Multi‑Sensor Deep Learning for Smallholder Paddy Rice Mapping with Sentinel‑1 SAR and Sentinel‑2 Optical Imagery
تُظهر هذه الدراسة أن تجميعًا من نماذج التعلم العميق U-Net وPSPNet، المدربة على بيانات Sentinel-1 SAR وSentinel-2 البصرية المدمجة والمتعددة الفترات الزمنية، يحقق رسم خرائط عالي الدقة لحقول أرز المزارعين الصغار المجزأة من خلال الاستفادة من الاستدلال السياقي متعدد المقاييس ومراحل النمو الفينولوجي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في المناظر الطبيعية الرطبة التي تغذيها الأمطار الموسمية في المناطق المدارية وشبه المدارية، يعتمد ملايين صغار المزارعين على أرز البادي لإطعام عائلاتهم واستدامة مجتمعاتهم. غالبًا ما تكون هذه الحقول صغيرة، وغير منتظمة الشكل، ومتناثرة عبر الأرض، مما يجعل تتبعها من مسافة بعيدة أمرًا صعبًا. وبالنسبة للحكومات ومنظمات الإغاثة، فإن معرفة مكان هذه الحقول بدقة وكمية الأرز الذي ينمو فيها أمر حيوي للتخطيط للإمدادات الغذائية وتوزيع الدعم. ومع ذلك، فإن مراقبة هذه المحاصيل من الفضاء أمر صعب للغاية؛ إذ تحجب السحب المتكررة الرؤية عن الكاميرات البصرية، كما يخلق الحجم الصغير للحقول مزيجًا مربكًا من الألوان والقوام الذي تجد البرامج القياسية صعوبة في فكه. ولحل هذه المشكلة، لجأ العلماء إلى مزيج من نوعين من بيانات الأقمار الصناعية: صور ترى الضوء واللون، وإشارات رادارية يمكنها الرؤية من خلال السحب والظلام عن طريق الارتداد عن التربة الرطبة والنباتات الخضراء. ومن خلال تعليم الحواسيب التعرف على دورة الحياة الفريدة لنبات الأرز باستخدام كلا النوعين من البيانات، يأمل الباحثون في إنشاء خريطة واضرية وموثوقة لهذه المناطق الزراعية الحرجة.
وضع فريق من الباحثين خطة لاختبار ما إذا كان الذكاء الاصطناعي الحديث يمكنه القيام بهذه المهمة بشكل أفضل من الطرق القديمة. وقد ركزوا على منطقة في شمال شرق الصين تُعرف باسم "جيانسانج جيانغ" (Jiansan long)، وهي سهلية فيضية شاسعة حيث يُزرع الأرز في دورة متميزة من النمو الخضري، والتكاثر، والنضج. جمع الفريق كمية هائلة من بيانات الأقمار الصناعية من عام 2018، تغطي موسم النمو بأكمله من أبريل إلى أكتوبر. وجمعوا بين الصور الملتقطة من القمر الصناعي "سنتينل-2" (Sentinel-2)، الذي يلتقط تفاصيل الألوان وصحة النبات، وبيانات الرادار من القمر الصناعي "سنتينل-1" (Sentinel-1)، الذي يكتشف بنية المحصول ووجود الماء. وبدلاً من استخدام أدوات إحصائية بسيطة، قاموا بتدريب أربعة أنواع مختلفة من أنظمة الرؤية الحاسوبية المتقدمة، المعروفة بنماذج التعلم العميق، لتعمل كرسامي خرائط رقميين. صُممت هذه الأنظمة للنظر في صور الأقمار الصناعية ورسم حدود دقيقة حول كل حقل أرز على حد- سواء، مع تمييزها عن الغابات والمياه والمحاصيل الأخرى.
اختبر الباحثون أربع بنيات حاسوبية محددة، لكل منها طريقة مختلفة في معالجة المعلومات البصرية. أحد الأنظمة، ويسمى "يو-نت" (U-Net)، مصمم ليكون جيدًا جدًا في تذكر التفاصيل الدقيقة، مثل الحواف المتعرجة لحقل صغير. أما نظام "بي إس بي نت" (PSPNet)، فيركز على فهم الصورة الكبيرة وسياق المناظر الطبيعية المحيطة. كما تم اختبار نظامين آخرين، وهما "ديب لاب في 3" (DeepLabV3) و"ديب لاب في 3 بلس" (+DeepLabV3)، لمعرفة مدى قدرتهما على التعامل مع المزيج المعقد من البيانات. وبينما كانت الحواسيب تتعلم، راقب الباحثون مدى تحسنها بمرور الوقت. ووجدوا أن الأنظمة التي يمكنها الجمع بين الفهم القوي للمشهد العام والقدرة على استعادة التفاصيل المكانية الدقيقة هي التي حققت أفضل أداء. وقد تفوق نموذجا "يو-نت" و"بي إس بي نت" باستمرار على الآخرين، حيث نجحا في تحديد حقول الأرز بدرجة عالية من الدقة. أما نموذج "ديب لاب في 3"، الذي افتقر إلى مكون محدد لتنقية حواف الحقول، فقد واجه صعوبة أكبر مع الحدود المعقدة للمزارع الصغيرة، بينما أظهرت نسخته المطورة "+DeepLabV3" نتائج أفضل ولكنها لم تضاهِ المتفوقين تمامًا.
وللحصول على الخريطة الأكثر موثوقية، لم يتوقف الباحثون عند أفضل نموذج واحد. بدلاً من ذلك، قاموا بدمج تنبؤات النظامين الأفضل أداءً، "يو-نت" و"بي إس بي نت"، باستخدام طريقة التصويت. تخيل خبيرين ينظران إلى نفس الصورة الضبابية ويتفقان على مكان الجسم؛ فإن رأيهما المشترك عادة ما يكون أكثر موثوقية من أي منهما بمفرده. ومن خلال دمج مخرجات هذين النظامين المختلفين من الذكاء الاصطناعي، أنشأ الفريق خريطة نهائية كانت أكثر استقرارًا ودقة من أي نموذج بمفرده. حقق هذا النهذا المدمج دقة إجمالية بلغت 94 بالمائة، مع درجة محددة لتحديد حقول الأرز وصلت إلى ما يقرب من 89 بالمائة. أظهرت الخريطة الناتجة صورة أكثر وضوحًا وتماسكًا لحقول الأرز، مما قلل من الأخطاء التي تحدث غالبًا عندما تبدو أنواع مختلفة من غطاء الأرض متشابهة بالنسبة للحاسوب.
تُظهر الدراسة أن طريقة دمج بيانات الرادار والبيانات البصرية مع التعلم العميق المتقدم هي أداة قوية لمراقبة الزراعة. وقد أظهر الباحثون أنه من خلال التقاط التغيرات المحددة في نبات الأرز أثناء نموه عبر مراحله المختلفة، ومن خلال استخدام مجموعة من النماذج للتحقق من النتائج، فمن الممكن رسم خرائط للمزارع الصغيرة والمجزأة بدقة كبيرة. يشير هذا النجاح إلى أن هذا النهج يمكن توسيعه ليشمل أقاليم بأكملها أو حتى دولًا، مما يوفر طريقة قوية لتتبع الإنتاج الغذائي في المناطق التي جعلت فيها السحب والتضاريس المعقدة رسم الخرائط صعبًا تاريخيًا. ويقدم هذا العمل مسارًا عمليًا نحو إنشاء المعلومات التفصيلية وفي الوقت المناسب اللازمة لدعم الأمن الغذائي والزراعة المستدامة في أكثر المناظر الزراعية تحديًا في العالم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.