Transferable Above-Ground Biomass (AGB) Estimation Model from Multi-Sensor Data with Sparse Field Calibration

ميزان الغابة العظيم

تخيل محاولة وزن غابة دون قطع شجرة واحدة. هذا هو التحدي الهائل الذي يواجه العلماء عندما يريدون معرفة كمية الكربون المخزنة في الغابات الخشبية حول العالم. الأشجار هي خزائن الكربون الطبيعية، فهي تمتص الغاز الذي يرفع درجة حرارة كوكبنا، لكن تحديد كمية ما تحتويه بالضبط أمر صعب. لا يمكنك ببساطة الوقوف على ميزان؛ بل عليك تقدير وزن الجذوع والأغصان والأوراق من مسافة بعيدة.

للقيام بذلك، يستخدم الباحثون أداتين رئيسيتين. أولاً، هناك فرق ميدانية تسير في الغابات لقياس الأشجار باستخدام أشرطة القياس والموازين. هذا يشبه التقاط صورة مثالية وعالية الدقة لغرفة واحدة، لكنه عملية بطيئة ومكلفة وتترك فجوات كبيرة بين الغرف. ثانياً، هناك أقمار صناعية تدور حول الأرض يمكنها رؤية الغابة بأكملة في وقت واحد. تستخدم بعض الأقمار الصناعية الكاميرات (البصرية) لرؤية مدى اخضرار الأوراق، بينما يستخدم البعض الآخر الرادار "للرؤية" عبر السحب وقياس سمك الأغصان. ومع ذلك، غالباً ما ترتبك الأقمار الصناعية؛ فقد تعتقد أن غابة كثيفة وداكنة أثقل مما هي عليه في الواقع، أو قد تغفل عن التمييز بين شتلة صغيرة وغابة عملاقة عتيقة.

السؤال الكبير هو: كيف نجمع بين القياسات المحلية المثالية ومشاهدات الأقمار الصناعية الواسعة للحصول على خريطة دقيقة في كل مكان ومنخفضة التكلفة بما يكفي لتحديثها؟ إذا لم نتمكن من ضبط ذلك، فلن نتمكن من الوثوق بالأرقام المستخدمة لمحاربة تغير المناخ أو حماية الغابات.

---

الفكرة الكبرى للورقة البحثية: عقل عالمي بلمسة محلية

تقدم هذه الورقة البحثية من مختبرات DAI حلاً ذكياً لهذه المشكلة. فكر في الأمر كأنك تعلم روبوتاً فائق الذكاء كيفية التعرف على الغابات. بدلاً من تعليم الروبوت بشكل منفصل لكل غابة في العالم (وهو أمر سيستغرق وقتاً طويلاً)، قام الباحثون بتدريب "عقل عالمي" ضخم واحد باستخدام بيانات من جميع أنحاء الكوكب.

العقل العالمي
بنى الفريق برنامجاً حاسوبياً قوياً يسمى "الشبكة العصبية الالتفافية" (CNN). يمكنك التفكير في هذا البرنامج كـ "محقق رقمي" ينظر إلى رقعة من الغابة ويحاول تخمين كمية الخشب الموجودة هناك. ولجعل هذا المحقق حاد الذكاء، غذوه بوجبة ضخمة من البيانات من ثلاثة أنواع مختلفة من الأقمار الصناعية:

1. الكاميرات البصرية (Sentinel-2): وهي ترى الأوراق الخضراء ومدى صحة الأشجار.
2. رادار النطاق C (Sentinel-1): يستخدم موجات راديو قصيرة للرؤية عبر السحب وقياس الأغصان الصغيرة والرطوبة.
3. رادار النطاق L (ALOS-2): يستخدم موجات راديو أطول يمكنها اختراق المظلة الشجرية بعمق لتشعر بالجذوع السميكة والأغصان الرئيسية.

تعلم المحقق أيضاً النظر إلى الغابة في موسمين مختلفين: موسم الأمطار (عندما تكون الأشجار نضرة وخضراء) وموسم الجفاف (عندما قد تسقط الأوراق أو تتحول للون البني). ومن خلال رؤية الغابة نفسها بـ "أزياء" مختلفة، تعلم المحقق تجاهل التغيرات المؤقتة في الأوراق والتركيز على الهيكل الدائم للأشجار — أي الخشب الذي يخزن الكربون فعلياً.

المشكلة: خلل "النموذج الموحد للجميع"
عندما اختبر الباحثون هذا العقل العالمي على غابة محددة في ملاوي (تسمى غابة بيريكيزي)، تعثر النموذج. كان الأمر أشبه بطاهٍ بارع في طبخ الطعام الإيطالي ولكنه يحاول طبخ الطعام التايلاندي باستخدام نفس الوصفة تماماً؛ فالنكهات لم تكن متطابقة. خمن النموذج العالمي الكتلة الحيوية (وزن الأشجار) مع وجود الكثير من الأخطاء. في الواقع، عند مقارنته بالقياسات الحقيقية المأخوذة من الأرض، سجل النموذج غير المعاير درجة دقة منخفضة جداً (R² بلغ 0.11 فقط)، وكان منحرفاً بمتوسط 33.58 ميجا جرام/هكتار. لقد كان يرى الغابة، لكنه لم يكن "يشعر" بالأشجار المحلية بشكل صحيح.

الحل: الضبط المحلي
هنا تبرز الابتكارية الرئيسية للورقة البحثية. بد instead من إعادة تدريب العقل العالمي الضخم لكل غابة جديدة، ابتكر المؤلفون خطوة معايرة "خفيفة الوزن". تخيل أن العقل العالمي هو محطة راديو تبث الموسيقى للعالم أجمع؛ عندما تضبط الموجة على محطة محلية، قد تحتاج إلى تعديل مستوى الصوت أو "الباص" لجعل الصوت مثالياً في غرفتك الخاصة.

استخدم الباحثون عدداً صغيراً من القطاعات الميدانية الحقيقية (حوالي 50 إلى 149 شجرة تم قياسها يدوياً في ملاوي) لإنشاء "ضبط" للنموذج العالمي. وقد فعلوا ذلك عبر خطوتين ممتعتين:

1. الضبط الدقيق باستخدام "الغابة العشوائية" (Random Forest): استخدموا نوعاً آخر من النماذج الحاسوبية (الغابة العشوائية) للنظر في البيانات الميدانية المحلية وتخمينات النموذج العالمي. تعلم هذا النموذج الخصائص الفريدة لأشجار ملاوي — مثل كيفية اختلاف كثافة خشبها أو شكلها عن الأشجار في البلدان الأخرى.
2. تصحيح الانحياز متعدد الحدود (Polynomial Bias Correction): أخيراً، طبقوا صيغة رياضية لـ "الشد والضغط" (متعدد حدود من الدرجة الثالثة) لإصلاح أي أخطاء منهجية متبقية. كان هذا يشبه تدوير قرص الضبط لضبط توقعات النموذج بدقة مع الحقيقة الأرضية.

النتائج: من التخبط إلى الوضوح التام
كانت النتائج دراماتيكية. بعد عملية الضبط المحلي هذه، ارتفقت دقة النموذج بشكل هائل:

• قفز الارتباط بين تخمين النموذج والأشجار الحقيقية من 0.11 ضعيف إلى 0.82 قوي.
• انخفض متوسط الخطأ من 33.58 ميجا جرام/هكتار ضخم إلى 15.00 ميجا جرام/هكتار فقط.

تظهر الورقة أن هذه الطريقة لا تعمل في ملاوي فحسب، بل في مناطق أخرى مثل نتشيسي ودزالانياما أيضاً. وعندما قارنوا خرائطهم المضبوطة بمنتج عالمي شهير من وكالة الفضاء الأوروبية (ESA CCI)، كانت طريقتهم أقرب بكثير إلى القياسات الأرضية الحقيقية.

ماذا يعني هذا؟
يشير المؤلفون إلى أن هذا النهج يمثل تحولاً جذرياً في حساب الكربون. وهذا يعني أننا لسنا بحاجة لإنفاق ملايين الدولارات لقياس كل غابة من الصفر؛ بل يمكننا استخدام نموذج عالمي ذكي واحد، ثم نقضي القليل من الوقت والمال في بعض القطاعات الميدانية المحلية لـ "معايرة" النموذج لأي منطقة محددة.

تؤكد الورقة أنه بينما يكون النموذج العالمي وحده جيداً في رؤية الهياكل العامة، فإنه يحتاج إلى تلك المعايرة المحلية ليكون دقيقاً بما يكفي لسياسات المناخ وإدارة الغابات الجادة. كما استبعدوا صراحة فكرة أننا بحاجة لإعادة تدريب النموذج الضخم بالكامل لكل موقع جديد؛ وبدلاً من ذلك، أثبتوا أن تعديلاً محلياً بسيطاً كافٍ لإنجاز المهمة بشكل صحيح.

في النهاية، يقدم هذا الإطار طريقة لإنشاء خرائط عالية الجودة وشاملة للكتلة الحيوية للغابات، تكون دقيقة، ومنخفضة التكلفة، وجاهزة للمساعدة في تتبع خزائن الكربون في كوكبنا. إنه جسر بين الصورة الكبيرة للأقمار الصناعية والتفاصيل الدقيقة للأشجار الحقيقية، ويثبت أنه في بعض الأحيان، تحتاج فقط إلى لمسة محلية لجعل الفكرة العالمية تعمل ببراعة.