مجموعة بيانات مفتوحة لأرصفة نهر اليانغتسي معتمدة على OSM وصور جوجل الفضائية (2024)

لماذا تهم الأرصفة النهرية الحياة اليومية

على ضفاف الأنهار الكبرى، تحافظ الأرصفة بهدوء على حركة الاقتصادات المحلية. إنها المواقع التي تُحمَّل وتُفرَّغ فيها المنتجات الزراعية ومنتجات المصانع والسلع اليومية، وتربط البلدات الصغيرة بالتجارة الوطنية والعالمية. ومع ذلك، رغم أهميتها، فإن العديد من هذه الأرصفة النهرية غير مُحدَّدة بشكل كافٍ على الخرائط، ما يصعّب على المخططين ومديري البيئة وفرق الاستجابة للطوارئ فهم الصورة الكاملة. تبني هذه الدراسة أول خريطة مفتوحة ومفصلة لآلاف الأرصفة الداخلية على طول نهر اليانغتسي في الصين، باستخدام خرائط وصور فضائية متاحة مجاناً على الإنترنت ليتمكن أي شخص من استكشاف هذه البنية التحتية الحيوية وتحليلها.

نظرة مقربة على نهر عملاق

يُعد نهر اليانغتسي ثالث أطول نهر في العالم وأكثر الطرق المائية الداخلية ازدحاماً في الصين، ويدعم أكثر من 40% من الناتج الاقتصادي للبلاد. على طوله العلوي والوسطي والسفلي تقع أرصفة لا تُحصى بأشكال وأحجام متنوعة. يركّز الباحثون على نوعين رئيسيين: الأرصفة العائمة التي تطفو على الماء وتتصل بالشاطئ بمنحدرات، والأرصفة الرأسية المبنية كمنصات صلبة مدعومة بأعمدة خرسانية. إن رسم خرائط هذه المنشآت بشكل موحّد ليس مجرد تمرين رسم خرائط؛ بل هو أساس لفهم كيف تُرتّب التجارة والصناعة والمجتمعات على طول هذا النظام النهري الشاسع.

تحويل خرائط المتطوعين وصور الفضاء إلى بيانات

للبحث عن الأرصفة بكفاءة على طول نهر طويل كهذا، جمع الباحثون مصدرين مجانيين للبيانات: OpenStreetMap، حيث يرسم متطوعون من حول العالم ميزات مثل الأرصفة والرصيف، وصور جوجل الفضائية عالية الدقة التي تُظهر الأشكال الفعلية على الأرض (أو الماء). استخرجوا أولاً كل مواقع الأرصفة المرشَّحة من OpenStreetMap باستخدام الوسوم القياسية. حول كل موقع من هذه المواقع، أنشأوا مناطق مربعة صغيرة وحملوا صوراً فضائية مفصّلة. ثم قام المعلّقون البشر برسم مربعات حول الأرصفة المرئية ووضعوا وسمًا يحدد ما إذا كانت عائمة أم رأسية، مع استبعاد السفن والبنى المساعدة القريبة بعناية. نتج عن ذلك مجموعة مُنقّحة مكوّنة من 2,717 رصيفاً مؤكداً يمكن استخدامها لتعليم الحاسوب شكل الأرصفة الداخلية من الفضاء.

تعليم الحواسيب اكتشاف الأرصفة الصغيرة

مع توفر مجموعة التدريب هذه، قيّم الفريق ثمانية إصدارات من نهج شائع في الذكاء الاصطناعي لاكتشاف الأشياء يعرف باسم عائلة YOLO. تفحص هذه النماذج الصور بحثاً عن نماذج تطابق الأمثلة المقدمة وتعيد المواقع المحتملة لأشياء مشابهة. بدا أن نموذج YOLOv5 الأبسط يعمل أفضل من الإصدارات الأحدث والأكثر تعقيداً، لا سيما بالنظر إلى العدد المحدود من أمثلة التدريب والأشكال غير المنتظمة للأرصفة. ومع ذلك، كان هناك تحدٍ كبير: في الصور الفضائية، قد تشبه الأرصفة العائمة السفن الراسية. لتقليل الالتباس، ابتكر الباحثون استراتيجية متعددة المقاييس، حيث أجرو عمليات كشف على شبكات صور أصغر وأكبر ومطابَقة النتائج. عندما ظهر الكشف باستمرار على كلا المقياسين، كان من الأرجح أن يكون رصيفاً حقيقياً وأقل احتمالاً أن يكون سفينة أو ضوضاء.

بناء خريطة موثوقة لآلاف الأرصفة

باستخدام النموذج الأفضل أداءً والنهج متعدد المقاييس، اكتشفت الدراسة 3,562 رصيفاً على طول اليانغتسي — 2,738 عائماً و824 رأسياً. يوفّر المؤلفون منتجين بيانات مكملين: مربعات مستطيلة بسيطة تُظهر موقع كل رصيف، وحدود أكثر تفصيلاً تتتبّع الأشكال الفعلية للأرصفة. للتحقق من موثوقية هذه الحدود، أعاد مساحون محترفون رسم عيّنة من حدود الأرصفة بشكل مستقل من نفس الصور الفضائية. طابقت نتائجهم مجموعة البيانات عن قرب، مما يشير إلى دقة عالية. في الاختبارات الرسمية، حقّق الأسلوب درجات مرتفعة لكل من عدد الأرصفة الحقيقية المكتشفة وقلة الإيجابيات الخاطئة التي أبلغ عنها، مؤكداً أن هذه ليست مجرد صورة تقريبية بل خريطة قوية.

ماذا يعني هذا للأنهار والتجارة والبيئة

من خلال تحويل إدخالات خرائط المتطوعين المتفرقة والصور الفضائية الخام إلى مجموعة بيانات مفتوحة ونظيفة، يقدّم هذا العمل للمخططين والاقتصاديين والعلماء البيئيين عدسة جديدة قوية على نهر اليانغتسي. يمكن استخدام البيانات لرؤية أماكن تجمع الأرصفة، ومدى عدالة توزيع البنية التحتية، وكيف ترتبط مواقع الأرصفة بالاقتصادات المحلية وجودة المياه. كما يمكن أن تساعد في نمذجة كيف قد تتسبب اضطرابات في أرصفة معينة في تداعيات عبر شبكة الشحن الأوسع. رغم أن مجموعة البيانات هذه تركز على نهر واحد، يمكن تطبيق الوصفة نفسها — الجمع بين بيانات مرسومة من المواطنين وصور عالية الدقة وتقنيات كشف ذكية — على أنظمة نهرية حول العالم. ببساطة، تُظهر الدراسة كيف يمكننا استخدام أدوات رقمية عالمية مجانية لجعل أجزاء خفية من شبكات النقل لدينا مرئية وقابلة للقياس وأسهل في إدارتها بمسؤولية.

الاستشهاد: Zhou, Q., Ren, F., Zhang, H. et al. An Open Dataset of Yangtze River Docks Based on OSM and Google Satellite Imagery (2024). Sci Data 13, 645 (2026). https://doi.org/10.1038/s41597-026-06901-4

الكلمات المفتاحية: نهر اليانغتسي, أرصفة داخلية, صور فضائية, OpenStreetMap, بنية تحتية للموانئ