Assessing Different Remotely Sensed Wheat Biophysical Variables for Data Assimilation in a Crop Model for Yield Mapping Prediction
تُظهر هذه الدراسة أن استيعاب الكتلة الحيوية فوق الأرض المستمدة من مستشعر سنتينل-2 (Sentinel-2) في نموذج (DSSAT CERES-Wheat) يحسن بشكل كبير من دقة التنبؤ بإنتاجية القمح ورسم خرائطها على مستوى البكسل، متفوقاً بذلك على المخططات القائمة فقط على مؤشر مساحة الأوراق أو محتوى النيتروجين في المظلة النباتية.
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
لطالما اعتمد المزارعون على الطقس، والتربة، وخبراتهم الخاصة لتخمين كمية القمح التي سينتجها الحقل. واليوم، لديهم أداة جديدة قوية: أقمار صناعية يمكنها رؤية المحاصيل من الفضاء. لكن مجرد النظر إلى صورة من قمر صناعي ليس كافيًا للتنبؤ بالحصاد؛ إذ يكمن التحدي في ربط تلك الرؤى البعيدة للأوراق الخضراء بالعمليات المعقدة والخفية التي تحدث تحت الأرض وداخل النبات نفسه. وللقيام بذلك، يستخدم العلماء نماذج حاسوبية تحاكي كيفية نمو المحصول، وتحسب كمية المياه التي يشربها، وكمية النيتروجين التي يتغذى عليها، وكيف يحول ضوء الشمس إلى حبوب. هذه النماذج تشبه المخططات التفصيلية لآلة حية، لكنها غالبًا ما تنحرف عن مسارها لأن العالم الحقيقي فوضوي ومليء بالمفاجآت. ولإصلاح ذلك، يستخدم الباحثون تقنية تسمى "استيعاب البيانات". تخيل الأمر كأنك ملاحة تتحقق باستمرار من خريطة مقابل علامات الطريق الفعلية لتصحيح المسار. ومن خلال تغذية النموذج الحاسوبي بملاحظات حقيقية من الأقمار الصناعية في الوقت الفعلي، يمكن للعلماء إجبار المحاكاة على البقاء متماشية مع الواقع، مما يحول التخمين التقريبي إلى توقع دقيق.
في دراسة حديثة أجريت في حقول القمح في وسط إيطاليا، سعى الباحثون للعثور على أفضل "علامة طريق" لتوجيه نموذجهم الحاسوبي. لقد اختبروا ثلاثة أنواع مختلفة من المعلومات التي يمكن للأقمار الصناعية قياسها: مقدار مساحة سطح الأوراق، والوزن الإجمالي للنبات فوق سطح الأرض، وكمية النيتروجين المخزنة في الأوراق. أراد الفريق معرفة أي من هذه المتغيرات، عند تغذية النموذج بها، سيؤدي إلى التنبؤ الأكثر دقة بالحصاد النهائي. لم يكتفوا بالنظر في حقل واحد، بل أجروا آلاف عمليات المحاكاة الحاسوبية بأنماط طقس وأنواع تربة مختلفة لمعرفة كيف سيتصرف النظام نظريًا، ثم اختبروا أفكارهم على مزارع حقيقية في سهل رييتي خلال موسم النمو لعام 2024.
كشفت النتائج عن فائز واضح. فعندما غدّى الباحثون النموذج ببيانات حول الوزن الإجمالي للنبات، المعروف باسم الكتلة الحيوية فوق الأرض، أصبحت التوقعات دقيقة بشكل ملحوظ. في محاكاتهم الحاسوبية، أدى استخدام هذه المعلومة الوحيدة إلى تقليل الخطأ في التنبؤ بالمحصول بأكثر من النصف مقارنة بتشغيل النموذج بدون أي بيانات من الأقزاء الصناعية. وعند تطبيق ذلك على الحقول الحقيقية، كان التحسن مذهلاً أيضًا؛ حيث أصبح تقدير النموذج للحصاد أقرب بكثير إلى ما حصده المزارعون بالفعل، مع انخفاض الخطأ من أكثر من 1,400 كيلوغرام للهكتار إلى أقل من 600 كيلوغرام. كما تطابقت الأنماط المكانية للمحصول مع الواقع بشكل أفضل بكثير، حيث التقطت الاختلافات الدقيقة عبر الحقل بدلاً من إظهار تخمين مسطح وموحد.
ومن المثير للدهشة أن المتغيرين الآخرين لم يعملا بشكل جيد بمفردهما. فتغذية النموذج ببيانات مساحة الأوراق فقط، أو محتوى النيتروجين فقط، جعلت التوقعات أسوأ في بعض الحالات، مما رفع نسبة الخطأ عما لو لم تُستخدم أي بيانات من الأقمار الصناعية على الإطلاق. وجد الباحثون أنه بينما تعد مساحة الأوراق والنيتروجين مهمين لصحة النبات، إلا أنهما غير مباشرين للغاية بحيث لا يمكن الاعتماد عليهما للتنبؤ بوزن الحبوب النهائي عندما تحتوي قياسات الأقمار الصناعية على حتى أخطاء صغيرة. ومع ذلك، فإن الوزن الإجمالي للنبات هو مقياس مباشر للنمو مرتبط ارتباطًا وثيقًا بالحصاد النهائي؛ فهو يعمل كمرساة متينة، تثبت النموذج وتجعله مستقرًا حتى عندما تكون المدخلات الأخرى غير مؤكدة.
كما أظهرت الدراسة أن الجمع بين المتغيرات الثلاثة لم يجعل النتيجة أفضل بالضرورة من استخدام الوزن وحده. ففي الاختبارات الواقعية، لم يؤدِ إضافة بيانات الأوراق والنيتروجين الأقل موثوقية إلى بيانات الوزن القوية إلى تحسين النتيجة بشكل كبير. وهذا يشير إلى أنه في واقع المزرعة الفوضوي، ليست كثرة البيانات هي الأفضل دائمًا إذا كانت تلك البيانات مشوبة بالضجيج. جودة القياس أهم من كميته. ومن خلال التركيز على المتغير الأكثر قوة، تمكن الباحثون من إنشاء خريطة عالية الدقة لمحصول الحقل، توضح بالضبط أين أدى المحصول أداءً جيدًا وأين تعثر، وكل ذلك بناءً على عدد محدود من العينات الأرضية وصور الأقمار الصناعية.
يقدم هذا العمل مسارًا عمليًا للمستقبل في مجال الزراعة الدقيقة. فهو يشير إلى أن المزارعين والخبراء الزراعيين ليسوا بحاجة إلى مطاردة كل قياس ممكن من الفضاء لتحسين توقعاتهم، بل ينبغي عليهم التركيز على المتغيرات التي توفر الرابط الأكثر استقرارًا ومباشرة بالحصاد. ومن خلال استخدام بيانات الأقمار الصناعية لتتبع الوزن الإجمالي للمحصول، يمكن ضبط النماذج الحاسوبية لتعكس الحالة الحقيقية للحقل، مما يسمح باتخاذ قرارات أفضل بشأن التسميد والري. وتؤكد الدراسة أنه بينما توفر السماء وفرة من المعلومات، فإن مفتاح فهم الحصاد يكمن في معرفة أي قطعة من تلك المعلومات هي الدليل الأكثر موثوقية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.