Swamp-AI: نموذج تعلم عميق لرصد تغيرات الأراضي الرطبة حول العالم

لماذا يهم مراقبة حواف الأرض المبللة

تحمي الأراضي الرطبة — المستنقعات والأهوار والدلتات وسهول الفيضانات — سواحلنا بهدوء، وتخزن الكربون، وتصفّي المياه وتؤوي الحياة البرية. ومع ذلك فهي تتقلص في أنحاء العالم، وغالبًا خارج نطاق الرؤية في أماكن نائية أو يصعب الوصول إليها. تقدم هذه الدراسة "Swamp-AI"، نظام رؤية حاسوبية يفحص صور الأقمار الصناعية لاكتشاف الأراضي الرطبة وتتبع كيف تتغير حدودها مع الزمن، مقدِّمًا وسيلة أسرع وأرخص لمراقبة هذه المشاهد المعرّضة للخطر.

رؤية المياه المخفية من الفضاء

تعتمد المسوحات التقليدية للأراضي الرطبة على خبراء يزورون المواقع ويقيسون النباتات والتربة ومستويات المياه. هذا النوع من العمل الميداني بطيء ومكلف، والعديد من الأراضي الرطبة تقع في التندرا دون طرق أو سهول فيضية استوائية أو مناطق غير مستقرة سياسيًا. في المقابل، تدور الأقمار الصناعية حول الكرة الأرضية كل بضعة أيام، ملتقطة صورًا متكررة لسطح الأرض. التحدي هو تحويل تلك الصور الخام إلى خرائط أراضٍ رطبة موثوقة دون جيش صغير من المفسرين البشر. كانت الطرق السابقة تتطلب من المتخصصين ضبط عتبات بعناية أو رسم حدود يدويًا، والنماذج الناتجة غالبًا ما تعمل في بلد واحد أو لنوع واحد من الأراضي الرطبة. يهدف Swamp-AI إلى كسر هذا الاختناق عبر تعلّم "بصمات بصرية" عامة للأراضي الرطبة تصمد من لويزيانا إلى دلتا ميكونغ.

بناء أطلس تدريبي عالمي

لتعليم الخوارزمية شكل الأرض الرطبة، اضطر الفريق أولًا إلى تجميع أطلس تدريبي من مشاهد أقمار صناعية مُعلّمة. أنشأوا قاعدة Global Swamp Annotated Database (GSADB) باستخدام صور عام 2019 من القمر الصناعي Sentinel-2 الأوروبي، الذي يوفر مشاهد ملونة وقريبة للأشعة تحت الحمراء بدقة متوسطة كل خمسة أيام. من 34 موقعًا حول العالم، تغطي 21 منطقة داخلية و13 ساحلية، رسموا 102 قناعًا مفصلاً تحدد أماكن وجود الأراضي الرطبة. بدلًا من زيارة كل موقع، جمعوا عدة منتجات بيانات عالمية: خريطة أراضٍ رطبة موجودة بدقة 30 مترًا، ونموذج ارتفاع رقمي يوضح التضاريس المنخفضة المعرضة للفيضانات، ومؤشر غطاء نباتي يبرز النباتات الخضراء النامية. تحقق أربعة معنّمين من عمل بعضهم البعض، واستبعدوا المشاهد عندما لم يتفقوا، وعرّفوا فئة واحدة واسعة تسمى "أرض رطبة" للحفاظ على اتساق الوسوم من المستنقعات القطبية إلى الأهوار الاستوائية.

تعليم الآلة التعرف على الأرض المبللة

مسلحين بهذا الأطلس، درّب الباحثون 15 نموذجًا مختلفًا للتعلم العميق تقوم بـ"التقسيم الدلالي" — أي تخصيص كل بكسل في الصورة إما لأرض رطبة أو غير رطبة. اختبروا ثلاثة تصاميم شبكية شائعة أثبتت جدواها في فحوصات طبية وصور بيئية أخرى، وأزاوجوا كل شبكة مع خمس طرق لقياس أخطاء التدريب، المعروفة بدوال الفقد. وبما أن الأراضي الرطبة كانت عادة أقلية في كل مشهد، فقد جربوا أيضًا دوال فقد مصممة للبيانات غير المتوازنة. قُسمت صور التدريب حسب الجغرافيا لا عشوائيًا، بحيث تُختبر النماذج دائمًا في أماكن لم ترها من قبل قريبًا، مما يقلل مخاطر التكيّف الزائد مع الخصائص المحلية.

اختيار الفائز والتحقق منه في العالم الحقيقي

بعد التدريب، خضعت أفضل النماذج لاختبارات أكثر صرامة. أنشأ الفريق مجموعة اختبار مستقلة باستخدام صور أوضح بدقة ثلاثة أمتار لثلاث محميات طبيعية في الولايات المتحدة، ثم قلّلوا دقة الخطوط اليدوية للأراضي الرطبة لتتوافق مع دقة Sentinel-2 الأدنى. تبين أن الشبكة الفائزة هي ResUNet34 مقترنة بدالة فقد هجينة "focal-dice". أطلق هذا الإصدار من Swamp-AI وسومًا صحيحة لحوالي 94% من البكسلات بشكل عام وحقق مقياس التقاطع على الاتحاد — مقياس صارم لمدى تطابق المناطق المتنبأ بها والحقيقية — بنحو 75%. أظهرت الفحوصات البصرية أنه واصل اكتشاف المستنقعات والأهوار حتى خارج المناطق المستخدمة للاختبار. ثم طبق المؤلفون Swamp-AI على أراضٍ رطبة مشهورة حول العالم، ووجدوا أنه، مع تعديل طفيف لعتبة الثقة الداخلية، حافظ على دقة عالية من المستنقعات الشمالية الباردة إلى سهول الفيضانات الاستوائية.

متابعة شاطئ يتقلص في نيويورك

لتوضيح كيف يمكن استخدام Swamp-AI عمليًا، تتبع الفريق جزر المستنقعات المالحة في خليج جامايكا بنيويورك من 2019 إلى 2024. من خلال تشغيل النموذج على تراكيب صور سنوية، قدّروا أن الجزر فقدت مجتمعة نحو 18 هكتارًا من الأراضي الرطبة سنويًا، مع بقاء بعض الجزر مستقرة نسبيًا بينما أظهرت أخرى علامات قوية على التراجع. كشف مقارنة صور التقطت عند المدّ العالي والمدّ المنخفض في 2024 عن تفاوت آخر: عندما كانت مستويات المياه منخفضة وظهرت أسطح المستنقعات، وجد Swamp-AI نحو 30% مساحة أراضٍ رطبة أكثر مقارنةً بمنظر المدّ العالي، مما يبرز حساسية رسم الخرائط القائمة على الأقمار الصناعية لتوقيت التصوير ومستوى المياه.

نظام إنذار مبكر جديد لفقدان الأراضي الرطبة

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن Swamp-AI يعمل كمفتش آلي للأراضي الرطبة، يمسح تغذيات الأقمار الصناعية العالمية ويشير إلى الأماكن التي تحافظ فيها المساحات النباتية المشبعة بالمياه على وجودها أو تختفي. لا يستطيع بعد التمييز بين تفاصيل دقيقة مثل أنواع النباتات أو الأنواع الفرعية من الأراضي الرطبة، ويكتسب بعض القيود من الخرائط المرجعية التي تدرب عليها. ومع ذلك، من خلال تقديم خرائط سريعة ومتسقة عالميًا بدقة تُقارن بالعديد من الدراسات المحلية، يوفر Swamp-AI أداة إنذار مبكر للمحافظين والمخططين. يمكن أن يساعد في توجيه المسوحات الميدانية المكلفة إلى المواقع الأكثر عرضة للخطر ودعم قرارات أذكى بشأن الاستعادة والدفاع الساحلي والمرونة المناخية.

الاستشهاد: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

الكلمات المفتاحية: الأراضي الرطبة, الاستشعار عن بعد, التعلم العميق, رصد بيئي, صور الأقمار الصناعية