أنباء وآراء

الأقمار الصناعية قد تتمكن قريبًا من تحديد موقع كل شجرة  على ظهر الأرض 

أمكن تحديد موقع ظلال جميع الأشجار الموجودة على مساحةٍ كبيرة في غرب أفريقيا، وذلك عن طريق تحليل الصور التي التقطتها الأقمار الصناعية. وتشير البيانات إلى أنَّه سيصبح من الممكن تعيين موقع وحجم كل أشجار العالم عمَّا قريب، وإنْ كان ذلك محكومًا بقيودٍ مُعينة.

نايل بي. هانان، وجوليوس واي. أنتشانج
  • Published online:

تُصنَّف النُّظُم الإيكولوجية الأرضية تبعًا لنباتاتها الحُرشفية بدرجة كبيرة. فالأراضي العُشبية وأراضي الأشجار المنخفضة (الشجيرات) وحشائش السافانا والأراضي الحرجية والغابات تشكِّل سلسلةً من التدرُّجات من حيث كثافة الأشجار والشجيرات، فهي تتراوح ما بين منظومات إيكولوجية ذات نباتات حُرشفية منخفضة الكثافة والارتفاع، وأخرى ذات أشجار أكثر ارتفاعًا وظلالٍ شجريةٍ مُتداخلة. ومن ثمَّ، فإنَّ الحصول على معلومات دقيقة حول بِنْية الكساء النباتي الحُرشفي المكوِّن للنُّظُم الإيكولوجية يلعب دورًا جوهريًّا في فهمنا للإيكولوجيا، والجغرافيا البيولوجية، والدورات الكيميائية الحيوية للكربون والماء والمُغذيات الأخرى على مستوى العالم. وفي بحث نُشر مؤخرًا في دورية Nature، سلَّط برانت وزملاؤه1 الضوء على تحليلهم قاعدة بيانات ضخمة من صور الأقمار الصناعية عالية الوضوح، التي تغطي مساحةً تزيد على 1.3 مليون كيلومتر مربع من منطقتي الصحراء الغربية وساحل غرب أفريقيا. فقد رصد الباحثون موقع وحجم ما يزيد على 1.8 مليار ظلٍّ من ظلال الأشجار. وتجدر الإشارة إلى أنه لم يسبق من قبل قط تحديد مواقع الأشجار على مثل هذه المساحة الشاسعة بهذا المستوى من التفصيل.

"لم يسبق من قبل قط تحديد مواقع الأشجار على مثل هذه المساحة الشاسعة بهذا المستوى من التفصيل".

وحيث إن درجة الوضوح المكاني لمعظم بيانات الأقمار الصناعية تتسم نسبيًّا بالرداءة، إذ إنّ كل "بكسل" تقابله عادةً مساحاتٌ أرضية تزيد على 100 متر مربع، وكثيرًا ما تتجاوز الكيلو متر المربع، فقد دفع هذا القيد الباحثين المتخصصين في مجال رصد الأرض إلى التركيز في قياساتهم على الخصائص الإجمالية، مثل نسبة المساحة المغطاةٍ بظلال الأشجار عند رؤيتها من أعلى (وهو نظام قياس يُعرف باسم «الغطاء الحرجي»).

غير أنه خلال العقدين الماضيين، بدأت مجموعةٌ متنوعة من الأقمار الصناعية التجارية في جمع البيانات بدرجة وضوحٍ مكانية أعلى، بحيث يتأتى لها التقاط صورٍ لأجسام أرضية تبلغ مساحتها مترًا مربعًا واحدًا، أو أقل. هذا التحسُّن في مستوى الدقة والوضوح يجعل مجال الاستشعار الأرضي عن بُعدٍ على أعتاب قفزةٍ جوهرية، يتحوِّل فيها من التركيز على القياسات المُجمَّعة على مستوى المساحة الخضراء ككل إلى امتلاك القدرة على رصد موقع كل شجرة وحجم ظلها على مستويات إقليمية أو عالمية أوسع نطاقًا. ولا شكَّ أنَّ هذه الثورة في إمكانات الرصد ستؤدي إلى إحداث تغييرات جوهرية في طريقة تفكيرنا في النُّظُم الإيكولوجية الأرضية العالمية ومراقبتنا لها ونمذجتها وإدارتها.

يقدم برانت وزملاؤه شرحًا مُدهشًا لهذا التحوَّل في الاستشعار الأرضي عن بُعد، فقد أجرى هؤلاء الباحثون تحليلًا لأكثر من 11 ألف صورة، بدرجة وضوحٍ مكاني قدرها 0.5 متر، وذلك بهدف تحديد أشجار وشُجيرات ذات ظلال يبلغ قطرها مترين، أو أكثر. وقد أنجزوا هذه المهمة الهائلة باستخدام الذكاء الاصطناعي، مُستعينين في ذلك بنهجٍ حاسوبي يشتمل على «الشبكات العصبية الالتفافية بالكامل»، كما يُطلَق عليها. وهذا النهج المُستنِد إلى التعلم العميق مُصمَّم للتعرَّف على الأجسام (وهي ظلال الأشجار، في هذا السياق) على أساس أشكالها وألوانها المميزة داخل صورة أكبر. وتعتمد الشبكات الالتفافية على توافر بيانات التدريب (وتتألف في هذه الحالة من صورٍ تُلتقَط بالأقمار الصناعية، حيث يُقتفى أثر الخطوط الخارجية الظاهرة لظلال الأشجار والشجيرات يدويًّا). ومن خلال التدريب باستخدام هذه العينات، تعَلَّم الحاسوب كيفية تحديد ظلال الأشجار الفردية بدرجة عالية من الوضوح في الصور الأخرى، فكانت النتيجة الرصد الكامل لكل الأشجار التي يزيد قطرها على مترين في جميع أنحاء جنوب موريتانيا، والسنغال، وجنوب غرب مالي.

أمكن الحصول على تقديرٍ سابق2 لإجمالي عدد الأشجار الموجودة على مستوى العالم باستخدام بيانات ميدانية مُستمَدة من حوالي 430 ألف قطعة من أراضي الغابات حول العالم. وكان الباحثون القائمون على هذه الدراسة قد استعانوا بنماذج الانحدار الإحصائي في تقدير كثافة الأشجار الموجودة بين المواقع الميدانية، على أساس نوع الكساء النباتي والمناخ. ومع أنَّ تحليلهم أشار إلى وجود قُرابة ثلاثة تريليونات شجرة على مستوى العالم، انطوى هذا النهج المُتَّبع في تقدير كثافة الأشجار على أخطاء وشكوكٍ جوهرية، لا سيَّما بالنسبة إلى الأراضي الجافة، التي لا يتوافر لها سوى عددٍ قليل نسبيًّا من القياسات الميدانية من أجل معايرة النماذج.

وبعقد مقارنةٍ (كما في شكل 1) بين تلك النتيجة السابقة، والنتائج التي توصَّل إليها برانت وزملاؤه في منطقة الساحل الغربي، على سبيل المثال، يتبين أنَّ الدراسة السابقة مالت إلى تقدير عدد الأشجار في المناطق الأكثر جفافًا (وهي تلك المناطق التي يقلُّ فيها معدل هطْل الأمطار سنويًّا عن 600 مليمتر) بأقل من عددها الفعلي. وإضافة إلى ذلك،  لم تُقدِّم التقديرات السابقة أي معلومات عن حجم كل شجرة وموقعها في نطاق كل كيلومتر مربع، في حين أنَّ برانت وزملاءه قدموا معلومات مفصَّلة عن موقع وحجم كل ظلٍّ شجري. ويمكن أيضًا ملاحظة هذا التحسُّن الذي حققته الدراسة الأخيرة في مستوى الدقة والتفصيل الأعلى بكثير الذي أولته للمناطق الأكثر رطوبة (أي المناطق التي يزيد فيها معدل هطْل الأمطار سنويًّا على 600 مليمتر)، حيث تُظهِر الدراسة التباين المكاني المحلي للأشجار التي يُفترض أنها ترتبط بأنواع متفاوتة من التربة، ومدى توافر المياه، واستغلال الأرض، وتاريخ استغلالها كذلك.

شكل 1 |تحديد مواقع الأشجار على الخريطة على نطاق واسع: في حين تُقدِّم المعلوماتُ الدقيقة عن توزيع الأشجار رؤى إيكولوجية مفيدة، يصعب الحصول على مثل هذه البيانات بالنسبة إلى المساحات الكبيرة من الأرض. (أ) دراسة سابقة2تُقدِّر كثافة الأشجار لكل هكتار على مستوى العالم، وقد اعتمدت على بياناتٍ مستمَدة من قِطَع أرض ميدانية؛ وعينات البيانات الموضحة تتعلق بمنطقة غرب أفريقيا. يُعبِّر المربع الموجود داخل القطاع (أ) من الشكل عن الأشجار الموجودة في منطقة جافة (يقلُّ المتوسط السنوي لهطْل الأمطار فيها عن 600 مليمتر في السنة)، وهو يُقابل القسم (ب). تشير الخطوط المُنقَّطة إلى حدود متوسط هطْل الأمطار بالمليمتر في السنة. وفي القسمين (ج)، و(د)، يشير برانت وزملاؤه1إلى رصدهم ظلال الأشجار الموجودة في جميع أنحاء غرب أفريقيا. وقد حصلوا عليها عن طريق استخدام نهج عمل بالذكاء الاصطناعي، لتحليل صور الأقمار الصناعية عالية الوضوح. كما رصد الباحثون كثافةً شجرية  أعلى في المناطق الجافة بقارة أفريقيا، مقارنةً بما توصلت إليه الدراسة السابقة، فعلى سبيل المثال، أنتج التحليل الذي أجراه برانت وزملاؤه للمنطقة المقابِلة للمربع الموجود داخل الصورة (أ) درجة الكثافة الشجرية لكل هكتار، كما هو مُبيَّن في القسم (ج). وحدَّدوا حجم ظلال الأشجار الفردية (باللون الأخضر)، وموقعها – كما هو مُبيَّن في القسم (د) – بالنسبة إلى منطقة مُقابِلة للمربع الموجود داخل الصورة (ج). مثل هذه المعلومات المفصَّلة والدقيقة عن الأشجار لم تكن متوفرة في الدراسة السابقة. (أُعدت الصور بالاستعانة بالبيانات المستمَدة من المرجعين 1، و2). (تحتفظ «سبرنجر نيتشر» بحياديتها فيما يتعلق بالدعاوى القضائية بشأن الخرائط التي جرى نشرها).

شكل 1 |تحديد مواقع الأشجار على الخريطة على نطاق واسع: في حين تُقدِّم المعلوماتُ الدقيقة عن توزيع الأشجار رؤى إيكولوجية مفيدة، يصعب الحصول على مثل هذه البيانات بالنسبة إلى المساحات الكبيرة من الأرض. (أ) دراسة سابقة2تُقدِّر كثافة الأشجار لكل هكتار على مستوى العالم، وقد اعتمدت على بياناتٍ مستمَدة من قِطَع أرض ميدانية؛ وعينات البيانات الموضحة تتعلق بمنطقة غرب أفريقيا. يُعبِّر المربع الموجود داخل القطاع (أ) من الشكل عن الأشجار الموجودة في منطقة جافة (يقلُّ المتوسط السنوي لهطْل الأمطار فيها عن 600 مليمتر في السنة)، وهو يُقابل القسم (ب). تشير الخطوط المُنقَّطة إلى حدود متوسط هطْل الأمطار بالمليمتر في السنة. وفي القسمين (ج)، و(د)، يشير برانت وزملاؤه1إلى رصدهم ظلال الأشجار الموجودة في جميع أنحاء غرب أفريقيا. وقد حصلوا عليها عن طريق استخدام نهج عمل بالذكاء الاصطناعي، لتحليل صور الأقمار الصناعية عالية الوضوح. كما رصد الباحثون كثافةً شجرية أعلى في المناطق الجافة بقارة أفريقيا، مقارنةً بما توصلت إليه الدراسة السابقة، فعلى سبيل المثال، أنتج التحليل الذي أجراه برانت وزملاؤه للمنطقة المقابِلة للمربع الموجود داخل الصورة (أ) درجة الكثافة الشجرية لكل هكتار، كما هو مُبيَّن في القسم (ج). وحدَّدوا حجم ظلال الأشجار الفردية (باللون الأخضر)، وموقعها – كما هو مُبيَّن في القسم (د) – بالنسبة إلى منطقة مُقابِلة للمربع الموجود داخل الصورة (ج). مثل هذه المعلومات المفصَّلة والدقيقة عن الأشجار لم تكن متوفرة في الدراسة السابقة. (أُعدت الصور بالاستعانة بالبيانات المستمَدة من المرجعين 1، و2). (تحتفظ «سبرنجر نيتشر» بحياديتها فيما يتعلق بالدعاوى القضائية بشأن الخرائط التي جرى نشرها). 

كبر الصورة

جوليوس أنتشانج

بطبيعة الحال، هناك عددٌ من المحاذير والقيود التي تواجه عمل برانت وزملائه، والباب مفتوحٌ في الوقت ذاته أمام إمكانية تطوير نهجهم وتوسيع نطاقه، بحيث يصير تحليلًا عالميًّا. ومن بين تلك القيود أن معدل رصد ظلال الأشجار بنجاح شهِد تراجعًا جذريًّا بالنسبة إلى ظلال الأشجار التي يقلُّ قطرها عن المترين؛ وهو ما يُعزى إلى القيود التي يفرضها الوضوح المكاني للصور، وبما يتوافق مع العمل السابق عليهم3. ومع أنَّ بوسعنا توقُّع المزيد من التحسينات في الوضوح المكاني لصور الأقمار الصناعية، من المناسب أن نتساءل عن الحد الأدنى المطلوب من حجم ظلال الأشجار لتوصيف مجموعات النباتات الحُرشفية في المناطق المختلفة. وفيما يتعلق بتحديد مواقع ظلال الأشجار على مستوى العالم، فإذا ما افترضنا إمكانية التغلب على التحديات الحاسوبية والتخزينية المرتبطة بأحجام البيانات الضخمة، ستكمن العقبة الأكبر على الإطلاق في ابتكار نُهُج عمل مُجدية لتصنيف ظلال الأشجار ورصدها آليًّا. وقد تطَلَّب نهْج التعلم العميق الذي اتبعه برانت وزملاؤه إدخال ما يقرب من 90 ألف نقطة تدريب، جرى تحويلها رقميًّا يدويًّا، وبالتالي يتعذر العمل وفق هذا النهج على نطاق عالمي، وتصبح الاستعانة بأساليب أكثر آلية (أي غير خاضعة للإشراف) لاستخلاص المعلومات من صور الأقمار الصناعية أمرًا ضروريًّا4.

ولعل إحدى المشكلات ذات الصلة هي القدرة على التمييز بين ما قد يبدو ظلًّا شجريًّا واحدًا كبيرًا، وظلالًا كبيرة متجاورة ومتداخلة لعدة أشجار مختلفة. وعليه، استخدم برانت وزملاؤه مخططًا ترجيحيًّا لتدريب شبكتهم العصبية الالتفافية، بهدف تحسين فصل الظلال، غير أنَّهم لجأوا مع ذلك إلى فئة «تكتُّل ظلال الأشجار» لوصف مساحات ظلال الأشجار المجمَّعة التي تزيد على 200 متر مربع، مما يشير إلى أنَّ نهج الفصل لم يكن ناجعًا على الدوام. أما فيما يتعلق بالمناطق الأكثر رطوبة التي تشيع فيها ظلال الأشجار المُتداخلة في الأراضي الحرجية والغابات، فسوف تحتاج أساليب رصد ظلال الأشجار والفصل بينها إلى التنقيح والأتمتة، حتى تكون قابلة للتطبيق على مستويات عالمية.

غير أن التحدي الأصعب يتمثل في تحديد نوع الأشجار. صحيحٌ أن التعرُّف عليها ممكن من الناحية الإجرائية (استنادًا إلى لون ظلال الأشجار، وشكلها، وملمسها5)، إلا أنَّ ذلك سيصعب كثيرًا، لا سيَّما على المستويات الإقليمية والعالمية، وفي النظُم الإيكولوجية التي تتسم بالتنوع البيولوجي. لذا، من المرجح أن يظل تعيين موقع ظلال الأشجار حسب نوعها على رأس قائمة تطلعات مجتمع باحثي رصد الأرض لبعض الوقت6.

أمَّا في الأعوام المقبلة، فإنَّ الاستشعار عن بُعد سوف يوفر دون شك تفاصيل غير مسبوقة حول بِنْية الكساء النباتي؛ لا سيَّما بعد أن تصبح مجموعة من الموارد أكثر توافرًا7، ومن بينها: مُستشعرات رصد الضوء، وتحديد المدى «ليدار» Lidar، والرادار، ومُستشعرات الأشعة المرئية والأشعة تحت الحمراء القريبة عالية الوضوح. والبيانات عالية الدقة المتعلقة بحجم ظلال الأشجار وكثافتها، والمستخلصة من الأقمار الصناعية قد تلعب دورًا في حصر الغابات والأراضي الحرجية وإدارتها، وقد تسهم أيضًا في رصد عمليات إزالة الغابات، وتقييم الكربون المحبوس في الكتلة الحيوية، والأخشاب، وحطب الوقود، والمحاصيل الشجرية. كما أن القدرة على تحديد حجم ظلال الأشجار وموقعها باستخدام بيانات الأقمار الصناعية ستكون مُكمِّلةً للمعلومات المستمَدة من أدوات أخرى تُوفِّر بيانات عن ارتفاعات الأشجار، والمقاطع الرأسية لظلالها، والكتلة الحيوية الحرجية الموجودة فوق سطح الأرض. وسوف تدعو الحاجة إلى مواصلة الأبحاث، من أجل ابتكار خوارزميات أكثر كفاءة لتصنيف ظلال الأشجار، لكنْ في هذه الأثناء، أثبَت برانت وزملاؤه بوضوح إمكانية رصد مواقع ظلال الأشجار على مستوى العالم في المستقبل على نطاقات تقلُّ عن المتر. 

References

  1. Brandt, M. et al. Nature 587, 78–82 (2020). | article
  2. Crowther, T. W. et al. Nature 525, 201–205 (2015). | article
  3. Axelsson, C. R. & Hanan, N. P. Biogeosciences 14, 3239–3252 (2017). | article
  4. Reichstein, M. et al. Nature 566, 195–204 (2019). | article
  5. Engler, R. et al. Forest Ecol. Mgmt 310, 64–73 (2013). | article
  6. Draper, F. C. et al. Trends Ecol. Evol. https://doi.org/10.1016/j.tree.2020.08.003 (2020). | article
  7. National Academies of Sciences, Engineering, and Medicine. Thriving on Our Changing Planet: A Decadal Strategy for Earth Observation from Space (Natl Academies Press, 2018).  | article

نايل بي هانان عضو ببرنامج البحوث الإيكولوجية طويلة الأمد بحوض جورنادا، قسم النباتات والعلوم البيئية، ويعمل جوليوس واي أنتشانج بقسم النباتات والعلوم البيئية بجامعة ولاية نيو مكسيكو، ومقرها مدينة لاس كروسيس بولاية نيو مكسيكو، 88003، الولايات المتحدة الأمريكية.

البريد الإلكتروني لكل منهما: nhanan@nmsu.edu، وanchang@nmsu.edu