إطار اكتشاف المجتمعات المعتمد على واصفات الشكل ثلاثية الأبعاد لتصنيف أنواع الأشجار في بيانات السحب النقطية

لماذا يهم فرز الأشجار من السماء

تبرد الغابات المدن، وتثبت منحدرات التلال، وتخزن الكربون، وتؤوي الحياة البرية—لكن ليس كل الأشجار تلعب نفس الدور. معرفة أي الأنواع تنمو في أي مكان عادةً ما تتطلب أعمال ميدانية تستغرق وقتًا طويلاً. تقدم هذه الورقة طريقة للتعرّف على أنواع الأشجار تلقائيًا من قياسات ثلاثية الأبعاد جمعت بواسطة الليزر من الطائرات، أو الطائرات من دون طيار، أو الماسحات الأرضية. بدلاً من الاعتماد على مجموعات تدريب كبيرة معنونة يدويًا لنماذج التعلم الآلي، يظهر المؤلفون كيف يمكن للأشجار أن تصنف نفسها إلى مجموعات ذات معنى اعتمادًا فقط على شكلها الثلاثي الأبعاد.

رؤية الغابات في ثلاثية الأبعاد

يلتقط المسح الليزري الحديث، المسمى غالبًا ليدار، الغابات كسحب نقطية كثيفة: ملايين النقاط الصغيرة التي ترسم محيطات الجذوع والأغطية التاجية. تكشف هذه البيانات عن ارتفاع الشجرة، وعرض التاج، والشكل العام. التحدي أن أشجارًا من نفس النوع قد تبدو مختلفة جدًا اعتمادًا على العمر والمنافسة والرياح والضوء، بينما قد تبدو أنواع مختلفة أحيانًا متشابهة بشكل مضلل. معظم الطرق الحالية تتعامل مع هذه المشكلة عبر التعلم الآلي المراقب، الذي يتطلب بيانات تدريب واسعة ومجهزة بعناية لكل منطقة ومستشعر، وقد يواجه صعوبة مع الأشجار النادرة أو غير الاعتيادية.

ترك الأشجار لتكوّن مجتمعاتها بنفسها

يقترح المؤلفون استراتيجة مختلفة: بدلاً من توقع النوع مباشرة من البيانات الخام، يدعون الأشجار أولاً لتشكيل "مجتمعات" بناءً على مدى تشابه أشكالها. يُمثّل كل شجرة بوصف مُكثف لتاجها ثلاثي الأبعاد. لبناء هذا الوصف، يحلّلون كيف تنتشر النقاط على طول ثلاثة اتجاهات رئيسية، ثم يحولون السحابة إلى شبكة من الكتل الثلاثية الصغيرة. من خلال تدوير الشجرة حول محورها الرأسي ومقارنة النسخ الأصلية والمُدوّرة شريحة بشريحة، يلتقطون مدى تماثل التاج ومدى عرضه وكثافته عند ارتفاعات مختلفة. تُنعّم هذه القياسات إلى عدد قليل من معاملات المنحنيات، منتجة متجه ميزات قصير يظل مستقرًا حتى عندما تكون السحابة النقطية صاخبة أو رفيعة أو مُدوّرة.

من بصمات الشكل إلى مجتمعات الأشجار

بمجرد أن تمتلك كل شجرة بصمة شكل، تقارن الطريقة كل الأشجار مع بعضها. الأزواج التي تملك ميزات متشابهة جدًا تُربط باتصالات قوية؛ والأزواج غير المتشابهة تحصل على روابط ضعيفة. ينتج عن ذلك شبكة يكون فيها كل شجرة عقدة وتعكس قوة الوصلات مدى تشابه التيجان. يبحث خوارزمية اكتشاف المجتمعات—المطوّرة أصلاً للعثور على مجموعات مترابطة بإحكام في الشبكات الاجتماعية—في هذا الرسم البياني عن عناقيد من الأشجار المرتبطة بقوة أكبر مع بعضها مما هي مع الباقي. تميل كل مثل هذه المجتمع إلى احتواء أشجار من نفس النوع في الغالب، رغم أنه قد يعزل أيضًا أفرادًا غير اعتياديين أو مجموعات صغيرة ذات أشكال شاذة.

اختبار الطريقة في غابات صناعية وحقيقية

لفحص مدى فاعلية هذا الأسلوب، طبّق المؤلفون إطارهم على مجموعتي بيانات عامتين. الأولى مجموعة صناعية مكوّنة من 100 شجرة من 10 أنواع، ولّدها محاكي نمو. هنا، استعاد الأسلوب مجموعات الأنواع الحقيقية بدقة تامة: كل نوع محاكٍ شكّل مجتمعه الخاص المتماسك. تتألف المجموعة الثانية من نحو 700 شجرة حقيقية من سبعة أنواع مأخوذة في غابات بألمانيا والولايات المتحدة. في هذا السياق الأكثر ضجيجًا وتنوعًا، استمرت المجتمعات في التطابق العام مع الأنواع، لكن بعض الأنواع ذات الأشكال المتشابهة اندمجت في مجموعات مختلطة وبعض الأنواع انقسمت إلى عدة مجتمعات مبنية على الشكل. والأهم أن الإطار بقي قويًا عند ترقيق السحب النقطية أو تدويرها أو معالجتها بأحجام شبكة مختلفة قليلًا، وتفوّق على تقنيات التجميع القياسية مثل k‑means والتجميع الهرمي عند استخدام نفس الميزات.

مساعدة الناس على وضع تسميات أقل وتعلّم أكثر

الخطوة النهائية هي تحويل المجتمعات إلى تسميات أنواع. بدلاً من وسم مئات الأشجار فرديًا يدويًا، يحتاج المستخدم فقط إلى تحديد بضعة أشجار في كل مجتمع. ثم تُمنح المجموعة تسمية الأغلبية لباقي الأفراد. في مجموعة البيانات الحقيقية، بلغ هذا النهج شبه التلقائي دقة إجمالية تقارب 60%، وهي مقارنة ببعض طرق التعلم العميق التي تتطلب بيانات تدريبية وضبطًا أكثر بكثير. عندما أعطيت نفس ميزات الشكل إلى مصنّف آلي قياسي من نوع دعم المتجهات مع أمثلة تدريب كافية، ارتفعت الدقة إلى نحو 80%، ما يبيّن أن هذه الميزات نفسها تلتقط معلومات ذات صلة بالأنواع بفعالية.

ماذا يعني هذا لمراقبة الغابات

لغير المتخصص، الفكرة الأساسية هي أنه يمكن استنتاج نوع شجرة من الشكل ثلاثي الأبعاد وحده عن طريق ترك الأشجار "تجد جيرانها" في شبكة التشابهات. لا تحل هذه المقاربة القائمة على المجتمعات محل التعلم الآلي المتقدم، لكنها يمكن أن تقلص بشدة العمل اليدوي اللازم لإعداد مجموعات التدريب وتُبرز الشواذ مثل الأشجار الميتة أو الغريبة جدًا. مع تزايد توفر بيانات ليدار حول العالم، يمكن لمثل هذه الطرق الشفافة والخفيفة على التدريب أن تُسرّع إنشاء جرد مفصل للأشجار، داعمة إدارة غابات أفضل، ونمذجة مناخية، وتخطيطًا لحفظ الطبيعة.

الاستشهاد: Kohek, Š., Žalik, B., Mongus, D. et al. Community detection framework based on 3D shape descriptors for tree species classification in point cloud data. Sci Rep 16, 12091 (2026). https://doi.org/10.1038/s41598-026-42392-4

الكلمات المفتاحية: ليدار وغابات, تصنيف أنواع الأشجار, سحب نقطية ثلاثية الأبعاد, اكتشاف المجتمعات, استشعار عن بعد وعلم البيئة