الطائرات بدون طيار والاستشعار متعدد الأطياف والحراري في الزراعة الذكية
من تصوير الحقل إلى القرار الزراعي — رحلة شاملة عبر الاستشعار متعدد الأطياف، والتصوير الحراري، والاستشعار الهيبَرسبكترالي، ودمج الأقمار الصناعية مع الذكاء الاصطناعي.
مقدمة: الدرون كمنصة لجمع البيانات عالية الدقة
أصبح الدرون الزراعي أحد أهم منصات جمع البيانات عالية الدقة في الزراعة الحديثة. ولا تقتصر قيمته على تصوير الحقل، بل أصبح جزءًا من منظومة متكاملة تجمع بين الاستشعار عن بعد والذكاء الاصطناعي ونظم المعلومات الجغرافية والتحليل المكاني.
وتوفر الطائرات بدون طيار مرونة مكانية وزمنية تفوق كثيرًا بعض مصادر الاستشعار الفضائي، خصوصًا عندما تكون هناك حاجة إلى تصوير منطقة محددة في توقيت معين. فبينما يمر القمر الصناعي فوق المنطقة في موعد ثابت قد لا يتطابق مع الحاجة الزراعية الفعلية، يمكن إطلاق الدرون خلال ساعات من ظهور أعراض مرضية أو ملاحظة إجهاد مائي محتمل.
الفكرة المحورية: لم يعد الدرون مجرد «طائرة تصور الحقل»، بل أصبح عقدة استشعار ذكية تربط بين البيانات الفضائية والأرضية، وتُغذّي نماذج الذكاء الاصطناعي ببيانات عالية الدقة في الزمن الحقيقي تقريبًا.
الاستشعار متعدد الأطياف: من الطيف المرئي إلى ما وراءه
تعتمد الكاميرات متعددة الأطياف على تسجيل نطاقات طيفية محددة، تتجاوز قدرة العين البشرية المحدودة بالأحمر والأخضر والأزرق. كل نطاق طيفي يحمل معلومة مختلفة عن حالة النبات الفسيولوجية:
ومن خلال دمج هذه النطاقات الطيفية، يمكن حساب مجموعة من المؤشرات الحيوية الزراعية المهمة، كل منها يكشف عن جانب مختلف من حالة النبات:
وتفيد هذه المؤشرات في دراسة جوانب متعددة من حياة النبات والإنتاج الزراعي:
- الكتلة الحيوية وتقدير النمو الكلي للمجموع الخضري.
- الحالة الخضرية ومدى نشاط التمثيل الضوئي.
- الإجهاد النباتي المائي والحراري والغذائي.
- الاختلافات المكانية داخل الحقل بين قطاع وآخر.
- بعض مظاهر نقص العناصر الغذائية (نقص النيتروجين، الفسفور، البوتاسيوم).
- الإصابة المرضية وتغيرات الكلوروفيل الناتجة عنها.
- تقدير الإنتاجية ونبؤ المحصول قبل الحصاد.
وتؤكد مراجعة حديثة أن الاستشعار متعدد الأطياف بواسطة UAV أصبح مهمًا في مراقبة النمو والكشف عن الأمراض والآفات وتقييم الحالة الغذائية والتنبؤ بالإنتاجية. هذا التحول جعل من الممكن الانتقال من «معاملة شاملة للحقل» إلى «معاملة موجّهة للمناطق التي تحتاجها فعلًا».
التصوير الحراري: قراءة لغة حرارة النبات
يضيف التصوير الحراري طبقة مختلفة تمامًا من المعلومات عن تلك التي تقدمها الكاميرات البصرية. فبينما تكشف الكاميرات متعددة الأطياف عن حالة الكلوروفيل والبنية الخضرية، يكشف الحراري عن الوظيفة الفسيولوجية اللحظية للنبات.
فعندما يعاني النبات من نقص الماء، يمكن أن تتغير درجة حرارة الأوراق نتيجة إغلاق الثغور وانخفاض النتح. هذه الظاهرة الفسيولوجية البسيطة تتحول في التصوير الحراري إلى إشارة بصرية واضحة، حيث تظهر المناطق المُجهَدة مائيًا أكثر حرارة من المناطق السليمة.
لذلك يمكن استخدام مزيج من ثلاثة مصادر للبيانات لبناء نماذج دقيقة لتحديد مناطق الإجهاد المائي:
حرارة المظلة
الطقس اللحظي
مؤشرات الغطاء
المائي للحقل
وتوضح مراجعة منشورة في 2025 أن التصوير الحراري والمتعدد الأطياف والهيبَرسبكترال أصبحت أدوات مهمة لرصد الإجهاد المائي، مع اتجاه متزايد نحو دمج المستشعرات المختلفة بدلًا من الاعتماد على مستشعر منفرد. هذا الاتجاه يعكس فهمًا ناضجًا بأنه لا يوجد مستشعر واحد يكفي لوصف حالة النبات المعقدة.
مبدأ فيزيائي: النبات السليم «يتعرق» عبر ثغوره لتبريد نفسه، فيبدو أكثر برودة في التصوير الحراري. النبات المُجهَد يُغلق ثغوره فيحتفظ بحرارته، فيبدو أكثر سخونة — إشارة مباشرة للإجهاد قبل ظهور الأعراض البصرية.
الاستشعار الهيبَرسبكترالي: البصمة الطيفية الكاملة
يختلف الاستشعار الهيبَرسبكترالي (Hyperspectral) عن متعدد الأطياف (Multispectral) في عدد وحجم النطاقات الطيفية. فبينما تسجل كاميرا متعدد الأطياف 4 إلى 5 نطاقات منفصلة، يسجل الهيبَرسبكترال مئات النطاقات المتجاورة المتصلة، تشكل معًا منحنى انعكاس طيفي مستمرًا.
وهذا التفصيل الطيفي الدقيق يتيح بناء «بصمة طيفية» فريدة لكل نبات ولكل حالة فسيولوجية، تمامًا مثل البصمة البشرية. ويمكن أن يكون مفيدًا في:
- اكتشاف التغيرات المرضية المبكرة قبل ظهور أي أعراض بصرية مرئية.
- تحليل الإجهاد بأنواعه المختلفة (مائي، حراري، غذائي، مرضي).
- التمييز بين بعض حالات نقص العناصر المتشابهة في الأعراض البصرية.
- تحليل الحشائش وتصنيف أنواعها لاختيار مبيد مناسب.
- دراسة جودة الثمار وتقدير محتواها قبل الحصاد.
تحديات عملية: ارتفاع حجم البيانات (جيجابايتات لكل تحليق)، الحاجة إلى معايرة جيدة، وتكلفة المستشعرات المرتفعة — لا تزال تحديات مهمة تحد من الانتشار التجاري الواسع لهذه التقنية، رغم تفوقها العلمي الواضح.
| الخاصية | متعدد الأطياف | هيبَرسبكترالي |
|---|---|---|
| عدد النطاقات | 4 – 10 نطاقات منفصلة | 100 – 400+ نطاقة متجاورة |
| عرض النطاق | واسع (10–40 نانومتر) | ضيق (1–10 نانومتر) |
| طبيعة البيانات | نقاط منفصلة | منحنى طيفي مستمر |
| الدقة التشخيصية | جيدة للتشخيص العام | عالية للكشف المبكر والتمييز الدقيق |
| التكلفة والتعقيد | معقولة وأكثر شيوعًا | مرتفعة، تتطلب خبرة متقدمة |
الذكاء الاصطناعي مع الدرون: من الصورة إلى القرار
القيمة الحقيقية لا تأتي من الصورة وحدها. فالصورة الخام — مهما كانت غنية طيفيًا — تبقى مجرد أرقام بكسلية لا قيمة لها دون معالجة وتحليل. القيمة تنبثق من سلسلة معالجة ذكية تنقل البيانات من «صورة» إلى «قرار»:
جمع الصور
معالجة الصور
النموذج الذكي
الخريطة المكانية
القرار الزراعي
فعلى سبيل المثال، يمكن للنظام تقسيم الحقل إلى خلايا (Grid Cells) متساوية المساحة، ثم حساب مؤشر صحة النبات لكل خلية على حدة، وبعد ذلك تحديد المناطق التي تحتاج إلى تدخل محدد. هذا النهج يُعرف بـ«الإدارة التفاضلية للموقع» (Site-Specific Management).
بناءً على تحليل كل خلية، يمكن للنظام تحديد المناطق التي تحتاج إلى:
- فحص ميداني للتأكد من التشخيص وتحديد السبب الفعلي.
- ري تكميلي للمناطق المُجهَدة مائيًا.
- تسميد موجّه للمناطق التي تعاني نقصًا غذائيًا.
- مكافحة آفات أو أمراض في مناطق محددة دون سواها.
- إعادة تصوير لاحقًا لمتابعة استجابة النبات للتدخل.
رطوبة التربة: القياس المباشر مقابل التقدير بالنمذجة
يجب هنا التمييز بين القياس المباشر والتقدير بالنمذجة. فالاستشعار البصري والحراري لا يعطيان دائمًا قياسًا مباشرًا لرطوبة التربة على عمق 10–30 سم — وهو العمق الجذري الحرج. الكاميرات «ترى» سطح التربة والمظلة الخضراء، لكن الرطوبة الحقيقية تكمن تحت السطح.
وهنا يأتي دور الذكاء الاصطناعي كجسر بين ما «تراه» الكاميرا وما يحدث فعلًا تحت السطح. يمكن للنموذج أن يتعلم العلاقة بين البيانات الطيفية والحرارية القادمة من الدرون، وبين قياسات الحقل الفعلية المسجلة بمستشعرات أرضية، ثم يستخدم هذه العلاقة لتقدير الرطوبة أو الحالة المائية في أعماق مختلفة دون الحاجة إلى حفر أو قياسات متكررة.
وتشير مراجعة منهجية حديثة إلى أن بيانات الاستشعار عن بعد تشمل الأقمار الصناعية وUAVs والبيانات الحرارية والبصرية والميكروويف، وأن نماذج التعلم الآلي أصبحت من أكثر الأساليب استخدامًا في هذا المجال، مع أهمية بالغة لدمج بيانات التربة والأرصاد والمستشعرات الأرضية للحصول على تقديرات دقيقة.
نقطة جوهرية: الاستشعار عن بعد لا يُلغي الحاجة للمستشعرات الأرضية، بل يستفيد منها كـ«حقيقة أرضية» (Ground Truth) لمعايرة النماذج، ثم يوسّع انتشارها مكانيًا عبر التنبؤ بالرطوبة في كل نقطة من الحقل.
دمج الدرون والقمر الصناعي: رؤية متعددة المقاييس
من أقوى الاتجاهات الحديثة في الزراعة الذكية هو النهج متعدد المقاييس (Multi-Scale Approach)، الذي يدمج ثلاث طبقات استشعار في منظومة واحدة متكاملة:
حيث يوفر القمر الصناعي تغطية واسعة بانتظام ثابت تكشف الاتجاهات الزمنية على مستوى المنطقة، بينما يوفر الدرون تفاصيل دقيقة لحظية عند ظهور مشكلة محددة، وتوفر المستشعرات الأرضية المعايرة والتحقق المستمر. ويتولى الذكاء الاصطناعي مهمة دمج هذه المصادر الثلاثة في صورة موحدة قابلة للقرار.
وهذا النهج مناسب جدًا لمزارع النخيل والمزارع واسعة المساحة، حيث تتطلب المساحة الشاسعة وتنوع الأصناف وأعمار الأشجار منهجًا متعدد المقاييس لا يمكن لمصدر واحد أن يوفره. فالنخلة الواحدة قد تبدو سليمة من الفضاء، لكن التصوير الحراري بالدرون قد يكشف إجهادًا مائيًا مبكرًا، والمستشعر الأرضي قد يؤكد نقصًا غذائيًا في العمق الجذري.
📚 المراجع العلمية
- A review of the application of UAV multispectral remote sensing technology in precision agriculture. Smart Agricultural Technology, 2025, 101406.
- Remote Sensing Using Unmanned Aerial Vehicles for Water Stress Detection: A Review Focusing on Specialty Crops. Drones, 2025.
- A systematic review on soil moisture estimation using remote sensing data for agricultural applications. ScienceDirect, 2025.
- Advances in soil moisture measurement techniques and prediction using artificial intelligence. Smart Agricultural Technology, 2025.