في الآونة الأخيرة ازداد الطلب على قواعد البيانات الجغرافية الرقمية والخرائط الرقمية سواء كانت طبوغرافية أو موضعية، تتكون الخريطة الطبوغرافية من خطوط الكنتورية بالإضافة إلى معلومات البلانیمتریة تفصيلية، وهي بمثابة قاعدة بيانات عامة للاستخدامات المدنية والعسكرية أيضًا.
الخريطة الموضوعية
تطوير الخريطة الموضوعية الأساسية (أو BTM للاختصار) هو دمج المرئيات المكانية الرقمية مع الاستخدامات وغطاء الأرض والمعلومات الطبوغرافية من أجل أن تكون ما يسمى خريطة مصورة أنواع المعلومات المكانية من مصادر متعددة، مما يزيد من القدرة على عرض قدر أكبر من المعلومات في صورة الخرائط (أو كارتوجرافیة).
عادةً ما تتكون خريطة الأساس الأساسية (أو خريطة الأساس الموضوعية) من قواعد البيانات الطبوغرافية والغطاء الأرضي والبنية التحتية، يتم عرض معلومات موضوعية معينة على خريطة الأساس لخدمة نوع معين من المستخدمين، أما بالنسبة لدور الاستشعار عن بعد في هذا الموضوع، فإن المرئيات توفر معلومات إضافية عن التفاصيل الموضوعية المعروضة ثم تعمل كخريطة أساسية.
تطبيقات زراعية
تلعب الزراعة دورًا رئيسيًا في اقتصاد البلدان المتقدمة والنامية، إنتاج الغذاء مهم لكل فرد والإنتاج بطريقة اقتصادية هو هدف المزارع البسيطة والمؤسسات الزراعية الكبيرة، لذلك هناك حاجة كبيرة لمعرفة أو تقدير المنتج، وكذلك الجودة من أجل التحكم في الأسعار ومتطلبات التجارة الدولية.
تطبيقات زراعية للاستشعار
تستخدم الصور الجوية وصور الأقمار الصناعية كأدوات فنية لوضع خرائط لتحديد أنواع المحاصيل والتحقق من صحتها وجودتها ومراقبة العمليات الزراعية، وتشمل التطبيقات الزراعية للاستشعار عن بعد:
– تعيين أنواع المحاصيل.
– تقیيم حالات المحاصیل.
– تقدیر الانتاج.
– خرائط حالات التربة.
– خرائط إدارة التربة.
– متابعة خطوات الزراعة.
يعد تحديد نوع المحصول عاملاً مهمًا لعدة أسباب بما في ذلك معرفة نوع حدث معين سيستخدم لتقدير إنتاجه ومعرفة متى سيتم حصاده، وكذلك لمراقبة حالة التربة وتقدير الخسائر من التعرض للعناصر الطبيعية مثل العواصف والفيضانات، تعتمد الأساليب التقليدية في معرفة أنواع المحاصيل على السجلات الزراعية والزيارات الميدانية.
اليوم أصبح الاستشعار عن بعد وسيلة اقتصادية وفعالة للغاية لجمع المعلومات وتحديد أنواع المحاصيل، بدلا من ذلك يوفر الاستشعار عن بعد أكثر من ذلك، حيث أنه من الممكن الحصول على نظرة ثاقبة على صحة المحصول وتتبع مراحل نموه من خلال مرئيات متعددة المقاييس.
المرئيات الرادارية
بالإضافة إلى ذلك يمكن أن توفر المرئيات الرادارية معلومات إضافية عن التوزيع والتكوين ومحتوى الرطوبة، ثم يوفر مزيج البيانات من كلا النوعين من أجهزة الاستشعار (البصرية والرادارية) كفاءة أفضل في التصنيف الدقيق لأنواع المحاصيل، تعتبر نتائج التفسير والتحليل البصري بمثابة بيانات إدخال لأنظمة المعلومات الجغرافية (GIS) لتشكيل قواعد بيانات زراعية رقمية.
يعد تقييم صحة المحاصيل والكشف المبكر عن أي مرض عاملين مهمين في تحقيق الإنتاج الجيد والرعي، من الضروري اكتشاف ومعالجة جميع الضغوطات الناتجة عن نقص المحتوى المائي، بالإضافة إلى الأمراض أو الإصابات التي قد تصيب المحصول، تتطلب هذه المراقبة الحصول على صور بشكل متكرر (حتى أسبوع) ونقلها للمزارعين بسرعة (عادة في غضون يومين).
تُستخدم بيانات الاستشعار عن بعد أيضًا لتحديد معدلات نمو النبات، حيث قد تكون هناك معدلات نمو مختلفة في المزرعة؛ بسبب نقص النترات أو الأسمدة على سبيل المثال، من خلال توفير هذه البيانات للمزارعين يمكنهم اتخاذ القرار الصحيح وتحديد نوع وكمية الأسمدة المطلوبة.
بيانات الاستشعار
بالإضافة إلى ذلك تساعد بيانات الاستشعار عن بعد في تحديد الأضرار التي تسببها الظروف الجوية مثل تأثير الجفاف أو الرطوبة العالية، لا تساعد الصور المرئية في اكتشاف المشكلات فحسب بل يتم استخدامها للإدارة الجيدة لعملية الزراعة.
تحتوي النباتات الصحية على كميات كبيرة من الكلوروفيل، لذا فإن انعكاساتها في النطاقات الزرقاء والحمراء للضوء المرئي ستكون ضعيفة؛ لأن الكلوروفيل يمتص الطاقة في هذه العصابات، ومع ذلك فإن الانعكاس في الأشعة الخضراء والأشعة تحت الحمراء القريبة سيكون مرتفعًا، على العكس من ذلك فإن النبات المصاب لن يحتوي على كمية كبيرة من الكلوروفيل.
لذلك سيكون استخدام الكلام الأخضر المرئي ونطاق الأشعة تحت الحمراء في المرئيات مفيدًا للكشف عن أمراض النبات، من خلال فحص المعامل التفاضلي للنبات الطبيعي (NDVI) من المعروف أن النبات السليم سيكون له معامل (NDVI) مرتفع، في حين أن النبات المصاب سيكون له معامل (NDVI) منخفض.
في المثال التالي “أ” (مرئي بالألوان) نلاحظ أن المنطقة المروية ستكون بلون أخضر فاتح، في حين أن المنطقة الجافة ستكون بلون غامق، كما هو الحال مع المثال الثاني ب (اللون المرئي والأشعة تحت الحمراء) ستكون النباتات الصحية ذات اللون الأحمر الفاتح.
