ملخص تقني: التعلم ثنائي المهام للكشف عن الأشجار الميتة وتجزئتها

بيان المشكلة

يعد التخطيط الدقيق للأشجار الميتة القائمة أمراً ضرورياً لتقييم صحة الغابات، ومراقبة التنوع البيولوجي، والتخفيف من مخاطر حرائق الغابات. ومع ذلك، تواجه الطرق الحالية قيوداً كبيرة عند تطبيقها على الصور الجوية عالية الدقة، لا سيما في الغابات الشمالية (Boreal) الكثيفة. وتشمل التحديات الرئيسية ما يلي:

• هياكل المظلة الشجرية الكثيفة: تداخل تيجان الأشجار يجعل من الصعب فصل الحالات الفردية.
• التداخلات الطيفية: التشابه الطيفي بين النباتات الحية والميتة (خاصة في النظم البيئية المضطربة أو الموسمية) يعيق عملية التمييز.
• أخطاء التجزئة المفرطة: غالباً ما تفشل نماذج التعلم العميق التقليدية في تحقيق التوازن بين دقة الكشف وتوليد عيوب التجزئة، مما يؤدي إلى تحديد حالات غير موثوقة.
• محدودية البيانات: تفتقر مجموعات البيانات الحالية غالباً إلى الثراء الطيفي (مثل نطاقات الأشعة تحت الحمراء القريبة) والتنوع الجغرافي، كما تعاني النماذج سابقة التدريب من صعوبة في التعميم على البيانات الجوية عالية الدقة بسبب اختلاف المقياس والمنظور.

المنهجية

تقترح الدراسة إطار عمل هجين للمعالجة اللاحقة يدمج التعلم العميق مع خوارقات "واترشد" (Watershed algorithms) لتنقية تجزئة الأشجار. جوهر هذا النهج هو TreeMort-3T-UNet، وهو بنية تعلم متعدد المهام مصممة لتجزئة الحالات وتحديد المراكز.

1. البنية: TreeMort-3T-UNet

يستخدم النموذج مشفر ResNet-34 مدرب مسبقاً على ImageNet وتم ضبطه بدقة على مجموعة بيانات FLAIR-INC (التي تتكون من صور RGB-NIR). يضمن هذا التكيف مع المجال المتانة ضد التحولات المكانية والزمانية. وتتميز البنية بـ مفكك شفرة ثلاثي المخرجات (Triple-output decoder):

• رأس التجزئة (Segmentation Head): يتنبأ بقناع ثنائي يميز تيجان الأشجار الميتة عن الخلفية.
• رأس تحديد المركز (Centroid Localization Head): يخرج خريطة حرارية غاوسية حيث تمثل القمم مراكز الأشجار الميتة الفردية.
• رأس الهجين SDT-Boundary: يولد خريطة تشفر تحويل المسافة الموقعة (SDT) مدمجاً مع إشارات حدودية صريحة. يتم تعيين قيم قريبة من –1 لبكسلات الحدود، بينما تمثل البكسلات غير الحدودية مسافات طبيعية تصل إلى +1.

آليات الانتباه (Attention Mechanisms): تم دمج وحدات الانتباه الذاتي في مفكك الشفرة لتعزيز خرائط الميزات ذات الصلة ديناميكياً وكبح ضوضاء الخلفية، وهو أمر بالغ الأهمية للتمييز بين الاختلافات الطيفية الدقيقة في الصور متعددة الأطياف.

2. دالة الخسارة الهجينة

لتحسين المخرجات الثلاثة بشكل مشترك، تُستخدم دالة خسارة مركبة:

• خسارة التجزئة: مزيج مرجح من خسارة التقاطع (BCE) وخسارة Dice.
• خسارة المركز: متوسط الخطأ التربيعي (MSE) لمعاقبة الانحرافات بين الخرائط الحرارية الغاوسية المتوقعة والحقيقية.
• خسارة الهجين SDT-Boundary: خسارة انحدار تتكون من خسارة Smooth L1 للبكسلات غير الحدودية، وخسارة L1 مع وزن أعلى لبكسلات الحدود (تستهدف –1) للتعامل مع عدم توازن الفئات.
• إجمالي الخسارة: مجموع مرجح لمكونات الخسارة الفردية.

3. خط معالجة لاحق هجين

يتم تحقيق التجزئة النهائية للحالات من خلال عملية تنقية متعددة المراحل تدمج مخرجات الشبكة:

1. التنقية الأولية: يتم تحديد عتبة قناع التجزئة، وإزالة المناطق الزائفة الصغيرة عبر تحليل المكونات المتصلة.
2. الترشيح الهجين: يتم تحديد عتبة خريطة SDT-boundary لقمع المناطق التي تفتقر إلى إشارات حدودية قوية، مما يقلل من التجزئة المفرطة.
3. استخراج علامات المركز: يتم تنعيم الخريطة الحرارية للمركز، واكتشاف القيم المحلية القصوى لتكون بمثابة بذور للأشجار الفردية.
4. تجزئة واترشد (Watershed Segmentation): يتم تطبيق خوارزمية واترشد على سالب خريطة المركز المنعمة، باستخدام قناع التجزئة المنقى كقيد. يقوم ذلك بتقسيم القناع إلى مناطق متميزة تقابل الأشجار الفردية.
5. التحويل الاختياري إلى صيغة متجهة (Vectorization): يمكن تحويل الملصقات إلى تمثيلات متجهة عبر ملاءمة الشكل البيضاوي أو استخراج الخطوط الكنتورية.

المساهمات الرئيسية

حدد البحث ثلاث مساهمات رئيسية:

1. بنية موحدة: نموذج يعتمد على ResNet-34 متكيف مع المجال، يقوم في آن واحد بتجزئة الحالات وتحديد المراكز، وهو محسن للتعامل مع الأجسام المتداخلة والتباين متعدد الأطياف.
2. مزيج مبتكر للخسارة: دمج خسائر Binary Cross-Entropy وDice وFocal وMean Squared Error لتحقيق التوازن بين تجزئة مستوى البكسل وتحديد المركز الدقيق مع التخفيف من عدم توازن الفئات.
3. تنقية متعددة الخطوات: خط معالجة لاحق يتضمن تحديد العتبة التكيفي، والتعزيز الموجه بالمركز، والعمليات المورفولوجية، وتجزئة واترشد لتحديد حالات الأشجار الفردية بدقة.

النتائج التجريبية

تم تقييم إطار العمل على صور جوية عالية الدقة من الغابات الشمالية في فنلندا (بدقة 0.25 متر لكل بكسل، ونطاقات RGB-NIR). تضمنت مجموعة البيانات حوالي 15,000 مضلع للأشجار الميتة تم تمييزها عبر 125 صورة.

مقاييس الأداء:

• دقة مستوى الحالة (Instance-Level Accuracy): حققت الطريقة المقترحة متوسط IoU للأشجار قدره 0.3710، وهو تحسن كبير عن نموذج U-Net الأساسي (0.2622) والنماذج الأخرى الحديثة (مثل MaskFormer الذي سجل 0.3503). يمثل هذا تحسناً بنسبة 41.5% في دقة تجزئة مستوى الحالة.
• دقة التحديد الموضعي: انخفض خطأ تحديد المركز إلى 3.70 بكسل، وهو انخفاض بنسبة 57% مقارلة بنموذج U-Net الأساسي (8.60 بكسل).
• الاستدعاء ودرجة F1 (Recall and F1-Score): حسنت الطريقة الاستدعاء بشكل كبير (0.6687 مقابل 0.4667 لـ U-Net) ودرجة F1 (0.5895 مقابل 0.4471)، مما يشير إلى قدرة فائقة على استعادة حالات الأشجار المفقودة.
• الدلالة الإحصائية: أكدت الاختبارات المزدوجة أن التحسينات في كل من Pixel IoU وTree IoU ذات دلالة إحصائية (p < 0.001).

دراسات الاستئصال (Ablation Studies):
أظهرت الدراسة أن خطوة تجزئة واترشد (watershed segmentation) كانت المكون الأكثر تأثيراً، حيث حسنت بشكل كبير Tree IoU (من 0.3299 إلى 0.3689) وقللت خطأ المركز. وقد أدى الجمع بين جميع خطوات المعالجة اللاحقة إلى أفضل أداء إجمالي.

الأهمية والادعاءات

يزعم المؤلفون أن هذا العمل يسد الفجوة بين تقنيات الاستشعار عن بعد المتقدمة واحتياجات إدارة الغابات العملية. ومن خلال الموازنة بين دقة الكشف وتقليل عيوب التجزية المفرطة، تتيح الطريقة التحديد الدقيق للأشجار الميتة الفردية، وهو أمر بالغ الأهمية لـ:

• تقييم مخاطر حرائق الغابات: تحديد تراكمات الوقود.
• تقدير مخزون الكربون: تتبع الانبعاثات من الكتلة الحيوية المتحللة.
• الزراعة الدقيقة للغابات: استهداف عمليات قطع الأشجار لغرض الإنقاذ واستراتيجيات إعادة التحريج.

وُصف إطار العمل بأنه فعال حاسوبياً، مما يدعم التطبيقات القابلة للتوسع مثل رسم خرائط وفيات الأشجار الشاملة (wall-to-wall) عبر مناطق جغرافية واسعة. وتضع هذه الدراسة هذا العمل كتقدم في أدوات المراقبة البيئية واسعة النطاق، حيث تقدم حلاً قوياً للمراقبة الإيكولوجية في البيئات المعقدة ذات الغطاء النباتي الكثيف.