مقارنة تصنيف المحاصيل في بيانات الفترة الواحدة لـ Xiguang No. 1 05 (Tianxianpei No.) وبيانات Sentinel-2.

مقدمة معلومات أساسية

يُمكّن تحديد وتصنيف توزيع أنواع المحاصيل المختلفة باستخدام صور الاستشعار عن بُعد من إدارة دقيقة ومراقبة شاملة للإنتاج الزراعي. وتُوفّر هذه المراقبة بيانات داعمة للإنذار المبكر بالآفات والأمراض. علاوة على ذلك، تُوفّر نتائج تصنيف الاستشعار عن بُعد، إلى جانب المعلومات المناخية والهيدرولوجية ومعلومات التربة، أساسًا علميًا لتقدير غلة المحاصيل الزراعية، وتقييم خسائر الكوارث، واتخاذ القرارات المتعلقة بالأمن الغذائي. وتكمن أهميتها في تعزيز تحوّل الزراعة التقليدية نحو الرقمنة والمعلوماتية والذكاء، وتحسين كفاءة الإنتاج الزراعي واستخدام الموارد، وخفض تكاليف المسح اليدوي، وتحقيق مراقبة ديناميكية وإدارة دقيقة للمساحات الزراعية الواسعة. إضافةً إلى ذلك، يُمكن أن تُوفّر نتائج تصنيف المحاصيل بيانات أساسية حاسمة لصياغة السياسات الزراعية الوطنية، وحماية الأراضي الصالحة للزراعة، وتقييم عزل الكربون، مما له آثار بالغة الأهمية على ضمان الأمن الغذائي وتعزيز التنمية الزراعية المستدامة.

تحتوي الصور متعددة الأطياف عادةً على عدد قليل من النطاقات العريضة (مثلاً، من 4 إلى 13 نطاقًا)، والتي تعكس بشكل أساسي الخصائص العامة لتضاريس الأرض في نطاقات رئيسية مثل الضوء المرئي والأشعة تحت الحمراء القريبة. وهي مناسبة لتصنيف ورصد تضاريس الأرض على نطاق واسع، مثل استخدامات الأراضي والغطاء النباتي. أما الصور فائقة الطيف، فتُستخدم في...أخذ عينات مستمر في عشرات إلى مئات النطاقات الضيقةتستطيع البيانات فائقة الطيف التقاط خصائص الانعكاس الدقيقة لتضاريس الأرض في الطيف، مما يُمكّن من تحديد الفروق الدقيقة التي لا تستطيع الطرق متعددة الأطياف تمييزها. على سبيل المثال، يمكن رصد الاختلافات في أصناف المحاصيل المختلفة، والحالات الفيزيولوجية للنباتات، أو التركيب المعدني بدقة في البيانات فائقة الطيف. وبمقارنة الطريقتين، يتضح تأثير الدقة الطيفية على دقة تحديد تضاريس الأرض وقدرات استخلاصها، مما يُساعد في تحديد آلية اختيار البيانات الأمثل لمختلف المهام.

المبادئ والأساليب

أُجريت هذه التجربة باستخدام بيانات من القمر الصناعي Xiguang-1 05 (المعروف أيضًا باسم Tianxianpei) والقمر الصناعي Sentinel-2. في البداية، حُسب مؤشر اختلاف الغطاء النباتي المعياري (NDVI)، ومؤشر نسبة الغطاء النباتي (RVI)، ومؤشر الغطاء النباتي المحسن (EVI) لكلٍ من البيانات الطيفية الفائقة والبيانات متعددة الأطياف. بعد ذلك، بالنسبة للبيانات الطيفية الفائقة، استُخدمت خوارزمية اليراعات المُعدلة لاختيار النطاقات ذات الارتباط العالي لتقليل أبعاد النطاقات. أخيرًا، استُخدمت آلة المتجهات الداعمة (SVM) لتصنيف المحاصيل في كلٍ من البيانات الطيفية الفائقة والبيانات متعددة الأطياف.

تحليل النتائج

الشكل 1. نتائج التصنيف الطيفي الفائق

الشكل 2: نتائج التصنيف متعدد الأطياف

في هذه التجربة لتصنيف المحاصيل، استُخدمت ثلاثة مؤشرات - NDVI وRVI وEVI - بالإضافة إلى نطاقات ذات ارتباط وثيق بالمحاصيل. وتم توظيف خوارزمية SVM لتقليل تأثير المصنف. يوضح الشكلان 1 و2 نتائج التصنيف. وقد تفوقت نتائج التصنيف الطيفي الفائق أحادي الفترة على نتائج التصنيف الطيفي المتعدد. إذ تعاني الصور متعددة الأطياف من حدود غير واضحة، وبقع عديدة، ودقة أقل، بينما توفر الصور الطيفية الفائقة قدرات تحديد أدق وأكثر استقرارًا لخصائص الأرض.

في تصنيف الغطاء الأرضي، تتميز البيانات فائقة الطيف بمزايا كبيرة مقارنةً بالبيانات متعددة الأطياف. تسجل الصور فائقة الطيف خصائص انعكاس الغطاء الأرضي عبر نطاقات ضيقة متصلة متعددة، مما يتيح توصيفًا أكثر تفصيلًا للاختلافات الطيفية بين أنواع المحاصيل المختلفة على سطح الأرض. غالبًا ما تُظهر هذه البيانات سمات طيفية مميزة في الفضاء فائق الطيف، مما يُحسّن بشكل كبير دقة التصنيف وقابلية فصل الفئات. باستخدام البيانات فائقة الطيف، يمكن لأساليب مطابقة السمات الطيفية تحقيق تمييز دقيق وتحديد عالي الموثوقية لأنواع الغطاء الأرضي المعقدة. في المقابل، تحتوي البيانات متعددة الأطياف التقليدية على نطاقات أقل وعرض نطاق ترددي أوسع، مما يوفر معلومات طيفية محدودة فقط. وهي عرضة للتداخل الطيفي بين أنواع الغطاء الأرضي المختلفة، مما يؤدي إلى عدم وضوح حدود التصنيف وتصنيف خاطئ. علاوة على ذلك، تكون البيانات متعددة الأطياف غير مستقرة في بيئات سطحية معقدة (مثل أنواع الغطاء الأرضي المختلطة، والظلال، وتداخل خلفية التربة)، مما يجعل من الصعب التقاط الاختلافات الدقيقة بفعالية. لذلك، من منظور دقة التصنيف، والمتانة، وقابلية التفسير، تتمتع البيانات الطيفية الفائقة بمزايا كبيرة في مهام تصنيف الغطاء الأرضي، وهي مصدر بيانات مهم لتحقيق استخراج معلومات سطح الأرض بدقة عالية.