مجموعة بيانات استشعار عن بعد جاهزة للذكاء الاصطناعي لرسم خرائط الاضطراب الغابي بدقة عالية

لماذا تهم الغابات المتضررة الجميع

في أنحاء أوروبا، تواجه الغابات ضغوطًا متزايدة من الجفاف والعواصف والحشرات وقطع الأشجار. قد تتطور هذه التغيرات في رقع صغيرة يصعب رصدها من الأرض، لكنها تؤثر على كل شيء من مشهد مسارات التنزه إلى مخزون الكربون والمناخ المحلي. تقدم هذه الدراسة مجموعة بيانات مفتوحة جديدة تحول الصور الجوية فائقة الدقة للغابات الألمانية إلى وقود للذكاء الاصطناعي، مما يسهل كثيرًا اكتشاف مكان وكيفية ولماذا تتعرض الغابات للضرر.

رؤية الغابات من الأعلى بتفاصيل دقيقة

تركز الدراسة على راينلاند-بالاتينات، ولاية كثيفة الغابات في غرب ألمانيا شهدت تراجعًا شديدًا في الأشجار خلال العقود الأخيرة، لا سيما شجرة التنوب. بدل الاعتماد على صور الأقمار الصناعية الشائعة التي تُبَسِّط سطح الأرض إلى بكسلات بحجم 10–30 مترًا، استخدم المؤلفون صورًا جوية بدقة 20 سنتيمترًا فقط — حادة بما يكفي لتمييز تيجان الأشجار الفردية والفجوات الضيقة. تُقَطَّع كل مشهد جوي كبير إلى مربعات معيارية بحجم 100×100 متر، مكوِّنة مجموعة تقارب 17,500 قطعة صورة. تتيح هذه النظرة الدقيقة رسم رقع الاضطراب الصغيرة وغير المنتظمة، التي غالبًا ما تفوتها أجهزة الاستشعار الخشنة، بدقة أعلى بكثير.

إضافة ألوان غير مرئية وارتفاع الغابة

تتجاوز مجموعة البيانات حفظ الصور الملونة العادية. يحمل كل مربع خمس طبقات من المعلومات: الأحمر والأخضر والأزرق والضوء القريب من تحت الحمراء، وتقدير لارتفاع الأجسام. يكشف القريب من تحت الأحمر مدى نشاط التركيب الضوئي للنباتات، مما يجعل الأشجار المتضررة أو الميتة تبرز مقابل السليمة. تُظهِر طبقة الارتفاع، التي أنشئت بدمج نماذج السطح الرقمي والارتفاع الأرضي، مدى ارتفاع الأجسام، مما يساعد على تمييز الأشجار الواقفة عن مناطق القطع الكامل أو الجذوع الساقطة. معًا، تلتقط هذه الطبقات كلًا من «لون» و«شكل» تاج الغابة، مما يزوّد نماذج الذكاء الاصطناعي بالدلائل اللازمة لتمييز أنواع الاضطراب المختلفة.

تحويل المعرفة الخبيرة إلى بيانات تدريب

تُعَد بيانات التدريب عالية الجودة عنق زجاجة للكثير من مشاريع الذكاء الاصطناعي، ومراقبة الغابات ليست استثناءً. لتوسيم الصور، جمع الفريق سجلات الاضطراب الميدانية من منتزه وطني ونظام تقارير على مستوى الولاية مع تفسير بصري دقيق. في خطوة أولى، تُرجمت ملاحظات الحراس الميدانية إلى مضلعات اضطراب مفصّلة يدويًا. بعد ذلك، تم ضبط نموذج حديث في رؤية الحاسوب بدقة لمساعدة على تحسين خطوط الاضطراب الغالبًا ما تكون خشنة في قاعدة البيانات الإقليمية الأوسع، وموائمتها مع المناطق المتضررة الظاهرة في الصور. راجع المتخصصون بعد ذلك آلاف المربعات عبر أداة ويب مخصصة، مصححين الحدود والطبقات والرقع الفائتة. النتيجة هي مجموعة أقنعة تقسيم تحدد كل بكسل على أنه تلف بسوسة القشرة، قطع كامل، اقتلاع بفعل الريح، أو خلفية، مع معدل قبول خبير يفوق 90 بالمئة.

ما مدى قدرة الذكاء الاصطناعي على قراءة الغابة

لإظهار ما يمكن أن تتيحه مجموعة البيانات، درّب المؤلفون بنية شائعة في التعلّم العميق لتقسيم أنواع الاضطراب تلقائيًا. باستخدام القنوات الخمس جميعها، صنف النموذج نحو 88 بالمئة من البكسلات بشكل صحيح، وحقق أداءً جيدًا خصوصًا في حالات القطع الكامل وتلف سوسة القشرة. أجريت تجربة إضافية أزالت بشكل منهجي قنوات الإدخال لتحديد الأكثر أهمية. تسبب حذف القريب من تحت الأحمر أو طبقة الارتفاع في أكبر تراجع في الأداء، لا سيما في اكتشاف الخلانات الميتة أو المقطوعة والمتشابكة نتيجة الرياح. يؤكد هذا أن دمج الإشارات الطيفية مع البنية ثلاثية الأبعاد مفتاح للتعرف على الفوارق الدقيقة في كيفية موت الأشجار أو إزالتها.

ماذا يعني ذلك لمراقبة الغابات مستقبلًا

بالنسبة لغير المتخصصين، الخلاصة الأساسية أن الدراسة توفر أرض تدريب مُنَقّحة بعناية ومفتوحة المصدر لأنظمة الذكاء الاصطناعي التي «تقرأ» الغابات من الأعلى. بربط الصور الجوية الحادة بتسميات اضطراب موثوقة، تُسهِل هذه الموارد على الباحثين والجهات الإدارية وحتى مجموعات الحفاظ بناء ومقارنة أدوات آلية لتتبع صحة الغابات. وبينما تستند مجموعة البيانات إلى ولاية ألمانية واحدة، يقدم تصميمها — والكود المنشور معها — نموذجًا قابلاً للتكرار لمشروعات مماثلة في أماكن أخرى. على المدى الطويل، يمكن لموارد من هذا النوع أن تساعد المجتمع على ملاحظة مشاكل الغابات والرد عليها في وقت أبكر، على مقاييس تتراوح من رقعة واحدة إلى منطقة بأكملها.

الاستشهاد: Rodríguez-Paulino, E., Stoffels, J., Schlerf, M. et al. An AI-ready remote sensing dataset for high-resolution forest disturbance mapping. Sci Data 13, 490 (2026). https://doi.org/10.1038/s41597-026-07084-8

الكلمات المفتاحية: اضطراب الغابات, الاستشعار عن بعد, صور جوية, التعلّم العميق, سوسة القشرة