تحليل الدقة الطيفية المكانية باستخدام صور طيفية من طائرة بدون طيار وصور متعددة الطيف من الأقمار الصناعية لمراقبة المياه الساحلية الضحلة

لماذا تهم هذه الدراسة الساحلية

تحتضن المياه الساحلية الضحلة مروج الأعشاب البحرية والشعاب وحقول الطحالب التي تحمي السواحل، وتدعم مصايد الأسماك، وتخزن الكربون. ومع ذلك فمن الصعب رسم خرائط هذه المواطن ومراقبتها بشكل متكرر بالاعتماد على القوارب وحدها. تُظهر هذه الدراسة كيف أن تركيب كاميرا طيفية من طائرة بدون طيار ودمج نتائجها مع مشاهد شبيهة بالأقمار الصناعية يمكن أن يوفر خرائط مفصّلة وقابلة للتكرار لعمق الماء وأنواع قاع البحر، مما يساعد المجتمعات على إدارة السواحل الحسّاسة في ظل الضغوط البشرية وتغير المناخ المتزايدة.

النظر إلى البحر من فوق

ركّز الباحثون على شاطئ لاس كانتيراس، وهو ساحل حضري في غران كناريا محمي لحياته البحرية الغنية لكنه مستخدم بكثافة من السكان والسياح. يسهم حاجز صخري طبيعي في تهدئة المياه وجعل القاع مرئيًا بوضوح من الأعلى، مما يجعله مثالياً للاستشعار البصري عن بُعد. تاريخياً استضافت المنطقة مروج أعشاب بحرية واسعة، لكنها تراجعت إلى حد كبير نتيجة التغييرات في حركة الرمال بسبب البناء الساحلي. اليوم تشكّل بقع من الطحالب الخضراء والبنية والحمراء جنبًا إلى جنب مع الرمل والصخور فسيفساء على قاع البحر تعكس التغيرات الطبيعية والأثر البشري.

اختبار "عوْن" بصريات مختلفة على الماء

في قلب العمل تجربة ذكية: بدلاً من المقارنة المباشرة بين كاميرات مختلفة طارت أو دارت في أوقات متباينة، بدأ الفريق بصورة مرجعية واحدة مفصّلة للغاية التقطتها طائرة بدون طيار مزوّدة بمستشعر طيفي عالي الدقة (97 نطاقًا لونيًا ضيقًا بدقة 10 سنتيمترات). من هذه الصورة المرجعية قاموا رياضيًا "بخفض دقة" البيانات لتقليد قمر صناعي تجاري بثمانية نطاقات أوسع وكاميرا RGB بسيطة بثلاث نطاقات فقط، لكل منهما بدقّتين بكسل مختلفتين: دقيقة (10 سم) وأخشن (2 م). نتج عن ذلك ست نسخ مسيطرة من المشهد نفسه، كلها خالية من اختلافات الطقس أو صفاء المياه أو المد والجزر. ثم استخدموا هذه الصور لتقدير عمق الماء (البيثمترية) وتصنيف أنواع قاع البحر (نباتات، رمل، وصخور) باستخدام مزيج من الصيغ المعروفة وأساليب التعلم الآلي الحديثة.

قراءة العمق والمواطن من اللون

لاسترجاع العمق، قارنت الدراسة نهجًا رياضيًا راسخًا يربط الضوء في نطاقين لونيين بالعمق مع نموذج تعلم آلي أكثر مرونة يتعلّم الأنماط من عدة نطاقات في آن واحد. بالنسبة لأنواع القاع، درّبوا نوعين من المصنّفات: آلات الدعم الناقل (SVM) وشبكات عصبية تغذوية أمامية، كلاهما مسترشدان بمسوحات ميدانية وصور قاعية. عبر جميع الاختبارات، قدّمت بيانات الطيفية العالية من الطائرة بدون طيار أدق النتائج، مع أخطاء عمق وصلت إلى حوالي 15 سنتيمترًا ودقة تصنيف للمواطن بلغت نحو 94%. أدت الصور متعددة الطيف، المشابهة لتلك من الأقمار التجارية الشائعة، أداءً قريبًا جدًا، وهو ما يمثل حلًا وسطًا قويًا بين التفاصيل والتغطية والتكلفة. أما نسخة RGB الأبسط فأنجزت مهمة مقبولة في العمق لكنها واجهت صعوبة في تمييز أنواع القاع المختلفة في هذا المواطن المعقدة، لا سيما عند محاولة التفريق بين أنواع الطحالب المتشابهة.

ما الأهم: الحدة أم ثراء الألوان؟

كان أحد الأسئلة الرئيسية ما إذا كانت البكسلات الأشد دقة أو المعلومات الطيفية الأغنى هو الفارق الأكبر. بالنسبة للعمق، كانت الإجابة مفاجئة: تغيير حجم البكسل من 10 سم إلى 2 م لم يؤثر على الدقة تقريبًا. لأن العمق يتحكم فيه أساسًا كيف يتلاشى الضوء في الماء، فإن التفاصيل المكانية العالية تضيف قلة عندما تكون المياه بضعة أمتار فقط ونسبيًا سلسة. أما في رسم المواطن، فكل من الغنى المكاني والطيفي لهما أهمية أكبر. تقلل البكسلات الدقيقة من اختلاط الرمل والصخور والنباتات داخل كل بكسل، مما يسهل فصل الفئات. وعند الهدف تفكيك أنواع الطحالب المتشابهة، فإن وجود نطاقات طيفية أكثر يساعد بوضوح. استفادت الشبكة العصبية استفادة أفضل من هذه المعلومات الإضافية، متفوقة على المصنّف التقليدي.

متابعة خسارة مقلقة للخضرة البحرية

بعيدًا عن اختبار الطرق، قارن الفريق أيضًا صورة قمر صناعي حقيقية من عام 2016 ببيانات الطائرة بدون طيار لعام 2023، بعد تعديلها لتطابق دقة القمر الأدنى. اكتشفوا خسارة مقدّرة بحوالي 7200 متر مربع من النباتات البحرية، ومن المرجح أن يكون الكثير منها من مروج الطحالب الخضراء Cymopolia barbata. مع الاختفاء الموثق سابقًا للأعشاب البحرية التاريخية، واتجاه محلي لارتفاع درجة حرارة سطح البحر إلى جانب الاستخدام الترفيهي الكثيف ومشكلات دورية في جودة المياه، تشير النتائج إلى أن هذه الشعاب الحضرية تحت ضغط كبير.

ماذا يعني هذا للسواحل والمجتمعات

للغير متخصصين، الرسالة ذات شقين. أولًا، يمكن للتصوير الحديث من الطائرات بدون طيار والأقمار الصناعية، المحلل بالتعلم الآلي، أن يوفر الآن خرائط دقيقة وقابلة للتكرار لعمق المياه الضحلة وحياة قاع البحر دون الحاجة لمسوح بحرية مستمرة. هذا يجعل من العملي تتبع تغير المواطن الساحلية على مر السنوات أو حتى الفصول. ثانيًا، تبيّن حالة لاس كانتيراس لماذا المراقبة العاجلة ضرورية: يمكن أن تتقلص "الغابات" تحت الماء بهدوء تحت ثقل الاحترار البحري والضغط المحلي. النهج المعروض هنا يقدّم مجموعة أدوات عملية للمدن والوكالات البيئية لمراقبة أحيائها المائية بشكل أقرب والتحرك قبل أن تُفقد المواطن الأساسية.

الاستشهاد: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

الكلمات المفتاحية: رسم الخرائط الساحلية, التصوير الطيفي عالي الدقة من الطائرات بدون طيار, قياسات عمق المياه الضحلة, مراقبة المواطن القاعية, فقدان النباتات البحرية