التصنيف الدقيق للمحاصيل في منطقة كاراماي بناءً على السلاسل الزمنية

مبدأ التصنيف

تُحلل أساليب التصنيف الدقيق للمحاصيل القائمة على السلاسل الزمنية التغيرات الهامة في الخصائص الطيفية للمحاصيل، ومؤشرات الغطاء النباتي (مثل مؤشر NDVI)، ومؤشرات الرطوبة (مثل مؤشر NDWI) خلال دورة النمو بأكملها، وتجمع هذه البيانات مع نماذج تصنيف متقدمة لتحقيق تصنيف دقيق لأنواع المحاصيل. تتميز هذه الطريقة بقابليتها للتكيف بفعالية مع السيناريوهات الزراعية ذات أنواع المحاصيل المعقدة والمناطق الجغرافية الواسعة، ولها قيمة تطبيقية كبيرة، لا سيما في إحصاءات مساحة زراعة المحاصيل والرصد الزراعي الإقليمي.

التصنيفات

1. استخراج حدود قطع الأراضي 

تم الحصول على صور الاستشعار عن بُعد لمنطقة الدراسة من خلال اختيار بيانات صور الاستشعار عن بُعد طويلة المدى (صور اصطناعية طويلة المدى مُعالجة مع مراعاة الغطاء السحابي). خلال عملية تجزئة الصور، استُخدمت طريقة تجزئة الصور واسعة النطاق (LSMS) لاستخراج حدود قطع المحاصيل داخل منطقة الدراسة، مما أدى إلى توليد بيانات حدودية متجهة لكل قطعة. تُشكل بيانات حدود هذه القطع أساسًا للتصنيف اللاحق، وهي مناسبة لتقنيات التصنيف الموجهة نحو الكائنات، وتساعد على التمييز بدقة بين قطع المحاصيل المتجاورة.

2. استخلاص منحنيات الخصائص الفينولوجية للمحاصيل

باستخدام صور الاستشعار عن بعد عبر الأقمار الصناعية المتسلسلة زمنيًا، يتم استخراج مؤشر الغطاء النباتي (NDVI) ومؤشر الرطوبة (NDWI) للقطع الأرضية في نقاط زمنية مختلفة ورسمها لإنشاء منحنيات مميزة متسلسلة زمنيًا لكل قطعة أرضية.

لا تعكس هذه المنحنيات المميزة أنماط نمو المحاصيل بصريًا فحسب، بل تساعد أيضًا في استنتاج نقاط زمنية فينولوجية رئيسية، مثل البذر والنمو السريع والنضج ومراحل الذبول. وبناءً على تحليل هذه النقاط الزمنية الفينولوجية، يمكن تحديد فترات زمنية مناسبة لتصنيف المحاصيل، مما يُحسّن معايير التصنيف ويرفع من دقته.

3. تحديد خصائص التصنيف

استنادًا إلى بيانات متجهات القطع الأرضية، تُستخرج قيم الميزات لنوافذ التصنيف من بيانات نقطية متعددة الأبعاد باستخدام طريقة إحصائية مناطقية. وتشكل مؤشرات الغطاء النباتي، والمعايير الفينولوجية، وغيرها من الميزات المساعدة ضمن نوافذ زمنية مختلفة، مجموعة بيانات الميزات المطلوبة للتصنيف.

يمكن لأسلوب بناء الميزات هذا القائم على إحصاءات السلاسل الزمنية أن يلتقط بشكل فعال الاختلافات المكانية والزمانية للمحاصيل، مما يوفر بيانات إدخال عالية الجودة لتصنيف المحاصيل الموجه نحو الكائنات.

4. التدريب على النموذج

باستخدام بيانات التحقق الميداني التي قدمها المستخدمون كبيانات تصنيف، تم إنشاء مجموعة بيانات تدريبية لتدريب نموذج تصنيف يعتمد على التعلم الآلي. وشملت أنواع المحاصيل الرئيسية في منطقة الدراسة البرسيم والذرة والقطن، بالإضافة إلى محاصيل أخرى. وتضمنت عملية تدريب النموذج التحقق المتبادل وضبط المعلمات الفائقة لضمان قدرة النموذج على التعميم ودقته.

5. تطبيق النموذج

ثم يُوسّع نموذج التصنيف المُدرّب ليشمل مساحة أكبر، ويُجرى تصنيف المحاصيل باستخدام بيانات الاستشعار عن بُعد المتسلسلة زمنيًا. وخلال هذه العملية، تُحسب مساحة زراعة المحاصيل المختلفة بناءً على نتائج التصنيف.

وبناءً على نتائج التصنيف، يمكن إجراء المزيد من العمل على تحليل توزيع المحاصيل الإقليمية، وإحصاءات الإنتاج الزراعي، والرصد الديناميكي، وما إلى ذلك، لتوفير أساس علمي للإدارة الزراعية.

لخص

تتميز أساليب التصنيف القائمة على خصائص السلاسل الزمنية بقدرتها على التكيف مع مناطق زراعة المحاصيل المتنوعة وأنماط الزراعة المعقدة، محققةً دقة تصنيف عالية حتى مع أنواع المحاصيل المعقدة. وبفضل استخدامها لمعلومات غنية من خصائص السلاسل الزمنية، تقلل هذه الأساليب من الاعتماد على العينات المصنفة أرضيًا، مما يجعلها مناسبة لمهام تصنيف المحاصيل على مساحات واسعة. ومن خلال الاستفادة الكاملة من مزايا التغطية المكانية لبيانات الاستشعار عن بُعد عبر الأقمار الصناعية، يمكن تحقيق إحصاءات واسعة النطاق لتوزيع المحاصيل ومساحاتها، مما يدعم التخطيط الزراعي الإقليمي والوطني.

الشكل 1. رسم تخطيطي لمنحنيات الخصائص الزمنية لأنواع المحاصيل المختلفة

الشكل 2. نتائج استخراج حدود قطعة الأرض

الشكل 3. نتائج التصنيف الموجه للكائنات