يُعتبر المراقبة الفورية لحالة نمو المحاصيل على مستوى القطع الزراعية أمرًا أساسيًا للزراعة الدقيقة. ومع ذلك، فإن المراقبة عبر الاستشعار عن بعد بواسطة الأقمار الصناعية تغطي نطاقًا واسعًا لكنها تتأثر بالطقس ودقة الفضاء، والطائرات بدون طيار تتمتع بدقة مكانية عالية ولكن محدودة بالقدرة على التحمل، مما يجعل من الصعب تلبية احتياجات المراقبة المستمرة على نطاق واسع باستخدام مصدر بيانات واحد فقط. لحل هذه المشكلة، قدمت هذه الدراسة طريقة دمج زماني مكاني متعددة المنصات تستند إلى بيانات متعددة الطيف من UAV، Sentinel-2 وPlanetScope SuperDove باستخدام خوارزمية CACAO المحسنة. أنشأت الطريقة استراتيجيتين لدمج البيانات هما "UAV+Sentinel-2" و"SuperDove+Sentinel-2+UAV"، ومن خلال التنبؤ الأمامي والتحديث الخلفي تم توليد مجموعة بيانات متسلسلة لمؤشر الغطاء النباتي الطبيعي (NDVI) بدقة 1 متر يوميًا وقريبة من الوقت الحقيقي. بالإضافة إلى ذلك، تم استخدام طريقة التحقق المتقاطع ترك واحد (LOOCV) ومقارنتها مع خوارزمية GLM-STF القائمة على نموذج خطي معمّم لدمج البيانات الزمنية المكانية لتقييم دقة الدمج. أوضحت النتائج: (1) بيانات NDVI من المنصات المختلفة متناسقة جيدًا، حيث بلغ ارتباط NDVI بين Sentinel-2 وSuperDove 0.97، فيما تجاوز ارتباط NDVI بين الطائرات بدون طيار والأقمار الصناعية 0.75، مما يلبي متطلبات دمج البيانات؛ (2) تمكنت خوارزمية CACAO من إعادة بناء ديناميات النبات في الأرز بفعالية، حيث كانت سلسلة NDVI الزمنية الناتجة عن وضع التحديث الخلفي أكثر سلاسة، وحصلت كلتا الاستراتيجيتين على دقة عالية (R > 0.94)، مع إدخال بيانات SuperDove عالية الدقة الزمنية خلال الفترات الحرجة مما حسن الدقة من 0.51 إلى 0.67؛ (3) أظهرت خوارزمية CACAO استقرارًا أفضل ودقة أعلى قليلاً مقارنة بخوارزمية GLM-STF على مدار موسم النمو الكامل. في الختام، يوفر إطار الدمج متعدد المنصات المقترح توليدًا مستمرًا وعالي الدقة لسلاسل NDVI للأرز على مستوى القطع الزراعية، مما يدعم المراقبة الدقيقة للنمو والإدارة الذكية للمحاصيل.

PlanetScope; Sentinel-2; دمج البيانات الزمانية المكانية; مراقبة النمو; الزراعة الدقيقة; مستوى القطع الزراعية; منحنى الطور النباتي; المراقبة شبه الفورية