خرائط سطحية معززة بدقة 30 م للأسطح غير المسامية في الصين (2020، 2022) عبر دمج بيانات 2 م/30 م

أماكن مرصوفة لا تراها من على الأرض

تغيّر المدن والطرق المشهد الطبيعي في الصين بوتيرة مذهلة، لكن من على الأرض يصعب إدراك حجم الأراضي المغطاة بالخرسانة والأسفلت وأسقف المباني. يقدم هذا البحث خريطة جديدة ومفصّلة للغاية توضح مواقع هذه الأسطح «غير المسامية» عبر شبه كامل البر الرئيسي للصين لعامَي 2020 و2022. ولأن هذه الأسطح الصلبة تؤثر في الفيضانات وموجات الحر والتلوّث وحتى مواقع تركيب الألواح الشمسية، فإن امتلاك صورة وطنية دقيقة يهمّ علماء المناخ ومخططي المدن ومالكي المنازل على حد سواء.

لماذا يهمّ سطح الأرض الصلب

الأسطح غير المسامية هي الأماكن التي لا يتسرب فيها ماء الأمطار إلى التربة—فكر بالطرق السريعة ومواقف السيارات والساحات الصناعية والأحياء المكتظة. مع توسع المدن، تنمو هذه المناطق، ما يسرع جريان العواصف ويزيد خطر الفيضانات ويحبس الحرارة ويقلص المواطن النباتية والحيوانية. تعتمد العديد من النماذج الحاسوبية التي تتنبأ بتخزين الكربون ودورات المياه وتدفّق المغذيات على خرائط تغطية الأرض. وإذا قللت الخرائط من تقدير المناطق المبنية أو أخطأت في موقعها، يمكن أن تصبح نتائج تلك النماذج غير دقيقة إلى حد كبير. كثير من منتجات تغطية الأرض العالمية تجمع العديد من المناطق المتصنّعة في فئة واسعة واحدة وتميل إلى إغفال القرى الصغيرة والطرق الضيقة والمناطق المختلطة حيث تتداخل المباني والأراضي المكشوفة—وهي ميزات شائعة خصوصًا في الصين.

دمج الرؤية الحادة مع المشهد الكبير

عالج المؤلفون هذه الثغرات بدمج نوعين من بيانات الأقمار الصناعية. توفّر صور عالية الوضوح بدقة 2 متر من أقمار غاوفن وزيوان تفاصيل تشبه مستوى الشارع، بينما تغطي صور لاندسات بدقة 30 مترًا وبيانات الارتفاع البلد بأكمله بشكل متسق. قاموا أولاً ببناء فسيفساء خالية من السحب للمشاهد ذات الدقة 2 متر لعامَي 2020 و2022، ثم دمجوها مع مركبات سنوية من نطاقات لاندسات المرئية وتحت الحمراء بالإضافة إلى معلومات التضاريس. ولتدريب نموذجهم، صمموا استراتيجية عيّنة ذكية: باستخدام مفهوم من نظرية المعلومات يُدعى إنتروبيا شانون، اختاروا مناطق تحتوي على خليط متنوع من أنواع الأراضي ومراحل التطور العمراني، لضمان أن الأمثلة التي تُزَوَّد إلى الخوارزمية تعكس كل شيء من بلدات صحراوية إلى مدن ساحلية ضخمة.

تعليم الحاسوب قراءة المشهد

من هذه النقاط المختارة بعناية، فحص خبراء رقميًّا شرائح الصور عالية الدقة وعَلّموا 200,000 موقع عيّنة إلى أربع فئات عامة: الأسطح غير المسامية، والغطاء النباتي، والمياه، والأرض العارية أو غيرها. ومن المهم أنهم لم يتخلّوا عن البكسلات «المختلطة» المربكة حيث تحتوي مساحة 30 مترًا، على سبيل المثال، على مبانٍ وأشجار معًا؛ بل أبقوها وقاموا بتعديل تأثيرها أثناء التدريب، لأن البكسلات المختلطة شائعة في المدن الحقيقية. ثم بنى الفريق نظام تعلم عميق ثنائي الفرع. أحد الفروع، المبني على شبكة متبقية من 50 طبقة، تعلّم الأنماط مباشرة من رقع الصور، بينما عمل الفرع الآخر على معالجة بيانات رقمية بسيطة مثل انعكاس لاندسات والتضاريس. ودمج النموذج كلا السيلين لاتخاذ قرار أي من الفئات الأربع ينتمي إليه كل بكسل بحجم 30 مترًا على الأرجح.

التكيّف مع بلد شاسع ومتنوع

تتنوع مناظر الصين من سهول ساحلية رطبة إلى صحارى وهضاب عالية، وتبدو المستوطنات البشرية مختلفة جدًا في كل منها. لمواجهة ذلك، قسّم الباحثون أولًا البلاد إلى خمس مناطق واسعة—هضاب، مناطق جافة، سهول، تلال، وجبال—باستخدام المناخ والتضاريس وظروف السحب وإحصاءات تغطية الأرض الموجودة. ثم درّبوا عدة إصدارات من النموذج، كل واحد موزون ليؤدي أفضل في منطقة واحدة بالإضافة إلى نموذج وطني عام. أثناء إعداد الخرائط، قيّموا أي إصدار عمل أفضل داخل كل خلية شبكية بزاوية درجة واحدة (بحجم محافظة صغيرة تقريبًا) باستخدام بيانات التحقق، واختروا محليًا ذلك النموذج. حسّن هذا النهج التكيفي الإقليمي الأداء بشكل كبير، خاصة في المناطق الغربية الصعبة حيث قد تبدو الأسطح المبنية طيفيًا شبيهة بالتربة العارية.

ما مدى جودة الخريطة الجديدة؟

تُقدَّم منتجات تغطية الأسطح غير المسامية للصين لعامَي 2020 و2022 كملفات مقطعية سهلة الاستخدام بدقة 30 مترًا، مع وسم كل بكسل كغير مسامي أو غطاء نباتي أو ماء أو أرض عارية. عند اختبارها مقابل نقاط مُوسومة بخبرة مستقلة، حققت خريطة 2020 درجة F1-عالية جدًا—مقياس دقة إجمالي—بنحو 0.94 للأسطح غير المسامية، متفوّقة بشكل كبير على ثلاث منتجات عالمية مستخدمة على نطاق واسع. تُظهر المقارنات البصرية عبر سبع مناطق متباينة أن مجموعة البيانات الجديدة تلتقط شبكات طرق دقيقة، وقُرى ريفية متناثرة، ومستوطنات منخفضة الكثافة التي غالبًا ما تغفلها منتجات أخرى، بينما تتجنّب في الوقت نفسه بقعًا كاذبة كبيرة في الصحارى والجبال العالية والأراضي الرطبة. يشير المؤلفون إلى قضايا متبقية، مثل فجوات بيانات صغيرة على حواف بعض مشاهد الأقمار الصناعية والصعوبة الجوهرية للبكسلات المختلطة، لكنهم يوضحون خططًا لتقليل هذه المشكلات في أعمال مستقبلية.

ماذا يعني هذا لحياة الناس اليومية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أننا أصبحنا نمتلك الآن واحدة من أكثر الصور موثوقية وتفصيلاً حتى الآن لمواقع تشديد الأرض بفعل بناء الإنسان في الصين، لسنتين حديثتين. يمكن أن تُستخدم هذه الخريطة في تحسين تقييمات مخاطر الفيضانات، والنمذجة الأكثر واقعية لمناخ المدن وجودة الهواء، وتحديد مواقع أكثر حكمة للألواح الشمسية على الأسطح، والتخطيط الأكثر اطلاعًا للبُنى التحتية الجديدة. باختصار، من خلال تعليم الحواسيب قراءة صور الأقمار الصناعية بذكاء أكبر وتكييفها مع تنوّع المناظر الطبيعية في الصين، يقدّم البحث أداة قوية لفهم سرعة تغيير البلاد للتربة والغطاء النباتي إلى خرسانة—وماذا يعني ذلك للناس والبيئة.

الاستشهاد: Yin, R., He, G., Wang, G. et al. Enhanced 30 m Impervious Surfaces for China (2020, 2022) via 2 m/30 m Data Fusion. Sci Data 13, 297 (2026). https://doi.org/10.1038/s41597-026-06619-3

الكلمات المفتاحية: التحضّر, الأسطح غير المسامية, الاستشعار عن بُعد, تصنيف غطاء الأرض, الصين