Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

في الإيقاع الهادئ للزراعة، غالبًا ما تكون تبعات الحصاد لا تقل أهمية عن الحصاد نفسه. فعندما تُقطع حقول القمح، لا تختفي السيقان والأوراق المتبقية ببساطة؛ بل تظل على سطح التربة، وهي طبقة من المواد العضوية تُعرف باسم بقايا المحصول. ويعد ترك هذه المواد في مكانها أداة قوية للأرض؛ فهي تعمل كغطاء واقٍ، يحفظ الرطوبة في الأرض خلال فترات الجفاف، ويبطئ حركة الرياح والمياه التي قد تجرف التربة السطحية الخصبة، ويغذي الأرض ببطء بالعناصر الغذائية مع تحلله. ويمارس المزارعون الذين يتركون هذه البقايا ما يسمى بالحرث الحافظ، وهو أسلوب يعطي الأولوية لصحة التربة على المدى الطويل على حساب سرعة حرثها تحت الأرض. ومع ذلك، لمعرفة ما إذا كانت هذه الطريقة تُستخدم بشكل صحيح، يحتاج العلماء إلى وسيلة لقياس مقدار ما تغطيه هذه السيقان من الأرض بدقة. فإذا كان التغطية منخفضة جدًا، تصبح التربة عرضة للخطر؛ وإذا كانت عالية بما يكفي، تكون الأرض محمية.

لعقود من الزمن، كان قياس هذه التغطية يعني إرسال أشخاص إلى الحقول ومعهم كاميرات ولوحات ملاحظات، لعد كل قطعة من القش يمكنهم رؤيتها في مربع صغير من الأرض. ورغم دقة هذه العملية، إلا أنها بطيئة، وتتطلب مجهودًا عضليًا كبيرًا، ويصعب توسيع نطاقها لتشمل مناطق بأكملة. وفي السنوات الأخيرة، تحول التركيز نحو استخدام الضوء للقيام بعملية العد. فكل جسم يعكس الضوء بطريقة فريدة، وللمواد النباتية الجافة بصمة مميزة تختلف عن التربة العارية. ومن خلال تحليل ألوان الضوء المرتدة من الحقل، يأمل الباحثون في حساب النسبة المئوية للأرض المغطاة بالقش دون الحاجة إلى الخطو داخل الحقل. ومع ذلك، فإن هذه المهمة معقدة لأن القش لا يستلقي مسطحًا مثل السجادة. فاعتمادًا على كيفية إدارة المزارع للحقل — سواء ترك السيقان واقفة، أو قطعها إلى قطع صغيرة، أو حرثها بعمق في الأرض — يتغير شكل انعكاس الضوء المرتد. إن فهم هذه الاختلافات الدقيقة هو المفتاح لتحويل قياس ضوئي بسيط إلى خريطة موثوقة لصحة التربة.

قام الباحث يانغ هاولين، من مدرسة بكين بايي، بمحاولة لحل هذا اللغز من خلال إنشاء خريطة تفصيلية لكيفية تفاعل قش القمح مع الضوء تحت ظروف مختلفة. بدأوا بإجراء تجربة محكومة في مركز أبحاث في شياوتانغشان، شمال بكين. وهنا، قاموا بزراعة القمح الشتوي، وبعد الحصاد، طبقوا أربع تقنيات إدارة متميزة على أقسام مختلفة من الحقل. فقد تُرِكت بعض القطع مع سيقان قائمة وطويلة، بينما تم تقطيع القش في قطع أخرى وتوزيعه، وعُوملت قطع أخرى باستخدام محراث دوار خلط البقايا في الطبقة العليا من التربة، بينما حُرثت قطع أخرى بعمق. سمح هذا التنوع لهم برؤية كيف أن الترتيب الفيزيائي للقش، وليس فقط كميته، يغير مظهر الحقل بالنسبة للمستشعر.

ولرصد هذه التغييرات، ساروا عبر الحقول باستخدام مطياف محمول، وهو جهاز يعمل كعين متطورة قادرة على رؤية ألوان أكثر بكثير مما يمكن للدماغ البشري معالجته. لقد قاموا بقياس الضوء المنعكس من مزيج التربة والقش عند مئات الأطوال الموجية المختلفة، والتي تتراوح من الطيف المرئي الذي نراه إلى الأطوال الموجية تحت الحمراء التي لا نراها. وفي الوقت نفسه، التقطوا صورًا للأرض من الأعلى مباشرة واستخدموا طريقة الشبكة لعد كم تغطي السيقان من الأرض بالضبط، مما خلق "حقيقة أرضية" دقيقة للمقارنة مع قراءات الضوء. كما جمعوا بيانات مماثلة من حقول القمح الحقيقية في مقاطعة هنان لضمان صمود نتائجهم خارج البيئة المحكومة لمحطة الأبحاث.

اكتشف الباحث أن الضوء المنعكس من الحقل يتغير بطرق يمكن التنبؤ بها مع زيادة كمية غطاء القش. ووجدوا أن المنطقة الأكثر حساسية للكشف عن هذا الغطاء كانت في جزء الأشعة تحت الحمراء قصيرة الموجة من الطيف، وهو منطقة من الضوء تتفاعل بقوة مع السليلوز واللجنين الموجودين في جدران الخلايا النباتية. ومن خلال تحليل البيانات، حددوا نطاقًا ضئيلاً من الضوء عند 1320 نانومتر كان فعالًا بشكل خاص في الإشارة إلى وجود القش. كما اختبروا عدة صيغ رياضية، تُعرف باسم المؤشرات الطيفية، والتي تجمع بين أطوال موجية ضوئية مختلفة لإبراز بقايا المحاصيل. وأظهرت النتائج أن المؤشرات المصممة للبحث عن السليلوز واللجنين كانت أكثر فعالية في اكتشاف القش من الصيغ القياسية المستخدمة لقياس النباتات الخضراء الحية.

ومع الحصول على هذه البصمات الضوئية، اتجه الباحث إلى النماذج الحاسوبية لبناء نظام يمكنه التنبؤ بمقدار غطاء القش بناءً على بيانات الضوء وحدها. واختبروا خمسة أنواع مختلفة من خوارزميات تعلم الآلة، وهي برامج مصممة لإيجاد الأنماط في البيانات. كانت بعض هذه النماذج بسيطة وخطية، بينما كانت أخرى معقدة وقادرة على تعلم علاقات متشابكة. وكانت النتائج واضحة: النموذج الأكثر نجاحًا كان طريقة تسمى "الغابة العشوائية" (Random Forest). هذا النهج، الذي يعمل من خلال بناء العديد من أشجار القرار الصغيرة ودمج إجاباتها، حقق معدل دقة حيث تطابقت توقعاتهم مع القياسات الحقيقية بنسبة 95 في المائة. وفي المقابل، فشل نموذج التعلم العميق الأكثر تعقيدًا، والذي يُستخدم غالبًا للمهام المتقدمة، في الأداء بشكل جيد. وأشار الباحث إلى أن نموذج التعلم العميق هذا يتطلب بيانات أكثر بكما في المتوفر لديه للتعلم بفعالية، مما أدى إلى توقعات ضعيفة. تشير هذه النتيجة إلى أنه بالنسبة لهذه المهمة المحددة، فإن النموذج الأبسط والأكثر قوة يكون أكثر موثوقية من النموذج المعقد عند العمل مع بيانات ميدانية محدودة.

ربما كان الجزء الأكثر أهمية في الدراسة هو اختبار ما إذا كان النموذج المبني في تجربة محكومة يمكن أن يعمل في العالم الحقيقي. أخذ الباحث أفضل نموذج أداء لديه وطبقه على بيانات من حقول القمح الفعلية في مقاطعة هنان. وبعد إجراء تعديلات طفيفة على الإعدادات، نجح النموذج في تقدير غطاء القش في هذه السيناريوهات الواقعية. وقد أثبت هذا أن العلاقة بين الضوء وغطاء القش قوية بما يكفي لتنتقل عبر مواقع وظروف مختلفة. تؤكد الدراسة أنه من خلال فهم كيفية تأثير البنية الفيزيائية للحقل على الضوء، يمكن للعلماء إنشاء أدوات تراقب بدقة ممارسات الزراعة الحافظة عبر مساحات واسعة. وبينما تم العمل باستخدام مستشعرات أرضية، يرى الباحث مسارًا واضحًا للمضي قدمًا: يمكن تطبيق هذه المبادئ نفسها على الصور الملتقطة من الطائرات بدون طيار والأقمار الصناعية، مما يسمح في النهاية بالمراقبة الديناميكية واسعة النطاق لصحة التربة التي يحتاجها المزارعون وصناع السياسات لحماية الأرض من أجل المستقبل.