Classifying and Mapping Wetland Vegetation Assemblages in Coastal Louisiana with Landsat Imagery, 1985-2025
تستخدم هذه الدراسة تعلم الآلة والحوسبة السحابية لإنشاء مجموعة بيانات جغرافية مكانية سنوية عالية الدقة (1985-2025) لتجمعات الغطاء النباتي في الأراضي الرطبة بساحل لويزيانا، محققة دقة تصنيف بلغت 78% لدعم جهود الترميم في المنطقة والتي تبلغ قيمتها 50 مليار دولار.
المؤلفون الأصليون:Snedden, G. A., Couvillion, B., Schoolmaster, D. R.
تخيل جلد الأرض كأنه فسيفساء عملاقة حية. بعض قطعها صخور صلبة، وبعضها محيطات زرقاء عميقة، لكن الأكثر سحراً هو الأراضي الرطبة؛ تلك المناطق الإسفنجية العشبية حيث تتصافح اليابسة والمياه. هذه الأماكن هي ممتصات الصدمات في الطبيعة؛ فهي تمتص العواصف، وتفلتر المياه الملوثة، وتوفر مجمعاً سكنياً صاخباً للأسماك والطيور والنباتات. ولكن مثل أي منزل قديم، هي تتغير. أحياناً يرتفع منسوب المياه بسرعة كبيرة، أو تصبح التربة مالحة جداً، فتقوم النباتات التي كانت تعيش هناك بحزم حقائبها وتنتقل إلى حي جديد. يسمي العلماء هذا "تحول الغطاء النباتي"، وهو أمر بالغ الأهمية لأنه إذا تغيرت النباتات، يتغير النظام البيئي بأكمله. ولفهم هذه التحولات، يحتاج العلماء إلى خريطة لا تكتفي بإظهار أين يوجد العشب اليوم، بل أين كان بالأمس، وأين قد يكون غداً. إنهم بحاجة لرؤية قصة الأرض عبر عقود، وليس مجرد لقطة عابرة. وهنا يأتي دور الاستشعار عن بُعد — باستخدام أقمار صناعية تدور في مدارات عالية فوق الأرض لالتقاط صور للأرض، لتعمل كعين عملاقة صبورة لا ترمش، تراقب نمو وانكماش الأراضي الرطبة بمرور الوقت.
الآن، تخيل فريقاً من العلماء في لويزيانا، وهو مكان تغرق فيه الأرض ويرتفع فيه مستوى البحر بشكل أسرع من أي مكان آخر تقريباً في الولايات المتحدة. لديهم مهمة ضخمة وملحة: إنقاذ الساحل، وهو مشروع يكلف مليارات الدولارات ويتضمن خطة مدتها 50 عاماً. ولكن لا يمكنك إصلاح ما لا يمكنك رؤيته بوضوح. في الماضي، كان عليهم الاعتماد على طريقتين غير مثاليتين. إحداهما كانت إرسال أشخاص إلى المستنقعات ومعهم لوحات كتابة لعد النباتات في نقاط محددة — وهي طريقة رائعة في التفاصيل، ولكنها تشبه محاولة فهم مدينة كاملة من خلال النظر فقط إلى ثلاثة شوارع جانبية. والطريقة الأخرى كانت تحليق المروحيات فوق المستنقع كل بضع سنوات لالتقاط الصور — وهي جيدة لرؤية الصورة الكبيرة، لكن الصور كانت تُؤخذ على فترات متباعدة جداً (كل ست سنوات)، مما جعلها تفقد جميع التغييرات الصغيرة السنوية، مثل فيلم يُعرض بمعدل إطار واحد في الثانية.
قرر مؤلفو هذه الورقة البحثية بناء فيلم أفضل. لقد استخدموا خدعة حاسوبية ذكية للغاية تسمى "تعلم الآلة" (فكر في الأمر كتعليم روبوت كيفية التعرف على الأنماط) ودمجوها مع أرشيف ضخم من الصور الملتقطة عبر الأقمار الصناعية "لاندسات" (Landsat). هذه الأقمار الصناعية كانت تلتقط صوراً لمساحات مربعة تبلغ 30 متراً لسطح الأرض كل 16 يوماً منذ عام 1985. علم العلماء الحاسوب الخاص بهم كيف ينظر إلى هذه الصور ويميز 11 نوعاً مختلفاً من نباتات المستنقعات، بالإضافة إلى أشجار المانغروف، بناءً على كيفية عكس النباتات للضوء. لم يكتفوا بالتخمين؛ بل دربوا الحاسوب باستخدام آلاف المسوحات النباتية الواقعية ثم تركوه يمسح كل سنة من عام 1985 إلى عام 2025.
إليكم ما وجدوه: لقد نجحوا في إنشاء خريطة جديدة عالية الدقة توضح بالضبط أي نوع من نباتات المستنقعات ينمو أين، في كل سنة على حدال، ولمدة 40 عاماً. حقق الحاسوب دقة بلغت حوالي 78% من المرات، وهي درجة جيدة لمثل هذه المهمة المعقدة. تكشف الخريطة عن قصص درامية. على سبيل المثال، نوع من العشب يسمى "عشب السلك" (wiregrass) يتلاشى بسرعة، حيث يفقد حوالي 53 كيلومتراً مربعاً كل عام. وفي المقابل، هناك نبات يسمى "ثلاثي المربعات" (three-square) يتوسع في الواقع، وينمو بنحو 19 كيلومتراً مربعاً سنوياً. كما تظهر الخريطة أن بعض المناطق تتحول إلى مياه مفتوحة بمعدل 29.1 كيلومتراً مربعاً سنوياً، مما يؤكد أن الأرض تتلاشى بالفعل في البحر.
لاحظ العلماء أيضاً أن النباتات مرتبة بترتيب محدد للغاية، مثل تدرج لوني، بناءً على مدى ملوحة المياه. فبالقرب من مياه النهر العذبة، تجد نوعاً واحداً من العشب؛ وكلما اتجهت نحو المحيط المالح، تتغير النباتات إلى أنواع مختلفة يمكنها تحمل الملوحة. تثبت الخريطة الجديدة أن هذا "التدرج الملحي" هو قاعدة موثوقة للتنبؤ بمكان عيش النباتات. وبينما ليس الحاسوب مثالياً — فهو يخلط أحياناً بين نوعين من الأعشاب المتشابهة التي تعيش في ظروف ملوحة مختلفة قليلاً — إلا أنه أفضل بكثير من الطرق القديمة. أصبحت مجموعة البيانات الجديدة هذه الآن أداة عامة، آلة زمن رقمية تسمح لأي شخص برؤية كيف تغيرت الأراضي الرطبة في لويزيانا على مدار العقود الأربعة الماضية، مما يوفر الصور السنوية الواضحة اللازمة للمساعدة في إنقاذ الساحل قبل فوات الأوان.
ملخص تقني: تصنيف ورسم خرائط تجمعات النباتات في الأراضي الرطبة في ساحل لويزيانا باستخدام صور لاندسات، 1985-2025
بيان المشكلة تحتوي لويزيانا الساحلية على ما يقرب من 40% من الأراضي الرطبة الساحلية في الولايات المتحدة القارية، لكنها شهدت فقدانًا شديدًا للأراضي، حيث تحول أكثر من 5,000 كم² إلى مياه مفتوحة خلال القرن الماضي. هذا التدهور، المدفوع بارتفاع مستوى سطح البحر النسبي ونقص الإمدادات الرسوبية، يهدد فعالية خطة استعادة بقيمة 50 مليار دولار تمتد لـ 50 عامًا. تتطلب عمليات الاستعادة الفعالة معلومات حول غطاء الأرض تكون دقيقة، وعلى نطاق إقليمي، ومحدثة بانتظام. ومع ذلك، فإن طرق المراقبة الحالية تعاني من قيود كبيرة:
المسوحات الأرضية (CRMS): رغم أنها سنوية، إلا أنها متباعدة مكانيًا (عدد المواقع = 390 موقعًا) وبدأت فقط في عام 2006.
المسوحات الجوية: توفر دقة مكانية عالية ولكنها غير منتظمة (بمتوسط فاصل زمني قدره 6 سنوات)، مما يفشل في رصد التباينات السنوية الناتجة عن الظواهر المناخية مثل ظاهرة النينيو (ENSO).
استقرار التصنيف: تفتقر طرق التجميع البارامترية التقليدية (مثل TWINSPAN) المستخدمة لتحديد تجمعات النباتات إلى الاستقرار عند إضافة بيانات جديدة، مما يؤدي إلى تغيير التصنيفات السابقة ويعيق المقارنات الزمنية طويلة المدى.
المنهجية قام المؤلفون بتطوير مجموعة بيانات مجتمعات نباتات الأراضي الرطبة الساحلية في لويزيانا (LCWVCD)، وهي مجموعة بيانات جغرافية مكانية بدقة 30 مترًا، سنوية (1985-2025)، للأراضي الرطبة ذات النباتات البازغة. تم تنفيذ سير العمل، الذي تم بشكل أساسي على "Google Earth Engine"، عبر دمج التعلم الآلي مع بيانات الاستشعار عن بُعد التاريخية:
تطوير المصنف (SOM): تم تدريب خريطة تنظيم ذاتي (SOM) باستخدام 2,526 مسحًا نباتيًا في الموقع (49 نوعًا) من 343 موقعًا تابعًا لـ CRMS (2008-2014). حدد هذا 11 نوعًا متميزًا من مجتمعات نباتات الأراضي الرطبة البازغة (مثل: عشب العذراء own, bulltongue, wiregrass, oystergrass) بالإضافة إلى فئة واحدة من أشجار المانغروف.
توليد بيانات التدريب: تم إسقاط المسوحات النباتية المعتمدة على المروحيات من أعوام 1997، 2001، 2007، 2013، و2021 (حوالي 4,000 قطعة لكل منها) على خريطة الـ SOM لتعيين أنواع المجتمعات. بالإضافة إلى ذلك، استُخدمت بيانات NOAA C-CAP لتحديد مناطق المانغروف. لكل سنة مسح، استُخدم 50% من هذه النقاط الموسومة كبيانات تدريب، و50% كبيانات تحقق.
توليد متغيرات السمات: تمت معالجة بيانات "Landsat Collection 2" للانعكاس السطحي (1985-2025) لإنشاء سلاسل زمنية سنوية. تم حجب السحب واستكمال البيانات باستخدام الوسيط المتحرك لمدة 35 يومًا. شملت السمات الرئيسية:
ستة نطاقات طيفية (الأزرق، الأخضر، الأحمر، الأشعة تحت الحمراء القريبة NIR، والأشعة تحت الحمراء قصيرة الموجة SWIR1، وSWIR2).
مؤشرات مشتقة: مؤشر الاختلاف الخضري الطبيعي (NDVI) ومؤشر الماء المعدل (mNDWI).
التنعيم الزمني عبر التوافقيات السنوية، مع الاحتفاظ بالمتوسطات، والسعة، والطور.
المركبات الموسمية (الشتاء، الربيع، الصيف، الخريف) لحجب النباتات المائية العائمة (FAV).
تدريب النموذج (الغابات العشوائية - Random Forests): تم تدريب مصنف الغابات العشوائية (RF) باستخدام 12 متغيرًا من سمات مركبات لاندسات مقابل نقاط التدريب الموسومة بواسطة SOM. تم حساب متوسط خمسة نماذج RF (نموذج واحد لكل سنة مسح) لإنشاء مصنف مركب.
التطبيق والتحقق: تم تطبيق نموذج RF المركب على مركبات لاندسات السنوية من 1985 إلى 2025. تم تقييم الدقة باستخدام الـ 50% المتبقية من بيانات المسح بالمروحيات التي تم تجميعها في مصفوفة الارتباك.
النتائج الرئيسية
نطاق مجموعة البيانات: توفر LCWVCD بيانات غطاء أرض سنوية لمدة 41 عامًا بدقة 30 مترًا، حيث تصنف البكسلات إلى 26 فئة (11 مجتمعًا من الماراش/المانغروف، 13 فئة غير رطبة، النباتات المائية العائمة FAV، والمياه المفتوحة).
الدقة: حقق التحقق المجمع (1997-2021) معدل تصنيف صحيح إجمالي (CCR) بنسبة 78% مع معامل كابا (Kappa) قدره 0.73 (اتفاق جوهري).
تراوحت دقة المنتج بين 52% (للعشب الملحي Saltgrass) و87% (للمانغروف).
حدثت أخطاء التصنيف بشكل أساسي بين المجتمعات ذات الأنواع السائدة المتشابهة ولكن باختلاف الغطاء النسبي (مثل: Brackish Mix وWiregrass)، وليس عبر النقاط البعيدة على تدرج الملوحة.
اتجاهات النباتات (1985-2025):
الهيمنة: يشكل عشب العذراء (Maidencane)، وbulltongue، وwiregrass، وoystergrass أكثر من 75% من إجمالي الغطاء الرطب.
الفقدان: أظهر كل من wiregrass وmaidencane انخفاضات كبيرة (-52.8 كم²/سنة و -10.5 كم²/سنة، على التوالي).
الزيادة: أظهرت أنواع three-square، وpaspalum، وbulrush زيادات كبيرة.
فقدان الأراضي: زادت المياه غير الدائمة (المناطق التي تتحول من أراضٍ رطبة إلى مياه مفتوحة) بمعدل 29.1 كم²/سنة، وهو ما يتوافق مع التقديرات التاريخية لفقدان الأراضي.
الأنماط المكانية: يُظهر "سهل الدلتا" (Delta Plain) تدرجًا واضحًا في أنواع النباتات نحو أسفل المصب، مما يعكس تدرج الملوحة، بينما يفتقر "سهل شينييه" (Chenier Plain) إلى مجتمعات Brackish mix وoystergrass، ويرجع ذلك على الأرجه إلى محدودية التبادل المد والجزر.
الأهمية والادعاءات يزعم البحث أن LCWVCD تعالج الحاجة الماسة لمراقبة النباتات بدقة عالية واستمرارية زمنية في منطقة تشهد تغيرات بيئية سريعة. ومن خلال استخدام التعلم الآلي والحوسبة السحابية، تتغلب الدراسة على الفجوات الزمنية للمسوحات الجوية والقيود المكانية للمسوحات الأرضية.
يؤكد المؤلفون أن هذا النهج يوفر إطار تصنيف مستقر؛ فخلافًا لطرق التجميع البارامترية، تظل تعريفات المجتمعات القائمة على SOM ثابتة عند إدخال بيانات جديدة، مما يسمح بمقارنات زمنية طويلة المدى ذات مغزى. تهدف مجموعة البيانات لدعم أصحاب المصلحة في تقييم استجابات النظام البيئي لتدخلات الاستعادة والضغوط مثل ارتفاع مستوى سطح البحر. علاوة على ذلك، يشير المؤلفون إلى أن المنهجية لديها القدرة على التطبيق في مناطق الأراضي الرطبة الساحلية الأخرى عالميًا. وقد تم إتاحة مجموعة البيانات والتعليمات البرمجية المرتبطة بها للجمهور لتسهيل المزيد من الأبحاث والمراقبة.