DOI: https://doi.org/10.1038/s41559-025-02955-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41593186
تاريخ النشر: 2026-01-27
المؤلف: A. S. MacDougall وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
الطرق
قسم “الطرق” يوضح التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث قاموا بتوظيف التحليلات الإحصائية لتقييم البيانات المجمعة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج ذات الأهمية.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية سهلت تطبيق اختبارات إحصائية متنوعة، مثل اختبارات t وANOVA، لتحديد دلالة النتائج. يبرز القسم أهمية القابلية للتكرار والشفافية في الطرق المستخدمة، مما يسمح بالتحقق المحتمل من قبل الدراسات المستقبلية.
النتائج
تسلط نتائج هذه الدراسة الضوء على التباينات الكبيرة في تقديرات تغطية المراعي المستمدة من منتجات تغطية الأراضي المستشعرة عن بُعد عالية الدقة، مع معدلات تصنيف خاطئ تتجاوز 15% اعتمادًا على المنتج ونوع الخطأ. كشفت التحليلات أن مدى المراعي المقدرة اختلف بملايين الكيلومترات المربعة بين ثلاثة منتجات مختلفة استنادًا إلى صور الأقمار الصناعية Sentinel، مما يبرز حساسية تقديرات تغطية الأراضي لتعريفات التصنيف. حقق المنتج الأكثر دقة، WC، دقة إجمالية تبلغ 74.1% للميزات المراعية وغير المراعية، بينما أظهرت LC وDW دقة أقل، خاصة في اكتشاف المراعي. تؤكد الدراسة على الدور الحاسم للبيانات الميدانية المحلية في تحسين دقة تقديرات الاستشعار عن بُعد، حيث يمكن أن يؤدي الاعتماد فقط على هذه المنتجات إلى تقديرات مفرطة أو ناقصة بشكل كبير لمساحة المراعي.
تشير النتائج أيضًا إلى أن التعريفات المستخدمة لتصنيف المراعي تسهم في أخطاء كبيرة، خاصة عندما يتم استبعاد المناطق ذات تغطية الأشجار من تصنيفات المراعي. هذا الخطأ التعريفي، جنبًا إلى جنب مع عدم دقة التصنيف، يعقد تقدير مخزونات الكربون (C) في المراعي وإسهاماتها المحتملة في التقاط الكربون العالمي. التقدير المصحح لتغطية المراعي العالمية هو حوالي 30.1 مليون كيلومتر مربع، أو 22.8% من سطح الأرض، وهو أقل بكثير من العديد من الأرقام التي يتم الاستشهاد بها على نطاق واسع. تدعو الدراسة إلى إعادة تقييم تعريفات المراعي وتبرز أهمية دمج المعرفة المحلية مع تقنيات الاستشعار عن بُعد لتعزيز دقة تقييمات الاستدامة وإبلاغ القرارات السياسية المتعلقة بإدارة المراعي والحفاظ عليها.
المناقشة
في هذا القسم، قام المؤلفون بتحليل ثلاث مجموعات بيانات عالية الدقة لاستخدام الأراضي وتغطية الأراضي (LULC) – تغطية العالم (WC)، تغطية الأراضي من ESRI (LC)، والعالم الديناميكي (DW) – جميعها مستمدة من صور الأقمار الصناعية Sentinel ولكن باستخدام منهجيات مختلفة. تم الوصول إلى مجموعات البيانات عبر Google Earth Engine (GEE)، حيث استخدم WC نمذجة الغابات العشوائية وبيانات التدريب الخاصة به، بينما اعتمدت LC وDW على نماذج التعلم العميق ومجموعات بيانات التدريب المشتركة. أجرى المؤلفون تحليلًا مقارنًا لهذه المجموعات للسنوات 2020-2021، مع التركيز على تقدير الخطأ والتحقق من خلال جهد مجتمعي يضم 157 خبيرًا في المراعي عبر 60 دولة. كان الهدف من هذا التحقق هو تعزيز دقة تحديد أنواع تغطية المراعي وغير المراعي، مستفيدين من المعرفة المحلية لتقليل التحيز في تقييم دقة التصنيف.
نفذ الباحثون نهجًا هيكليًا في أخذ العينات، حيث قاموا بالتحقق من وحدات أخذ عينات ثانوية (SSU) بحجم 10 م × 10 م ضمن إطار عمل وحدات أخذ عينات أولية (PSU). تأكدوا من التوافق المكاني بين مجموعات البيانات من خلال إعادة الإسقاط واختيار مواقع إضافية ضمن دائرة نصف قطرها 5 كم من المواقع الأساسية لالتقاط التباين في دقة الخرائط. أكدت معايير الاختيار على الشمولية عبر أنواع المراعي وتواريخ الإدارة، وهو ما كان حاسمًا لتقليل التحيز في الاختيار. شمل عملية التحقق توضيح الخبراء لصور الأقمار الصناعية عالية الدقة، تلاها تنظيف البيانات وتحليلها باستخدام R لتقييم دقة منتجات LULC مقابل تصنيف الخبراء المرجعي. كما قام المؤلفون بحساب تقديرات مصححة لمساحة المراعي العالمية بناءً على دقة كل منتج LULC، مما يبرز أهمية التحقق الدقيق في تطبيقات الاستشعار عن بُعد لتخطيط تغطية الأراضي.
DOI: https://doi.org/10.1038/s41559-025-02955-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41593186
Publication Date: 2026-01-27
Author(s): A. S. MacDougall et al.
Primary Topic: Remote Sensing in Agriculture
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using software tools that facilitated the application of various statistical tests, such as t-tests and ANOVA, to determine the significance of the findings. The section emphasizes the importance of replicability and transparency in the methods used, allowing for potential verification by future studies.
Results
The results of this study highlight significant discrepancies in grassland coverage estimates derived from high-resolution remotely sensed land cover products, with misclassification rates exceeding 15% depending on the product and error type. The analysis revealed that the estimated extent of grassland varied by millions of square kilometers among three different products based on Sentinel satellite imagery, underscoring the sensitivity of land cover estimates to classification definitions. The most accurate product, WC, achieved an overall accuracy of 74.1% for grassland and non-grassland features, while LC and DW exhibited even lower accuracies, particularly in detecting grassland. The study emphasizes the critical role of local field data in improving the accuracy of remote sensing estimates, as reliance solely on these products can lead to substantial over- or underestimations of grassland area.
The findings also indicate that the definitions used to classify grasslands contribute to significant errors, particularly when areas with tree cover are excluded from grassland classifications. This definitional error, combined with classification inaccuracies, complicates the estimation of grassland carbon (C) stocks and their potential contributions to global carbon capture. The corrected estimate for global grassland coverage is approximately 30.1 million km², or 22.8% of the terrestrial land surface, which is considerably lower than many widely cited figures. The study calls for a reevaluation of grassland definitions and highlights the importance of integrating local knowledge with remote sensing technologies to enhance the accuracy of sustainability assessments and inform policy decisions regarding grassland management and conservation.
Discussion
In this section, the authors analyzed three high-resolution land use and land cover (LULC) datasets—World Cover (WC), ESRI’s Land Cover (LC), and Dynamic World (DW)—all derived from Sentinel satellite imagery but employing different methodologies. The datasets were accessed via Google Earth Engine (GEE), with WC utilizing random-forest modeling and its own training data, while LC and DW relied on deep learning models and shared training datasets. The authors conducted a comparative analysis of these datasets for the years 2020-2021, focusing on error estimation and validation through a community-based effort involving 157 grassland experts across 60 countries. This validation aimed to enhance the accuracy of identifying grassland and non-grassland cover types, leveraging local knowledge to minimize bias in the assessment of classification accuracy.
The researchers implemented a structured sampling approach, validating 10 m × 10 m secondary sampling unit (SSU) pixels within a primary sampling unit (PSU) grid framework. They ensured spatial agreement among the datasets by aligning them through reprojection and selecting additional sites within a 5 km radius of core locations to capture variability in mapping accuracy. The selection criteria emphasized inclusivity across grassland types and management histories, which was crucial for minimizing selection bias. The validation process involved expert annotation of high-resolution satellite imagery, followed by data cleaning and analysis using R to assess the accuracy of the LULC products against the expert reference classification. The authors also calculated corrected estimates of global grassland area based on the accuracy of each LULC product, highlighting the importance of rigorous validation in remote sensing applications for land cover mapping.