الزراعة الدقيقة عبر الأقمار الاصطناعية
راقب صحّة المحاصيل وتنبّأ بالغلّات على النطاق الإقليمي، من الفضاء.
التحدّي
في غرب إفريقيا، تُشغّل الزراعة شريحة كبرى من السكّان لكنها تظلّ هشّة: الإجهاد المائي، والآفات، وتقلّب المناخ. وتُتَّخذ القرارات — الري، والتسميد، وموعد الحصاد — غالباً دون بيانات موضوعية عن الحالة الفعلية للقطع الزراعية المبعثرة على أقاليم شاسعة يصعب الوصول إليها.
وبالنسبة لشركات تأمين المحاصيل ومموّلي التنمية، يُعقّد غياب القياس الموثوق للغلّات والخسائر عمليات التسعير والتعويض واستهداف الدعم. ما ينقص هو وسيلة لتتبّع صحّة المحاصيل وإنتاجيتها على نطاق واسع وبكلفة منخفضة.
منهجيتنا
تستثمر ADST صور الأقمار الاصطناعية المجانية والمتكرّرة — ولا سيّما Sentinel-2 — لمراقبة المحاصيل قطعةً بقطعة. نحسب مؤشّرات الغطاء النباتي (NDVI وEVI ومؤشّرات الإجهاد المائي) ونتتبّع تطوّرها زمنياً للكشف المبكر عن الشذوذات: الإجهاد، والأمراض، وتأخّر النموّ.
وبتقاطع هذه السلاسل الزمنية للصور مع بيانات الطقس والتربة، ندرّب نماذج التنبّؤ بالغلّة التي تقدّر الإنتاج المتوقَّع قبل الحصاد بوقت طويل، على مستوى القطعة والإقليم معاً.
تُغذّي هذه المؤشّرات حالات استخدام ملموسة: تنبيهات زراعية للمنتجين، وتأمين قياسي يُفعَّل تلقائياً عند الجفاف، وتتبّع الأثر لبرامج التنمية، ورسم خرائط المساحات المزروعة للسياسات العامة.
البنية التقنية
- المصادر: Sentinel-2 (بصري)، Sentinel-1 (رادار)، وبيانات الطقس والتربة
- المعالجة: حساب المؤشّرات (NDVI/EVI)، وتصحيح الغيوم، والسلاسل الزمنية لكل قطعة
- النماذج: الانحدار وLSTM/Transformer للتنبّؤ بالغلّة، وCNN لتصنيف المحصول
- العرض: خرائط ويب، وتنبيهات مبكرة، وواجهة برمجية للتأمين القياسي
تؤتمت شركة تأمين محاصيل تفعيل التأمين القياسي وتخفّض كلفة المعاينة الميدانية مع تسريع تعويض المزارعين.