מערכת נתונים לרחוק המותאמת לבינה מלאכותית למיפוי הפרעות יער ברזולוציה גבוהה

מדוע יערות פגועים חשובים לכולנו

בכל רחבי אירופה היערות נתונים ללחצים גוברים כתוצאה מבצורת, סופות, חרקים וכריתה. שינויים אלו יכולים להתרחש בפתחים קטנים שקשה לזהותם מהרצפה, אך הם משפיעים על הכול — מנופי נוף להליכה רגלית ועד אחסון פחמן ומיקרו־אקלים מקומי. מחקר זה מציג מערכת נתונים פתוחה חדשה שהופכת צילומי אוויר מפורטים במיוחד של יערות בגרמניה לדלק עבור בינה מלאכותית, וכך מקלה משמעותית על איתור היכן, איך ולמה היערות נפגעים.

לראות יערות מלמעלה בפרטים עדינים

העבודה מתמקדת בריינלנד־פאלצ׳ שבמערב גרמניה, מדינה צפופה ביערות שסבלה מדרדרות עצים קשות בעשורים האחרונים, במיוחד אצל אשוח. במקום להסתמך על תמונות לוויין נפוצות שמטשטשות את פני השטח לפיקסלים בגודל 10–30 מטר, החוקרים משתמשים בצילומי אוויר ברזולוציה של 20 סנטימטר בלבד — חדה מספיק כדי להבחין בקדקודי עצים בודדים ובמישוריות צרות. כל סצנת אוויר גדולה נחוצצת לריבועים סטנדרטיים בגודל 100 על 100 מטר, שיוצרים אוסף של כ־17,500 פתיחי תמונה. המבט המפורט הזה מאפשר למפות פתחים קטנים ולא-סדירים של הפרעה, שלרוב מפספסים חיישנים גסים יותר, בדיוק רב בהרבה.

הוספת צבעים בלתי נראים וגובה היער

מערכת הנתונים מכילה יותר מאשר תמונות צבע רגילות. כל אריח נושא חמישה שכבות מידע: אדום, ירוק, כחול, תדר קרוב לאינפרה־אדום והערכה של גובה האובייקט. האינפרה־אדום הקרוב מגלה עד כמה הצמחייה פוטוסינתטית במרץ, מה שגורם לעצים במצוקה או מתים לבלוט לעומת בריאים. שכבת הגובה, שנוצרה על ידי שילוב מודלים של פני שטח דיגיטליים ומודלי קרקע, מראה כמה גבוהים האובייקטים ועוזרת להבחין בין עצים עומדים לבין שטחים כרותים או גזעי עצים חרובים. יחד השכבות הללו לוכדות גם את "הצבע" וגם את "הצורה" של חופת היער, ומספקות למודלים של בינה מלאכותית רמזים להבחין בין סוגי הפרעה שונים.

הפיכת ידע מומחה לנתוני אימון

נתוני אימון באיכות גבוהה הם צוואר הבקבוק עבור פרויקטים רבים של בינה מלאכותית, ומעקב אחרי יערות אינו יוצא דופן. כדי לתייג את התמונות, הצוות שילב רשומות הפרעה מהשטח מפארק לאומי וממערכת דיווח מדינתית עם פרשנות חזותית קפדנית. בשלב הראשון תצפיות השומרים בתור השדה תורגמו באופן ידני לפוליגונים מפורטים של הפרעה. בהמשך, דגם ראייה ממוחשבת מודרני נערך בעדינות כדי לעזור לחדד את קווי המתאר של ההפרעה במאגר האזורי הרחב יותר, ולכייל אותם לאזורים הפגועים הנראים בתמונות. מומחים לאחר מכן עברו על אלפי אריחים בעזרת כלי אינטרנט מותאם, תקנו גבולות, קטגוריות ופתחים שהוחמצו. התוצאה היא מערך מסכות סגמנטציה המסמן כל פיקסל כהתקפת חרקי קליפה, כריתה, פגיעת רוח או רקע, עם שיעור קבלת מומחים של מעל 90 אחוז.

כמה טוב הבינה יכולה "לקרוא" את היער

כדי להדגים מה המערכת מסוגלת לעשות, המחברים אימנו ארכיטקטורת למידה עמוקה נפוצה לסגמנטציית סוגי הפרעה באופן אוטומטי. בשימוש בכל חמשת הערוצים, המודל סווג נכון כ־88 אחוז מהפיקסלים, וביצע היטב במיוחד בזיהוי שטחים כרותים ונזקי חרקי קליפה. ניסוי נוסף הסיר באופן שיטתי ערוצי קלט כדי לבדוק אילו מהם חשובים ביותר. השמטת שכבת האינפרה־אדום הקרוב או שכבת הגובה גרמה לירידה החזקה ביותר בביצועים, בפרט בגילוי עצים מתים או כרותים ומבוכי גזעים כתוצאה מרוח. זה מאשר ששילוב רמזים ספקטרליים עם מבנה תלת־ממדי הוא המפתח להבחין בהבדלים הדקים בדרכי מות העצים או הסרתם.

מה זה אומר לעתיד של מעקב אחר יערות

עבור לא־מומחים, המסקנה העיקרית היא שהמחקר מספק מרחב אימון מטופח ונגיש לציבור למערכות בינה מלאכותית "הקוראות" יערות מלמעלה. על ידי צמדות תמונות אוויר חדות עם תוויות הפרעה מהימנות, הוא מקל על חוקרים, גופים ממשלתיים ואפילו ארגוני שימור לבנות ולהשוות כלי אוטומציה למעקב אחר בריאות היערות. אף שהמערכת מבוססת על מדינה גרמנית אחת, העיצוב שלה — והקוד ששוחרר לצידה — מציעים תבנית למאמצים דומים במקומות אחרים. בטווח הארוך, משאבים כאלה יכולים לסייע לחברה לשים לב לבעיות ביער ולהגיב אליהן מוקדם יותר, בקנה מידה של חורשה בודדת ועד אזור שלם.

ציטוט: 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

מילות מפתח: הפרעות ביערות, חישוב מרחוק, תמונות אוויריות, למידה עמוקה, חרק קליפת העץ