تلفیق فناوری‌های سنجش از دور (RS) با هوش مصنوعی (AI)، راهکاری قدرتمند، غیرتخریبی و مقیاس‌پذیر برای پایش مزارع نیشکر فراهم آورده است که شناختی عمیق و اطلاعاتی حیاتی برای مدیریت مؤثر زنجیرۀ تأمین ارائه می‌دهد. این هم‌افزایی، امکان پایش مستمر رشد، نقشه‌برداری، ارزیابی فنولوژی (چرخۀ زیستی) و تخمین دقیق عملکرد را، به‌ویژه در «مرحلۀ رشد سریع» (Grand Growth Stage) که دوره‌ای کلیدی محسوب می‌شود، تسهیل می‌کند.
این زیست‌بوم داده‌ای بر طیف متنوعی از سکوها (پلتفرم‌ها) استوار است؛ بدین‌گونه که داده‌های ماهواره‌ای حاصل از منابعی همچون سنتینل-۱ (Sentinel-1)، سنتینل-۲ (Sentinel-2) و لندست (Landsat) پوشش جهانی را تأمین می‌کنند و در مقابل، پهپادهای (UAVs) مجهز به حسگرهای پیشرفته، داده‌هایی با قدرت تفکیک مکانی بالا را برای پایش دقیق در مقیاس مزرعه ارائه می‌دهند. در این میان، ماهوارۀ سنتینل-۱ به دلیل برخورداری از قابلیت‌های رادار دهانه ترکیبی (SAR) بسیار ارزشمند است؛ زیرا امکان تصویربرداری در تمامی شرایط جوی را فراهم می‌سازد. این ویژگی در فصول بارانی که پوشش ابر مانع از عملکرد حسگرهای نوری (مانند حسگرهای سنتینل-۲) می‌شود، حیاتی است. این سکوها برای ارزیابی سلامت و شادابی محصول، از شاخص‌های طیفی گوناگونی نظیر «شاخص نرمال‌شدۀ تفاوت پوشش گیاهی» (NDVI) و «شاخص NDVI در محدودۀ لبۀ قرمز» (NDRE) در کنار پارامترهای بیوفیزیکی همچون «شاخص سطح برگ» (LAI) بهره می‌برند.
پیش‌بینی عملکرد نیشکر و ارزیابی کیفی
در حوزۀ پیش‌بینی عملکرد و ارزیابی کیفیت، الگوریتم‌های هوش مصنوعی با تحلیل داده‌های سنجش از دور، بهره‌وری و محتوای قند را با دقتی قابل قبول تخمین می‌زنند. پژوهش‌ها نشان می‌دهند که تلفیق داده‌های نوری و راداری، دقت پیش‌بینی زیست‌توده را به‌طور قابل‌توجهی افزایش داده و تخمین عملکرد را یک تا دو ماه پیش از برداشت امکان‌پذیر می‌سازد. افزون بر این، مدل‌های یادگیری ماشین مانند «جنگل تصادفی» (Random Forest) و «ایکس‌جی‌بوست» (XGBoost)، ورودی‌هایی نظیر تصاویر چندطیفی و داده‌های حرارتی را پردازش می‌کنند تا پارامترهای کیفی ضروری در تولید بیواتانول، از جمله «بریکس» (Brix)، «پل» (Pol) و محتوای لیگنوسلولزی را پیش‌بینی نمایند. فراتر از عملکرد، سنجش از دور ابزاری کارآمد برای تفکیک و طبقه‌بندی مزارع نیشکر از سایر محصولات با استفاده از تصاویر ماهواره‌ای چندزمانه است؛ فرآیندی که در آن مدل‌های یادگیری عمیق، همچون «شبکه‌های عصبی پیچشی» (CNNs) و «شبکه‌های حافظۀ طولانی کوتاه‌مدت» (LSTM)، دقت طبقه‌بندی بالایی از خود نشان داده‌اند.
پایش سلامت محصول و مدیریت تنش‌ها
سنجش از دور نقشی محوری در پایش کلان‌مقیاس سلامت محصول و شناسایی تنش‌های زیستی و غیرزیستی ایفا می‌کند. پهپادهای مجهز به دوربین‌های چندطیفی و فراطیفی برای شناسایی بیماری‌هایی نظیر «سیاهک» و «موزائیک»، حتی پیش از ظهور علائم ظاهری، و همچنین برای نقشه‌برداری از طغیان آفات حشره‌ای مانند «مگس سرباز نیشکر» به کار گرفته می‌شوند. این فناوری‌ها امکان برآورد ویژگی‌های ریخت‌شناختی-فیزیولوژیکی، نظیر محتوای کلروفیل (مقادیر SPAD) و ارتفاع گیاه را فراهم می‌کنند که برای تشخیص تنش وارده به گیاه و تسهیل مداخلات مدیریتی به‌موقع، ضروری هستند. به‌رغم چالش‌هایی مانند پوشش ابر که دسترسی به داده‌های نوری را محدود می‌کند، ادغام داده‌های چندمنبعی — به‌ویژه ترکیب داده‌های نوری و SAR — به‌عنوان راهبردی مؤثر برای اطمینان از پایشی منسجم و قابل‌اعتماد در طول فصل‌های مختلف رشد، ظهور کرده است.
یادداشت: نوشتار حاضر برگرفته از مباحث مطرح‌شده در کتاب «هوش مصنوعی در کشت و صنعت نیشکر» است. جزئیات تکمیلی این کتاب جامع و کاربردی در نشانی drjk.ir/ai-sugarcane در دسترس است.
