Georeferencing Non-Gazetteered Place Names using Biological Specimen Records

تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث عن شخص مفقود، أنت تحاول العثور على مكان لا وجود له في أي خريطة. هذا هو عالم الإسناد الجغرافي (georeferencing)، وهو فرع من العلوم يحول الكلمات التي تصف موقعاً إلى إحداثيات فعلية (مثل خطوط الطول والعرض) يمكن للحواسيب استخدامها. عادة ما يكون هذا سهلاً: إذا ذكر نص ما كلمة "باريس"، يبحث الكمبيوتر عنها في قاموس رقمي للأماكن يسمى المسرد (gazetteer) ويجد البقعة الدقيقة. ولكن ماذا يحدث عندما يذكر النص مكاناً ليس موجوداً في القاموس؟ ربما يكون اسماً قديماً من قبل 100 عام، أو لقباً محلياً يعرفه الجيران فقط، أو بقعة محددة مثل "شجرة البلوط الكبيرة بالقرب من الجدول" التي لم تحصل أبداً على اسم رسمي. تُسمى هذه أسماء الأماكن غير المدرجة في المسارد (non-gazetteered place names). إنها تشبه الأشباح في الآلة؛ أماكن حقيقية لا يستطيع الكمبيوتر رؤيتها ببساطة لأنها مفقودة من كتبه المرجعية. وهذا أمر مهم لأن ملايين السجلات التاريخية، من الرسائل القديمة إلى السجلات العلمية، مليئة بهذه الأسماء غير المرئية، مما يحجب معرفة جغرافية قيمة لا يمكننا الوصول إليها أو استخدامها.

يتعمق هذا البحث في كنز من هذه المواقع المخفية: سجلات العينات البيولوجية. فكر في هذه السجلات كأنها ملاحظات ميدانية لعلماء قضوا أكثر من قرن في جمع النباتات والحشرات والفطريات. عندما كانوا يكتشفون نوعاً جديداً، كانوا يكتبون بالضبط أين وجدوه، وغالباً باستخدام أسماء محلية غير رسمية للمعالم. تساءل الباحثون في هذه الدراسة سؤالاً كبيًرا: هل يمكننا استخدام الأدلة المتناثرة عبر آلاف هذه الملاحظات القديمة لمعرفة أين توجد هذه الأماكن "الشبحية" حقاً؟ لقد عاملوا سجلات العينات كأنها أحجية ضخمة. فإذا قالت إحدى الملاحظات إن نباتاً وُجد "شمال كابستاند (Cabstand)" وقالت ملاحظة أخرى إنه وُجد "جنوب كابستاند"، ونحن نعرف الإحداثيات الدقيقة لأماكن جمع هذه النباتات، فيمكننا العمل بشكل عكسي لمعرفة أين يجب أن تكون "كابستاند". ومن خلال دمج هذه الأدلة، حاول الفريق تحديد مواقع هذه الأماكن المفقودة باستخدام ثلاث استراتيجيات تحقيق مختلفة: طريقة اتباع القواعد الصارمة، وطريقة الاحتمالات الرياضية، وطريقة الذكاء الاصطناعي (AI) الحديثة.

لغز الأماكن المفقودة

تبدأ القصة بمجموعة ضخمة من البيانات من "ألان هيرباريوم" (Allan Herbarium) في نيوزيلندا. فحص الباحثون أكثر من 13,000 سجل رقمي لعينات نباتية. قاموا بمسح النصوص بحثاً عن أسماء الأماكن ثم تحققوا منها مقابل قواعد بيانات الخرائط الحكومية الرسمية. وكما توقعوا، وجدوا مئات الأسماء التي لا وجود لها في أي مسرد رسمي. كانت هذه هي أسماء الأماكن غير المدرجة في المسارد (NGPs). بعضها كان محطات مزارع تاريخية، وبعضها الآخر نقاط مسح قديمة (trig points)، وبعضها كان مجرد أماكن مجتمعية محلية مثل مدرسة معينة أو مقهى.

المشكلة هي أن هذه الأسماء لم تكن تملك إحداثيات. ولحل هذه المشكلة، أدرك الفريق أن لديهم سلاحاً سرياً: التكرار (redundancy). في عالم البيولوجيا الميدانية، غالباً ما يجمع العلماء عينات عديدة في نفس المنطقة العامة. وهذا يعني أن نفس اسم المكان المخفي قد يظهر في عشرات الملاحظات المختلفة، وفي كل مرة بوصف مختلف. قد تقول إحدى الملاحظات: "وُجد بالقرب من كابستاند"، بينما تقول أخرى: "وُجد على بُعد ميل شمال كابستاند". ورغم أن "كابستاند" ليست موجودة على الخريطة، إلا أن العينات المحيطة بها موجودة. ومن خلال معرفة مكان العينات بدقة، استطاع الباحثون إعادة هندسة موقع اسم المكان المفقود.

ثلاث طرق لحل الأحجية

لحل الشفرة، اختبر الفريق ثلاثة نهج، لكل منها شخصيته الخاصة.

1. متبع القواعد الصارم (الطريقة الحتمية - Deterministic Method)
تخيل روبوتاً يتبع التعليمات بدقة تامة ولكنه يرتبك إذا كانت التعليمات غامضة قليلاً. حاولت هذه الطريقة رسم "صندوق" صارم حول الموقع المحتمل للمكان المفقود. إذا قالت الملاحظة "شمال"، رسم الروبوت خطاً وقال: "المكان يجب أن يكون فوق هذا الخط". وإذا قالت ملاحظة أخرى "جنوب"، رسم خطاً آخر. وكان يجب أن يكون الجواب هو حيث تتقاطع جميع الخطوط.

• النتيجة: كانت هذه الطريقة متطلبة جداً. إذا لم تتطابق الأدلة تماماً (وهو ما يحدث غالباً لأن الملاحظات القديمة قد تكون غامضة)، فإن الروبوت يستسلم ويقول: "لا أستطيع حل هذا". لقد فشلت في إيجاد موقع لـ 108 من أصل 365 مكاناً حاولت حلها. وعندما نجحت، لم تكن دقيقة جداً.

2. عبقري الرياضيات (الطريقة الاحتمالية - Probabilistic Method)
كان هذا النهج أشبه بخبير الأرصاد الجوية. فبدلاً من رسم خطوط صلبة، استخدم الرياضيات لحساب احتمالية وجود مكان في بقعة معينة. تعامل مع كل دليل كأنه "صوت". الملاحظة التي تقول "1 كم شرقاً" قدمت صوتاً قوياً لبقعة تبعد 1 كم شرقاً. أما الملاحظة التي تقول "بالقرب من" فقد قدمت صوتاً أضعف وأوسع نطاقاً. قام الكمبيوتر بجمع كل الأصوات لإيجاد البقعة ذات الدرجة الإجمالية الأعلى.

• النتيجة: كان هذا هو البطل. لقد نجح في إيجاد موقع لكل مكان على الإطلاق. كان الأكثر دقة، حيث بلغ متوسط الخطأ 1.43 كم. وهذا يعني أنه في نصف الحالات، كان الموقع المتوقع ضمن نطاق 1.43 كم من الموقع الحقيقي. كما نجح في الوصول إلى الموقع ضمن نطاق 1 كم من الحقيقة بنسبة 36% من المرات.

3. محقق الذكاء الاصطناعي (طريقة النماذج اللغوية الكبيرة - LLM Method)
استخدم هذا النهج نموذجاً لغوياً كبيراً (ذكاء اصطناعي متقدم) وأعطاه النص الخام للملاحظات والإحداثيات، وطلب منه "استنتاج الأمر". كان على الذكاء الاصطناعي قراءة الأدلة، وفهم العلاقات (مثل "شمال" أو "بالقرب من")، والقيام بالعمليات الحسابية الذهنية لتخمين البقعة. حتى أن الباحثين طلبوا من الذكاء الاصطناعي شرح منطقه، مما ساعده بشكل مفاجئ على التحسن.

• النتيجة: كان الذكاء الاصطناعي منافساً قوياً. وجد مواقع لجميع الأماكن وكان لديه متوسط خطأ منخفض جداً، مما يشير إلى أنه نادراً ما يرتكب أخطاءً فادحة أو جنونية. ومع ذلك، لم يكن بدقة عبقري الرياضيات. بلغ متوسط الخطأ لديه 1.80 كم، ونجح في الوصول إلى الموقع ضمن نطاق 1 كم من الحقيقة بنسبة 31% فقط.

ماذا تخبرنا الأدلة؟

وجدت الدراسة بعض الأنماط المثيرة للاهتمام حول كيفية تعامل هذه الطرق مع أنواع مختلفة من الأدلة.

• المسافة مهمة: عندما قالت ملاحظة "1 كم شمالاً"، أدت جميع الطرق أداءً أفضل. فالمسافة أعطت مرساة صلبة.
• الاتجاه وحده صعب: إذا قالت الملاحظة "شمال" فقط دون مسافة، عانى عبقري الرياضيات أكثر قليلاً لأن "شمال" قد تعني أي شيء من بضعة أمتار إلى مئات الكيلومترات. ومع ذلك، كان الذكاء الاصطناعي جيداً بشكل مفاجئ في تخمين المسافة الصحيحة حتى بدون رقم، مستخدماً على الأرجح تدريبه على كيفية وصف الناس للأشياء.
• مشكلة "بالقرب من": كان الدليل الأكثر شيوعاً هو مجرد كلمة "بالقرب من". وهذا وصف غامض. تعامل عبقري الرياضيات مع هذا جيداً عبر اعتبار "بالقرب من" دائرة ضبابية حول العينة. كما أبلى الذكاء الاصطناعي بلاءً حسناً، لكنه كان يعتمد أحياناً على معرفته الداخلية بكيفية عمل العالم، وهو سلاح ذو حدين (قد يخمن بشكل صحيح بالصدفة، أو يخمن بشكل خاطئ بناءً على افتراض سيء).

الحكم النهائي

خلصت الورقة البحثية إلى أنه بينما يعد الذكاء الاصطناعي ذكياً ومرناً للغاية، فإن النمذجة الرياضية التقليدية (الطريقة الاحتمالية) لا تزال هي الملكة من حيث الدقة عندما تحتاج إلى إيجاد بقعة محددة على الأرض. فالذكاء الاصطناعي بارع في تقديم تخمين جيد وشرح تفكيره، ولكن إذا كنت بحاجة إلى الموقع الأكثر دقة ممكن، فإن النهج القائم على الرياضيات هو الفائز.

يؤكد الباحثون بحذر أن هذا ليس حلاً سحرياً يصلح لكل شيء. فهذه الطرق تعمل بشكل أفضل عندما تتوفر أدلة متعددة (ثلاث ملاحظات على الأقل تذكر نفس المكان) وعندما تكون إحداثيات العينات دقيقة. كما أشاروا إلى أن اختبارهم تم على مجموعة بيانات "افتراضية" حيث عرفوا الإجابات مسبقاً للتحقق من عملهم، لذا قد تواجه التطبيقات في العالم الحقيقي تحديات مختلفة.

في النهاية، تثبت هذه الدراسة أنه ليس علينا التخلص من الملاحظات الميدانية القديلة والفوضوية لمجرد أنها تذكر أماكن ليست موجودة في الخرائط الحديثة. فمن خلال معاملة هذه السجلات كشبكة من الأدلة، يمكننا إعادة الحياة لهذه الأماكن "الشبحية"، وملء الفجوات في خرائطنا الرقمية والحفاظ على التاريخ الجغرافي لعالمنا. في المرة القادمة التي ترى فيها ملاحظة تقول "وُجد بالقرب من المطحنة القديمة"، ستعرف أنه مع وجود ملاحظات أخرى كافية، يمكننا على الأرجح العثور على مكان تلك المطحنة بالضبط.