Estimation of Fish Catch Using Sentinel-2, 3 and XGBoost-Kernel-Based Kernel Ridge Regression

ملخص تقني: تقدير صيد الأسماك باستخدام Sentinel-2 و3 ونموذج XGBoost-Kernel-Based Kernel Ridge Regression

1. بيان المشكلة

يعد تقدير توزيع وصيد الأسماك أمراً بالغ الأهمية للأمن الغذائي العالمي والإدارة المستدامة للمحيطات (دعم أهداف التنمية المستدامة للأمم المتحدة 2 و14). ومع ذلك، فإن إنشاء ارتباط موثوق بين وفرة الأسماك والعوامل الأوقيانوغرافية البيئية (مثل درجة حرارة سطح البحر، وتركيز الكلوروفيل، والتقلبات الصاعدة/Upwelling) يعد أمراً معقداً بسبب الطبيعة غير الخطية للغاية للأنظمة البيئية البحرية. غالباً ما تعتمد مناهج الاستشعار عن بعد التقليدية على الانحدار البسيط أو نماذج الأشجار القياسية، والتي تعاني من قيئات مثل التنبؤات الثابتة جزئياً والتحيزات الاستدلالية، مما يجعلها أقل فعالية في التقاط العلاقات المعقدة وغير الخطية بين البيانات الطيفية والإنتاجية البيولوجية.

2. المنهجية

يقترح المؤلفون إطار عمل هجينا جديداً لتعلم الآلة: XGBoost-Kernelized Kernel Ridge Regression (KRR).

• الابتكار الجوهري: بدلاً من استخدام النوى الرياضية القياسية (مثل النواة الخطية أو نواة الدالة الشعاعية الأساسية RBF)، يستخدم الباحثون نموذج Extreme Gradient Boosting (XGBoost) مدرباً لتوليد نواة مخصصة.
  • يقومون باستخراج دالات مؤشر الورقة (leaf index functions) من الأشجار $P$ لنموذج XGBoost.
  • يتم تحويل هذه المؤشرات إلى مصفوفة تضمين "one-hot" ($Z$).
  • بعد ذلك، يتم تعريف النواة $K$ بناءً على عمليات التضمين هذه ($K = \frac{1}{P} ZZ^T$)، مما يسمح لنموذج KRR بالاستفيد من قدرات استخراج الميزات غير الخطية عالية الأبعاد الخاصة بـ gradient boosting ضمن إطار عمل انحدار الحافة (ridge regression).
• مصادر البيانات: تستخدم الدراسة صوراً متعددة الأطياف من مستشعرين فضائيين مختلفين:
  • Sentinel-2 MSI: دقة مكانية عالية، مفيدة لالتقاط التفاعلات الإيكولوجية دقيقة النطاق.
  • Sentinel-3 OLCI: دقة مكانية أخشن ولكنها توفر استجابات طيفية أكثر سلاسة مناسبة لتوصيف جودة المياه الكلية.
• الحقيقة الأرضية (Ground Truth): تم استخدام بيانات السجلات الشهرية (الصيد بالكيلوغرام) من مصايد الأسماك التايوانية التي تستهدف أسماك "السيبريم" (عند خط عرض 22 شمالاً، وخط طول 117 شرقاً إلى 27 شمالاً، و126 شرقاً) للتدريب والتحقق.

3. المساهمات الرئيسية

• تطوير نموذج هجين: إنشاء إطار عمل XGBoost-KRR، الذي يجسد الفجوة بين استخراج الميزات القائم على الأشجار والانحدار القائم على النواة.
• التطبيق المستقل عن المستشعر: إثبات أن المنهج المقترح فعال عبر منصات أقمار صناعية مختلفة (Sentinel-2 وSentinel-3) رغم اختلاف دقتها المكانية والطيفية.
• تحليل الحساسية الطيفية: توصيف دقيق لكيفية استجابة نطاقات أطوال موجية محددة (مثل نطاقات الحافة الحمراء في Sentinel-2 ونطاقات الأزرق-الأخضر في Sentinel-3) للظروف الأوقيانوغرافية والإنتاجية البيولوجية.

4. النتائج والمناقشة

تمت مقارنة أداء XGBoost-KRR (المسمى KRR-XGB) مقابل النوى الخطية (KRR-Lin) ونوى الدالة الشعاعية الأساسية (KRR-RBF).

• أداء Sentinel-2: تفوق نموذج KRR-XGB بشكل كبير على النماذج الأخرى، حيث قلل من جذر متوسط مربع الخطأ (RMSE) بنسبة 59% إلى 61%. وحقق معامل ارتباط مرتفع جداً ($\rho = 0.924$) وتحسناً هائلاً في قيمة D (وهي مقياس لدقة التنبؤ).
• أداء Sentinel-3: أثبت KRR-XGB تفوقه مرة أخرى، حيث قلل من RMSE بنسبة 27.6% إلى 40% وحقق ارتباطاً قوياً ($\rho = 0.731$).
• الخرائط المكانية: أنتج النموذج خرائط مكانية للصيد قبالة سواحل تايوان. أظهرت الخرائط مناطق صيد عالية الكثافة في الشمال الشرقي، وهو ما يتوافق مع المعرفة الأوقيانوغرافية المتعلقة بالتقلبات الصاعدة (upwelling) والخلط الرأسي الغني بالمغذيات في تلك المنطقة، بينما أظهر الجنوب الغربي كثافة أقل بسبب الظروف قليلة المغذيات (oligotrophic).

5. الأهمية

يعزز هذا البحث مجال تقييم المصايد القائم على الأقمار الصناعية من خلال توفير أداة أكثر قوة وغير خطية لتقدير الكتلة الحيوية. ومن خلال الدمج الناجح لبيانات MSI عالية الدقة مع بيانات OLCI الخاصة بجودة المياه، توفر المنهجية نهجاً قابلاً للتوسع لمراقبة النظم البيئية البحرية. ولهذا نتائج مباشرة على الإدارة المستدامة للنظم البيئية، مما يساعد السلطات على التنبؤ بتوفر الأسماك وإدارة الموارد البحرية بشكل أكثر فعالية لضمان الأمن الغذائي على المدى الطويل.