تقييم إمكانات الطائرات بدون طيار (UAV) لرسم خرائط الغطاء النباتي الجزئي واسعة النطاق باستخدام بيانات الأقمار الصناعية والتعلم الآلي

يُعد الغطاء النباتي الجزئي (FVC) مقياسًا أساسيًا لتقييم صحة النظام البيئي وتآكل التربة. وتعد طرق القياس الأرضية التقليدية غير كافية لرصد FVC على نطاق واسع، بينما تواجه نُهُج التقدير القائمة على الاستشعار عن بُعد مشكلات مثل التباينات في المقياس المكاني بين بيانات الحقيقة الأرضية وبكسلات الصور، فضلاً عن محدودية تمثيل العينات. تقترح هذه الدراسة طريقة لتقدير FVC تدمج صور الطائرات بدون طيار (UAV) وصور الأقمار الصناعية باستخدام نماذج التعلم الآلي (ML). أولاً، قمنا بتقييم أداء استخلاص الغطاء النباتي لثلاث طرق تصنيف (OBIA-RF، والعتبة، وK-means) في إطار صور UAV. ثم تم اختيار الطريقة المثلى للتصنيف الثنائي وتجميعها لتوليد بيانات مرجعية عالية الدقة لـ FVC تتطابق مع الدقة المكانية لصور الأقمار الصناعية المختلفة. بعد ذلك، قمنا ببناء نماذج تقدير FVC باستخدام أربع خوارزميات ML (وهي KNN وMLP وRF وXGBoost) واستخدمنا طريقة SHapley Additive exPlanation (SHAP) لتقييم تأثير السمات الطيفية والمؤشرات النباتية (VIs) على تنبؤات النماذج. وأخيرًا، تم استخدام النموذج الأفضل لرسم خرائط FVC في منطقة الدراسة. تشير نتائجنا إلى أن طريقة OBIA-RF تستخلص معلومات الغطاء النباتي بفعالية من صور UAV، محققة متوسط دقة واستدعاء قدره 0.906 و0.929 على التوالي. وتولد هذه الطريقة بيانات مرجعية عالية الدقة لـ FVC بفعالية. ومع تحسن الدقة المكانية لصور الأقمار الصناعية، يقل تباين بيانات FVC ويزداد الاتصال المكاني. تفوق نموذج RF على النماذج الأخرى في تقدير FVC عند دقة 10 m و20 m، بقيم R2 بلغت 0.827 و0.929 على التوالي. وعلى العكس من ذلك، حقق نموذج XGBoost أعلى دقة عند 30 m، مع R2 بلغ 0.847. ووجدت هذه الدراسة أيضًا أن FVC كان مرتبطًا بشكل كبير بعدد من مؤشرات VIs لصور الأقمار الصناعية (بما في ذلك نطاقات الحافة الحمراء والأشعة تحت الحمراء القريبة)، وتعزز هذا الارتباط في الصور ذات الدقة الأقل تفصيلاً. تعالج الطريقة المقترحة في هذه الدراسة أوجه القصور في الطرق التقليدية لتقدير FVC بفعالية، وتحسن دقة رصد FVC في مناطق تآكل التربة، وتعمل كمرجع لرصد البيئة الإيكولوجية على نطاق واسع باستخدام تقنية UAV.