Foundation-Model Earth Representations Enable Regional-Scale Forest Aboveground Biomass Monitoring Across the Northeastern United States
تُظهر هذه الدراسة أن دمج تضمينات صور أقمار جوجل الاصطناعية (Google Satellite Embeddings) المستمدة من نموذج ألفا إيرث (AlphaEarth) التأسيسي مع بيانات الليدار (LiDAR) المحمولة جواً وبيانات جرد الغابات يتيح مراقبة عالية الدقة، وقابلة للتوسع، ومتسقة زمنياً للكتلة الحيوية فوق الأرض في الغابات عبر شمال شرق الولايات المتحدة، مما يحسن بشكل كبير من الأداء التنبؤي ويقلل من الانحياز مقارنة بالطرق التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الأرض كرئة عملاقة تتنفس. في كل مرة تستنشق فيها هذه الرئة، تسحب ثاني أكسيد الكربون من الهواء وتخزنه داخل أنسجتها — الأشجار، والأوراق، والجذور. يُسمى هذا الكربون المخزن "الكتلة الحيوية فوق الأرضية"، وهو السلاح السري الذي تستخدمه الغابات لمحاربة تغير المناخ. لكن الجزء الصعب هو أنه لكي يعرف العلماء كمية الكربون التي تحتفظ بها الغابة، يتعين عليهم عادةً الخروج وقياس كل شجرة على حدة، والقيام بالكثير من العمليات الحسابية المعقدة. الأمر يشبه محاولة عد حبات الرمل على الشاطئ عبر التقاطها واحدة تلو الأخرى؛ إنه أمر بطيء، ومكلف، وغالبًا ما يكون مستحيلاً القيام به في كل مكان في وقت واحد.
في السنوات الأخيرة، حاول العلماء استخدام الأقمار الصناعية لاختصار الطريق. فبدلاً من قياس الأشجار مباشرة، ينظرون إلى صور من الفضاء لتخمين كمية الخشب الموجودة هناك. لكن صور الأقمار الصناعية التقليدية تشبه إلى حد كبير النظر إلى غابة من خلال نافذة ضبابية؛ يمكنهم رؤية المظلة الخضراء، لكن لا يمكنهم معرفة مدى طول الأشجار أو سماكة أغصانها. وهنا يأتي دور نوع جديد من أدوات "الأقمار الصناعية الفائقة". فكر في هذه الأدوات كأنها مترجم سحري؛ فبدلاً من مجرد عرض صورة، تقوم بتحويل المشهد الطبيعي بأكمله إلى "شفرة سرية" — قائمة طويلة من الأرقام التي تصف شكل الغابة، وصحتها، وتاريخها، كل ذلك في آن واحد. يسأل هذا البحث سؤالاً كبيراً: هل يمكننا استخدام هذه "الشفرة السرية" الجديدة من نظام ذكاء اصطناعي عالمي لعدّ تخزين الكربون في الغابة بدقة، حتى في الأماكن التي لا نملك فيها خرائط ثلاثية الأبعاد عالية التقنية للأشجار؟
الشفرة السرية للغابة
في هذه الدراسة، قرر باحثان من جامعة كونيتيكت وضع هذه "الشفرة السرية" الجديدة قيد الاختبار في غابات شمال شرق الولايات المتحدة. أرادا معرفة ما إذا كان بإمكانهما استخدام أداة جديدة قوية تسمى تضمينات جوجل الساتلية (Google Satellite Embeddings - GSE) لتقدير كمية الخشب المخزنة في الأشجار.
لفهم التحدي، تخيل أنك تحاول تخمين وزن حقيبة ظهر.
- الطريقة القديمة (LiDAR): لديك ماسح ضوئي ثلاثي الأبعاد يقيس الارتفاع والشكل الدقيق لحقيبة الظهر. إنه دقيق للغاية، لكن لا يمكنك استخدامه إلا إذا كان الماسح موجوداً هناك بالفعل. في العالم الحقيقي، هذا هو تقنية LiDAR، وهي تقنية ليزر تنشئ خرائط ثلاثية الأبعاد مفصلة للغابات. إنها رائعة، لكنها نادرة ومكلفة، مثل امتلاك ماسح ضوئي ثلاثي الأبعاد لعدد قليل جداً من حقائب الظهر في مدرسة كاملة.
- الطريقة الجديدة (GSE): لديك ذكاء اصطناعي فائق الذكاء قد نظر إلى ملايين حقائب الظهر من الفضاء، وتقارير الطقس، والخرائط. هو لا يرى الحقيبة مباشرة، لكنه تعلم "شفرة سرية" (قائمة من 64 رقماً) تصف كيف تبدو حقيبة الظهر عادةً بناءً على محيطها. هذا هو تضمين جوجل الساتلي (GSE). وهو متاح في كل مكان، وفي كل عام، لكنه غامض بعض الشيء لأنه "صندوق أسود" — نحن نعرف أنه يعمل، لكننا لا نعرف دائماً بالضبط أي رقم يعني "شجرة طويلة" وأي رقم يعني "أوراقاً سميكة".
التجربة: مزج الأدوات
جمع الباحثون بيانات من شبكة جرد غابات شمال شرق الولايات المتحدة (NEFIN)، والتي تشبه سجلًا ضخمًا للقياسات الغابية التي أجراها البشر على مدى عقود. كان لديهم هدفان رئيسيان:
- هل يمكنهم استخدام "الشفرة السرية" (GSE) وحدها لتخمين وزن الغابة؟
- هل يمكنهم مزج "الشفرة السرية" مع الخرائط الليزرية ثلاثية الأبعاد (LiDAR) للحصول على تخمين أفضل؟
قاموا بتغذية كل هذه المعلومات في ثلاثة أنواع مختلفة من نماذج "الدماغ" الحاسوبية (تسمى Random Forest و XGBoost و ExtraTrees) لمعرفة أي منها يمكنه التعلم بشكل أفضل.
النتائج: التركيبة الفائزة
إليكم ما وجدوه، وهو أمر مثير للغاية:
- الخرائط الليزرية ثلاثية الأبعاد لا تزال هي الملك: عندما استخدموا فقط الخرائط الليزرية ثلاثية الأبعاد (LiDAR)، قامت النماذج الحاسوبية بعمل رائع، حيث وصلت دقة النموذج (المعبر عنها بـ R²) إلى 0.79 بعد ضبط الإعدادات. وهذا يعني أن النموذج استطاع تفسير حوالي 79% من التغيرات في وزن الغابة.
- الشفرة السرية هي وصيف قوي: عندما استخدموا فقط "الشفرة السرية" (GSE)، حققت النماذج أداءً جيداً بشكل مفاجئ، حيث وصلت الدقة إلى 0.67 مع مجموعة البيانات الأصغر. وهذا يثبت أن "الشفرة السرية" للذكاء الاصطناعي تعرف الكثير عن الغابة، حتى بدون الخرائط الليزرية ثلاثية الأبعاد.
- قوة العمل الجماعي: جاءت النتيجة الأفضل على الإطلاق عندما جمعوا بين الخرائط الليزرية ثلاثية الأبعاد و"الشفرة السرية". هذا التعاون دفع الدقة إلى 0.79 أيضاً، مما يظهر أن الطريقتين تكملان بعضهما البعض بشكل مثالي. فقد تبين أن الخرائط ثلاثية الأبعاد تخبر الكمبيوتر مدى طول الأشجار، بينما تخبره الشفرة السرية نوع الغابة وكيف تتغير بمرور الوقت. معاً، يشكلان ثنائياً مثالياً.
الاختراق الكبير: ملء الفجوات
حدث الاكتشاف الأكثر إثارة للدهشة عندما توقفوا عن القلق بشأن الخرائط الليزرية ثلاثية الأبعاد. نظرًا لأن "الشفرة السرية" (GSE) متاحة كل عام لكل العالم، تمكن الباحثون من استخدام كمية أكبر بكثير من البيانات. لقد وسعوا دراستهم من مجموعة صغيرة مكونة من 589 قطعة غابية إلى مجموعة ضخمة تضم 6,801 قطعة!
باستخدام هذه الكمية الهائلة من البيانات وترك الكمبيوتر يتعلم من "الشفرة السرية" وحدها، حققوا أعلى درجة دقة لهم: 0.82.
ماذا يعني هذا للمستقبل
تشير هذه الدراسة إلى أننا لسنا بحاجة دائماً إلى خرائط ليزرية ثلاثية الأبعاد باهظة الثمن لمراقبة الغابات. إذا كان لدينا قياسات أرضية جيدة (مثل سجل NEFIN) واستخدمنا هذه "الشفرة السرية" العالمية الجديدة، فيمكننا إنشاء خرائط دقيقة لتخزين كربون الغابات لأقاليم بأكملة، حتى في الأماكن التي لم نقم فيها أبداً بتشغيل ماسح ليزري.
وجد الباحثون أنه باستخدام هذه الطريقة، استطاعوا تقليل تحيز النموذج بأكثر من 70% مقارنة بالنماذج التي لم تستخدم تعديلات النمو السنوية وبيانات GSE. كما أظهروا أنه من خلال ضبط إعدادات الكمبيوتر (عملية تسمى تحسين المعلمات الفائقة)، يمكنهم جعل النتائج أكثر استقراراً وموثوقية.
الخلاصة
بينما تظل الخرائط الليزرية ثلاثية الأبعاد هي الأداة الأكثر دقة للمناطق الصغيرة والمفصلة، فإن هذه "الشفرة السرية" الجديدة من ذكاء جوجل الاصطناعي هي أداة لتغيير قواعد اللعبة للمراقبة واسعة النطاق. فهي تسمح للعلماء بملء الفجوات حيث لا توجد خرائط ليزرية. وتخلص الدراسة إلى أنه من خلال الجمع بين أدوات الذكاء الاصطناعي الجديدة هذه مع البيانات الغابية التقليدية، يمكننا أخيراً وضع عين أفضل بكثير، سنة بسنة، على كمية الكربون التي تخزنها غاباتنا، مما يساعدنا على فهم وحماية مناخ كوكبنا بشكل أكثر فعالية من أي وقت مضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.