يُعدُّ المراقبة اللحظية لنمو المحاصيل على مستوى القطع الزراعية مفتاحًا للزراعة الدقيقة. ومع ذلك، فإن مراقبة الاستشعار عن بُعد عبر الأقمار الصناعية تغطي نطاقًا واسعًا لكنها تتأثر بالطقس ودقة الفضاء، والطائرات بدون طيار تتمتع بدقة مكانية عالية لكنها محدودة من حيث مدة الطيران، ما يجعل من الصعب تلبية متطلبات المراقبة المستمرة على نطاق واسع باستخدام مصدر بيانات واحد. لمواجهة هذه المشكلة، تعتمد هذه الدراسة على بيانات متعددة الأطياف من UAV وSentinel-2 وPlanetScope SuperDove، وتقترح طريقة دمج زمانية ومكانية عبر منصات مبنية على خوارزمية CACAO المحسنة. تبني الطريقة استراتيجيتين لتركيب البيانات هما "UAV+Sentinel-2" و"SuperDove+Sentinel-2+UAV"، ومن خلال وضعيتين هما التنبؤ الأمامي والتحديث الخلفي، تقوم بإنتاج مجموعة بيانات سلسلة زمنية لمؤشر الغطاء النباتي الطبيعي (NDVI) بدقة متر واحد يوميًا. كما تستخدم الدراسة التحقق المتقاطع بطريقة إبقاء واحد خارج (LOOCV)، وتقارن مع خوارزمية GLM-STF القائمة على نموذج خطي عام للدمج الزماني المكاني، لتقييم دقة النتائج. أظهرت النتائج: (1) بيانات NDVI من منصات مختلفة تتمتع باتساق جيد، حيث تبلغ ارتباط NDVI بين Sentinel-2 وSuperDove 0.97، وارتباط NDVI بين الطائرات بدون طيار والأقمار الصناعية يفوق 0.75، ما يلبي شرط دمج البيانات؛ (2) تستطيع خوارزمية CACAO إعادة بناء الديناميكيات الفينولوجية للأرز بشكل فعال، حيث أن السلاسل الزمنية لمؤشر NDVI المنتجة بوضعية التحديث الخلفي أكثر سلاسة، وكلا استراتيجيتَي تركيب البيانات بناءً على CACAO تحقق دقة عالية (R > 0.94)، ويمكن لاستعمال بيانات SuperDove ذات الدقة الزمنية العالية خلال فترة الفينولوجيا الحرجة تحسين الدقة من 0.51 إلى 0.67؛ (3) تظهر خوارزمية CACAO مزايا دقة أعلى وأكثر استقرارًا مقارنة بخوارزمية GLM-STF طوال موسم النمو. بوجه عام، يثبت إطار الدمج عبر المنصات المقترح في هذه الدراسة قدرته على توليد سلسلة زمنية متصلة ودقيقة لمؤشر NDVI للأرز على مستوى القطع الزراعية، مما يوفر دعمًا تقنيًا قوياً للمراقبة الدقيقة وإدارة النمو النباتي.

PlanetScope;القمر الصناعي Sentinel-2;دمج البيانات الزمانية والمكانية;مراقبة النمو;الزراعة الدقيقة;مستوى القطع الزراعية;المنحنى الفينولوجي;المراقبة اللحظية