحققوا من عملهم مقابل السجلات الرسمية للحكومة (الكتاب الإحصائي الزراعي السنوي). طابقت الخريطة التي أنشؤوها أرقام الحكومة بشكل شبه مثالي، مع درجة ارتباط بلغت 0.96. وهذا يعني أن الخريطة لم تكن مجرد صورة جميلة؛ بل كانت أداة موثوقة يمكن الوثوق بها لعد المحاصيل بدقة.

لماذا هذا مهم؟

تثبت هذه الدراسة أنك لست بحاجة إلى نظام معقد ومكلف للغاية لرسم خرائط المزارع الصغيرة والفوضوية. من خلال الجمع بين التوقيت الذكي (الانتظار حتى الموسم المناسب)، ومعرفة طبيعة الأرض (التضاريس)، واستخدام كمبيوتر سحابي قوي، يمكنك فك تشابك حتى أكثر المناظر الزراعية إرباكاً.

لقد أظهر الباحثون أنه من خلال عزل المنازل والأنهار (التي يمكن أن تبدو كمحاصيل وتُربك الكمبيوتر) والتركيز على أشهر محددة تبدو فيها المحاصيل أكثر اختلافاً، يمكنك الحصول على صورة واضحة لما ينمو. هذا يساعد المخططين المحليين على إدارة المياه بشكل أفضل، والتنبؤ بالحصاد، والتأكد من استخدام الأرض بشكل مستدام. إنه تذكير بأن أفضل طريقة لرؤية الغابة بأكملها هي أحياناً الانتظار حتى الموسم المناسب والنظر إلى الأشجار من الزاوية الصحيحة.