פיתוח ואופטימיזציה של מודל מורפודיברסטיות לאזורים הרריים באמצעות סיווג מפוקח ורשתות עצביות מלאכותיות

מדוע צורת ההרים חשובה

כשחושבים על הגנה על הטבע, בדרך כלל מדמיינים צמחים ובעלי חיים נדירים. אך הקרקע שמתחתיהם — המצוקים, העמקים, הצלעות וקניוני הנהרות — מעצבת בשקט היכן החיים יכולים לשגשג. מאמר זה חוקר כיצד למדוד את המגוון הפיזי הזה, הקרוי מורפודיברסיטי, באופן מדויק ואוטומטי. בהתמקדות בהרי פייניני בפולין, המחבר מראה כיצד טכניקות מחשוב מודרניות, כולל רשתות עצביות מלאכותיות, יכולות להפוך נתוני גובה מפורטים למפות מהימנות המכוונות שימור ותכנון שימושי קרקע.

מעבדה הררית למגוון נופי

הרי פייניני, המשתרעים על גבול פולין–סלובקיה, הם רכס קומפקטי אך מגוון למדי. מצוקי גיר תלולים, קניונים עמוקים כמו קניון נהר הדונייצ, מדרונות פלייש עדינים, סלעים וולקניים ורצפות אגן שטוחות יושבים זה לצד זה. תערובת סוגי הסלע והצורות הקרקע יוצרת פסיפס בתי גידול, מצוקים שטופי שמש ועד עמקים מוצלים, שתומכים במגוון ביולוגי עשיר. מאחר שהאזור מופה ונחקר בפירוט, הוא משמש כ"מעבדה" אידיאלית לבחינת שיטות חדשות לכימות עד כמה הנוף מגוון, הרבה מעבר למה שהעין יכולה לשפוט בקלות ממפה או מנקודת תצפית.

מגובה גולמי למגוון טופוגרפי מדיד

המחקר מתחיל במודל גובה דיגיטלי ברזולוציה גבוהה, תיאור תלת־ממדי מפורט של פני הקרקע. ממנו המחבר מנפיק שבע תכונות טופוגרפיות בסיסיות: גובה, שיפוע, חשיפה (הכיוון בו פונה השיפוע), שני סוגי קימור (כיצד המשטחים מתעקללים), הבדלי גובה מקומיים ונוכחות חשיפות סלע. האזור מופרש לאחר מכן לאלפי תאים משושה בגדלים קבועים. בתוך כל תא המחשב מודד עד כמה תכונות הטופוגרפיה משתנות מפיקסל לפיקסל. במקום לספור פשוט כמה "סוגים" של צורות קרקע נמצאים, השיטה מתייחסת לשינוי עצמו כאות: ככל שיש יותר שינויים בגובה, בשיפוע או בכיוון בתוך תא, כך סביר שהוא יהיה בעל מורפודיברסיטי גבוה יותר.

אימון מסווג דיגיטלי לזיהוי טופוגרפיה מורכבת

כדי להפוך את המספרים הללו למפה משמעותית, המחקר משתמש בסיווג מפוקח ובشبיות עצביות מלאכותיות — מודלים ממוחשבים השרויים ברעיונות על אופן שבו המוח לומד דפוסים. מומחים אנושיים מסמנים תחילה תאים לדוגמה כ"מורפודיברסיטיים" באופן ברור (פסגות סלעיות משוננות, צלעות סלעיות, עמקים חביבהם חרוצים עמוקות, קירות קניון דרמטיים) או כ"לא מורפודיברסיטיים" (רצפי עמקים מישוריים, פני אגמים, מדרונות רחבים ועדינים). דוגמאות מתוייגות אלה מלמדות את הרשת אילו שילובים של גובה, שיפוע ותכונות נוספות מקושרים בדרך כלל לשטח מורכב. לאחר האימון, הרשת מקצה לכל תא באזור הסתברות לגבי ההשתייכות למחלקת המורפודיברסיטי. התוצאה היא מפה רציפה שניתן לאחר מכן לקבץ לקטגוריות אינטואיטיביות מהרמה הנמוכה ביותר ועד לרמה הגבוהה ביותר של מורפודיברסיטי.

צריך את הנתונים — להשאיר רק את החשוב

שיטות ישנות לעתים קרובות הוסיפו מדדי טופוגרפיה רבים יחד, ובכך חשבו בעצם כמה פעמים אותו מידע וחידו את התמונה. מחקר זה מתמודד עם הבעיה באמצעות שילוב של רשתות עצביות וניתוח רגישות גלובלי, טכניקה הבודקת עד כמה כל קלט תורם באמת לחיזוי מדויק. על ידי "כיבוי" הדרגתי של משתנים ומעקב אחר שינויים בשגיאת המודל, המחבר מזהה אילו תכונות נושאות מידע ממשי ואילו מיותרות למדי. הדגמים הממוטבים מראים כי מזער של כמה גורמים — הבדלי גובה בתוך תא, גובה כולל, שיפוע, תבנית כיווני השיפועים ונוכחות חשיפות סלע — מספיקים ללכוד את המבנה החיוני של המורפודיברסיטי. גם לאחר הסרת קלטים בעלי ערך נמוך, הדגמים המופשטים עדיין מתאימים באופן צמוד מאוד לגרסאות המלאות, עם ערכי מתאם גבוהים של עד 0.96–0.98.

מה משמעות התוצאות לשימור הטבע

המודל המעודן, ובפרט הגרסה RCMSC–ANN–M, מפיק מפות המתיישרות היטב עם הבנת הגיאומורפולוגים את נוף הפייניני. הוא מדגיש לא רק את הצלעות הגבוהות המרשימות וקירות הקניון, אלא גם אזורים מורפולוגית מורכבים בצדי עמקים וברגלי ההרים שעשויים אחרת להישאר בלי הבחנה. מכיוון שהשיטה מבוססת על נתוני גובה זמינים באופן נרחב וקבוצה קומפקטית של משתנים מרכזיים, ניתן להתאימה לאזורים הרריים אחרים ברחבי העולם. עבור מתכנני שימור, זו דרך אובייקטיבית לאתר ולהשוות "אזורים בעלי עושר גאולוגי" התומכים במגוון ביולוגי ובערך נופי, ועוזרת לתעדף היכן יש להתמקד בהגנה, בניהול תיירות או בסקרים שטח מפורטים.

ציטוט: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

מילות מפתח: גאודיוורסיטי, מורפודיבריסטיות, נופי הרים, רשתות עצביות, שימור גיאו