BarkVisionAI: مجموعة بيانات جديدة للتعرف السريع على أنواع الأشجار

لماذا لحاء الأشجار وكاميرات الهواتف مهمان

عندما نسير في غابة، نميل إلى ملاحظة الأوراق أو الأزهار أو الأكواخ الشاهقة. لكن في كثير من فترات السنة — أو في الغابات المظلمة والكثيفة — قد تغيب تلك الدلائل. تُظهر هذه الدراسة أن الجلد الخشن والمرقّط للأشجار — لحاؤها — إلى جانب كاميرات الهواتف الذكية الشائعة والذكاء الاصطناعي الحديث، يمكن أن يتحول إلى أداة قوية لتحديد أنواع الأشجار بسرعة ومتابعة صحة الغابات عبر الهند وربما العالم.

طريقة جديدة لرؤية الغابات

سعى الباحثون وراء BarkVisionAI لسد فجوة كبيرة في كيفية تمييزنا للأشجار. تركز معظم مجموعات الصور الحالية لتحديد الأشجار على الأوراق أو أجزاء مرئية أخرى، والمجموعات القليلة التي تركز على اللحاء غالبًا ما تكون صغيرة، من مناطق محدودة، ومصوّرة في ظروف متشابهة تقريبًا. وهذا يجعل من الصعب على نماذج الحاسوب المدربة عليها العمل في غابات حقيقية وفوضوية. تغير BarkVisionAI ذلك من خلال تجميع 156001 صورة لِلحاء 13 نوعًا مهمًا من الأشجار عبر أنواع غابات ومناطق إيكولوجية متنوعة في الهند. كل صورة أكثر من مجرد صورة: فهي مرتبطة بمعلومات دقيقة عن الموقع والوقت والكاميرا، مما يخلق موردًا غنيًا لكل من علم البيئة والذكاء الاصطناعي.

كيف جُمِعت الصور

تطلب جمع هذا العدد الكبير من الصور المفيدة تعاونًا وثيقًا مع موظفي الغابات وعمل ميداني مخصص في ولايتين هنديتين، هي هيماشال براديش وأوديشا، اللتان تغطيان معًا ثمانية أنواع غابات رئيسية وتسع مناطق إيكولوجية. تم تدريب حراس الغابات والضباط على استخدام منصة رقمية لجمع البيانات على هواتفهم، وتعلموا كيفية الوقوف على مسافة محددة من الجذع، وإمساك الكاميرا عموديًا على اللحاء، وتسجيل المواقع بدقة. جرى جمع البيانات من يناير إلى ديسمبر 2024، وشملت مواسم الجفاف والموسم الموسمي والشتاء. التُقطت الصور صباحًا وظهرًا ومساءً، وتحت إضاءات وأحوال جوية مختلفة، وباستخدام 315 طراز كاميرا مميزة من 20 مصنعًا. هذه التباينات المقصودة تضمن أن تعكس مجموعة البيانات تحديات العالم الواقعي عند العمل في الغابات بدلاً من ظروف مختبرية مُسيطر عليها.

تحويل الواقع الفوضوي إلى اختبار عادل

تُدخل الغابات الحقيقية العديد من الانحيازات الدقيقة: قد تُصور إحدى الأنواع غالبًا بكاميرا هاتف محدد، أو في وقت معين من اليوم، أو على ارتفاع معين. قد "يغش" نموذج الذكاء الاصطناعي الساذج بتعلّم هذه الاختصارات بدلًا من أنماط اللحاء الحقيقية. لتجنّب هذا الفخ، صمم الفريق عملية اختيار دقيقة. من المجموعة الكاملة شكلوا مجموعة فرعية متوازنة مكونة من 36400 صورة، بواقع 2800 صورة لكل نوع. وُزعت صور كل نوع عبر مستويات ارتفاع ومواسم وحالات الأوراق (سواء كانت المظلة الخضراء ممتلئة أو خالية) وأوقات النهار ونماذج الكاميرات. جُمعت هذه العوامل في شبكة دقيقة، وتم أخذ عينات من الصور بحيث لا يسود ظرف إضاءة أو جهاز أو ارتفاع واحد. النتيجة ليست مجرد مجموعة بيانات كبيرة، بل واحدة مصممة لدفع أنظمة الذكاء الاصطناعي للتركيز على اللحاء نفسه.

اختبار الذكاء الاصطناعي

بوجود هذه المجموعة المتوازنة، درّب الباحثون عدة نماذج شهيرة للتعرف على الصور، بما في ذلك شبكات عصبية تلافيفية معروفة ونموذج "محول الرؤية" العصري. أعيد تحجيم جميع الصور إلى أبعاد معيارية، ثم قسموها إلى مجموعات تدريب وتحقق واختبار. من بين النماذج، قدمت شبكة تُعرف باسم ResNet50 أفضل أداء، حيث حدّدت الأنواع بشكل صحيح لحوالي 87٪ من صور الاختبار. أظهر تحليل أعمق أن الدقة تراجعت تحت ظروف أصعب — خاصة في ضوء المساء المنخفض وفي الارتفاعات الأعلى حيث تكون البيئات أكثر تعقيدًا. أكّدت هذه الأنماط أن الإضاءة والموسم والارتفاع عقبات حقيقية أمام الذكاء الاصطناعي، وأن التحكم في هذه العوامل داخل مجموعة البيانات كان ضروريًا لإبراز الأماكن التي تكافح فيها النماذج فعلاً.

ماذا يعني هذا للغابات والأدوات المستقبلية

تُظهر BarkVisionAI أن أدوات يومية — هاتف ذكي ونزهة في الغابة — يمكن أن تغذي نظامًا متقدمًا للتعرف السريع على الأشجار. لخبراء الحفظ ومديري الغابات، يفتح هذا الباب أمام رسم خرائط أسرع للأنواع، وتعقب أفضل للتنوع البيولوجي، ومراقبة أكثر توقيتًا للتغيرات البيئية. وللباحثين في الذكاء الاصطناعي، تمثل مجموعة البيانات معيارًا صارمًا يلتقط الخَشْنات الظرفية والفصول المتغيرة والأجهزة المتنوعة، مما يبرز أن التعرف عبر اللحاء بعيد عن أن يكون مسألة محلولة. الرسالة الرئيسية للدراسة لغير المتخصصين واضحة: من خلال تصميم دقيق للبيانات والخوارزميات، يمكننا تعليم الآلات قراءة القصص المكتوبة في لحاء الأشجار، مما يساعدنا على فهم الغابات وحمايتها بكفاءة أكبر.

الاستشهاد: Chhatre, A., Saini, N., Parmar, A.K. et al. BarkVisionAI: Novel dataset for rapid tree species identification. Sci Data 13, 343 (2026). https://doi.org/10.1038/s41597-026-06711-8

الكلمات المفتاحية: تحديد الأشجار, مراقبة الغابات, التنوع البيولوجي, رؤية الحاسوب, غابات الهند