Mapping Coastal Forest Retreat Using Convolutional Neural Networks and Different Satellite Imagery
تستخدم هذه الدراسة الشبكات العصبية التلافيفية وصور الأقمار الصناعية متعددة المصادر لتثبت أن دمج المؤشرات الفينولوجية والطبوغرافية يحسن من كشف الغابات الشبحية، مما يكشف عن فقدان 21% من الغابات الساحلية في كارولاينا الشمالية بين عامي 1985 و2021 نتيجة لتسارع ارتفاع مستوى سطح البحر، والملوحة، والقرب من القنوات، مع زيادة معدل التحول إلى المستنقعات والغابات الشبحية بشكل ملحوظ في العقد الأخير.
المؤلفون الأصليون:Tajudeen, T. T., Ardon, M., Tulbure, M., Martin, K. L.
على طول الساحل المنخفض لشرق الولايات المتحدة، يعيد تحول هادئ تشكيل معالم الطبيعة. لقرون مضت، التقت المياه المالحة بالغابات العذبة عند حافة اليابسة، لكن ارتفاع مستويات البحار وتغير المد والجزر يدفعان ذلك الحد نحو الداخل. وعندما تغزو المياه المالحة التربة التي لم تُخلق الأشجار للتعامل معها، فإن الأشجار لا تسقط ببساطة؛ بل تظل واقفة، تتحول أوراقها إلى اللون البني وتصبح أغصانها عارية، مما يخلق مشهداً هيكلياً صامتاً يُعرف باسم "غابة الأشباح". ومع مرور الوقت، تُستبدل هذه الأشجار الميتة بالأعشاب والشجيرات المتحملة للملوحة، وفي النهاية، تصبح الأرض مستنقعاً مفتوحاً أو مياهاً. هذه العملية، التي يقودها الزحف البطيء للمحيط وزيادة ملوحة الأرض، هي علامة مرئية على تغير المناخ، ولكن تتبع مكان وسرعة حدوث ذلك بدقة كان أمراً صعباً. يحتاج العلماء ليس فقط لمعرفة أن الغابات تختفي، بل لمعرفة أي العوامل المحددة — مثل مدى قرب الشجرة من قناة مائية أو مدى ارتفاع الأرض عن مستوى سطح البحر — هي التي تسبب موت الأشجار، وذلك لتوجيه جهود الحفظ إلى حيث تشتد الحاجة إليها.
ولحل هذا اللغز، لجأ الباحثون إلى مزيج من صور الأقمار الصناعية والتعلم الحاسوبي المتقدم. فقد ركزوا على مساحة شاسعة من ساحل ولاية كارولاينا الشمالية، وهي منطقة معروفة بالارتفاع السريع في مستوى سطح البحر ومزيجها من المستنقعات العذبة، والغابات المرتفعة، والمستنقعات الملحية. استخدم الفريق نوعين مختلفين من الأقمار الصناعية لمراقبة هذا المشهد عبر الزمن. أحد الأقمار، وهو "لاندسات" (Landsat)، يدور حول الأرض منذ عقود، مما يوفر سجلاً تاريخياً طويلاً لليابسة، رغم أن صوره تبدو ضبابية نوعاً ما. أما القمر الآخر، وهو "سنتينل-2" (Sentinel-2)، فهو أحدث ويلتقط صوراً أكثر حدة وتفصيلاً، لكنه لم يتواجد إلا لفترة زمنية أقصر. أراد الباحثون معرفة ما إذا كان بإمكانهم استخدام هذه الصور لتعليم الكمبيوتر كيفية رصد الاختلافات الدقيقة بين الغابات الخضراء الصحية، واللون الرمادي الميت لغابات الأشباح، والنباتات الشجيرية التي تنمو غالباً في المناطق البينية. وقد أدركوا أن النظر إلى الأرض في أوقات مختلفة من السنة كان أمراً حاسماً، لأن الأشجار الصحية تتبع دورة متوقعة من الاخضرار في الربيع وفقدان الأوراق في الشتاء، بينما لا تتبع الأشجار الميتة والشجيرات هذا الإيقاع.
بنى العلماء نموذجاً حاسوبياً يمكنه تعلم التعرف على هذه الأنماط. وبدلاً من مجرد النظر إلى لقطة واحدة للأرض، قاموا بتغذية النموذج ببيانات تتبع كيفية تغير النباتات طوال المواسم. كما أدرجوا معلومات حول شكل الأرض، مثل ارتفاعها ومنحدرها، ومدى قربها من الأنهار والقنوات. ومن خلال تدريب الكمبيوتر باستخدام آلاف الأمثلة لما تبدو عليه الغابات الصحية، وغابات الأشباح، والمستنقعات، أنشأوا نظاماً يمكنه رسم خرائط لهذه التغيرات بدقة ملحوظة. وعندما اختبروا النموذج، أدت صور "سنتينل-2" الأكثر حدة أداءً أفضل قليلاً من صور "لاندسات" القديمة، حيث حددت أنواع غطاء الأرض بدقة في معظم الحالات. ومع ذلك، وجد الباحثون أن البيانات طويلة المدى من "لاندسات" كانت لا تزال ضرورية لفهم القصة الكاملة لكيفية تغير المشهد الطبيعي على مدار العقود الماضية.
باستخدام أفضل البيانات المتاحة، رسم الفريق خريطة للسهل الساحلي من عام 1985 إلى عام 2021. وكشفت النتائج عن تحول دراماتيكي؛ فخلال هذه السنوات الستة والثلاثين، فقدت المنطقة حوالي 21 بالمائة من غطائها الغابي. وفي الجزء الأول من الدراسة، من 1985 إلى 2010، كان فقدان الغابات كبيراً، لكن وتيرته تسارعت بشكل حاد في العقد الأخير. فبين عامي 2010 و2021 وحدهما، تحولت ما يقرب من 24,000 هكتار من الغابات إلى مستنقعات أو غابات أشباح أو أراضٍ شجيرية. وكان معدل الفقد هذا أعلى بمرة ونصف من المعدل الذي شهدته الخمسة وعشرون سنة السابقة. وأظهرت الدراسة أن هذا الانتقال لا يحدث بشكل عشوائي، بل تقوده ضغوط بيئية محددة؛ فكلما كانت الغابة أقرب إلى قناة مائية، زاد احتمال موتها، حيث تعمل هذه القنوات كممرات لحركة المياه المالحة نحو الداخل. وكانت المستويات العالية من الملوحة في التربة ومعدل تسارع ارتفاع مستوى سطح البحر من أقوى المتنبئات بمكان ظهور غابات الأشباح.
اكتشف الباحثون أيضاً أن المشهد الطبيعي يتغير بطرق معقدة تتجاوز مجرد التحول البسيط من غابة إلى مستنقع. فبينما تموت العديد من الأشجار وتتحول إلى غابات أشباح، تُستبدل أشجار أخرى بشجيرات، بل وتشهد بعض المناطق نمو غابات جديدة على أراضٍ كانت ذات يوم مزارع. ومع ذلك، فإن الاتجاه العام هو التراجع. وقد أكدت الدراسة أن فقدان الغابات يتركز في المناطق المنخفضة القريبة من الساحل، ولكنه يندفع أيضاً بعيداً نحو الداخل على طول قنوات الصرف والخنادق. وتشير النتائج إلى أنه مع استمرار ارتفاع مستويات سطح البحر وزيادة وتيرة الظواهر الجوية المتطرفة، فإن الضغط على هذه النظم البيئية الساحلية سوف يشتد فقط. ومن خلال توفير خريطة واضحة ومفصلة لأماكن حدوث هذه التغييرات وأسبابها، تقدم الدراسة أداة حيوية للمخططين وحماة البيئة؛ فهي تسلط الضوء على المناطق المحددة الأكثر عرضة لزحف الملوحة، مما يسمح بجهود مستهدفة لحماية ما تبقى من هذه الغابات أو لإدارة الانتقال إلى أنظمة بيئية جديدة متحملة للملوحة قبل فوات الأوان.
ملخص تقني: رسم خرائط تراجع الغابات الساحلية باستخدام الشبكات العصبية الالتفافية وصور الأقمار الصناعية المختلفة
بيان المشكلة تواجه الغابات الساحلية، لا سيما في السهل الساحلي الأطلسي منخفض الارتفاع في ولاية كارولاينا الشمالية، تهديدات متزايدة بسبب ارتفاع مستوى سطح البحر، وتداخل المياه المالحة، والعواصف العاتية. وتدفع هذه الضغوط عملية تحول الغابات السليمة المعتمدة على المياه العذبة إلى "غابات أشباح" (أحراج من الأشجار الميتة أو المحتضرة)، والتي تتحول في النهاية إلى شجيرات أو مستنقعات أو مياه مفتوحة. وبينما اعتمدت الدراسات السابقة على الاستشعار عن بُعد لرسم خرائط هذه التحولات، إلا أنها اعتمدت بشكل كبير على بيانات لاندسات (Landsat) بدقة 30 متراً، والتركيبات الموسمية (التي غالباً ما تقتصر على الصيف)، والمصنفات التقليدية لتعلم الآلة (مثل الغابة العشوائية Random Forest، وآلات ناقلات الدعم SVM). وتواجه هذه النهج تحديات في التمييز بين الفئات المتشابهة طيفياً (مثل غابات الأشباح مقابل الشجيرات مقابل الغابات السليمة) وفي التقاط التباينات الفينولوجية (الظاهرية) داخل العام الواحد والتي تحدد تدهور النظام البيئي. وهناك حاجة لدمج بيانات ذات دقة أعلى، ومقاييس فينولوجية، وبنيات تعلم عميق متقدمة لتحسين دقة رسم خرائط هذه التحولات في المناظر الطبيعية وتحديد محركاتها.
المنهجية استخدمت الدراسة نهجاً متعدد الأوجه يجمع بين صور الأقمار الصناعية متعددة المستشعرات، والتحليل الفينولوجي، والتعلم العميق:
منطقة الدراسة: ركز البحث على 644,892 هكتاراً من السهل الساحلي لكارولاينا الشمالية، بما يشمل شبه جزيرة ألبيمار-باملوكو (Albemarle-Pamlico)، بما في ذلك المناطق المحمية مثل محمية "أليغيتور ريفر" الوطنية للحياة البرية.
جمع البيانات: استخدم المؤلفون بيانات الانعكاس السطحي من لاندسات 5 (1985، 2010)، ولاندسات 8 (2010، 2021)، وسنتينل-2 (Sentinel-2) (2019، 2021). تم ترشيح الصور لتقليل الغطاء السحابي (أقل من 2% للاندسات، وأقل من 35-60% للسنتينل) وتم الحصول عليها لكل من مواسم النمو (مايو–سبتمبر) ومواسم خلو الأشجار من الأوراق (ديسمبر–فبراير).
هندسة الميزات:
المؤشرات الطيفية ومتعددة الأطياف: تم حساب مؤشرات NDVI، وEVI، وmNDWI، وmSAVI، وتحويلات "تاسلد كاب" (Tasseled Cap) (الرطوبة، والخضرة).
المقاييس الفينولوجية: استُخرجت من السلاسل الزمنية لـ NDVI (التي تم تنعيمها عبر مرشح Savitzky-Golay) باستخدام مكتبة Phenology. وشملت المقاييس: بداية موسم النمو (SOGS)، ذروة موسم النمو (POGS)، طول موسم النمو (LOGS)، قاعدة NDVI، ذروة NDVI، وسعة NDVI.
البيانات الطبوغرافية: تم اشتقاق الارتفاع والمنحدر من نموذج الارتفاع الرقمي (DEM) لقاعدة البيانات الساحلية الوطنية للارتفاعات (CoNED).
بنية النموذج: تم تطوير شبكة عصبية التفافية (CNN) مكونة من أربع طبقات التفافية (32-64 مرشحاً، نواة 3×3) مع تنظيم L2 (بمقدار 0.01) لمنع الإفراط في التخصيص (overfitting). استخدم النموذج مدخلات قائمة على الرقع (7×7 للاندسات، 21×21 لسنتينل-2) لالتقاط السياق المكاني.
التدريب والتحقق: تم تقسيم مجموعات البيانات التدريبية والتحقق والاختبار طبقياً حسب الفئة والمستشعر، بنسبة 7:1.5:1.5. واستُخدمت الصور الفوتوغرافية عالية الدقة وصور Esri/Google Earth كمراجع للحقيقة الأرضية.
كشف التغيير وتحليل المحركات: تم قياس فقدان الغابات طويل الأمد (1985–2021) باستخدام لاندسات. كما استُخدمت نماذج الانحدار اللوجستي لتقيء تأثير المحركات البيئية (المسافة إلى القناة، الملوحة، الارتفاع، المنحدر، معدل ارتفاع مستوى سطح البحر النسبي [RSLR]، والمتغيرات المناخية) على مسارات انتقال محددة (من غابة إلى غابة أشباح، ومن غابة إلى شجيرات، ومن غابة إلى مستنقع).
النتائج الرئيسية
أداء التصنيف: حققت نماذج CNN دقة عالية عبر جميع المستشعرات. تفوق سنتينل-2 (دقة 10 أمتار) على لاندسات (دقة 30 متراً) في عام 2021 المتاح لكليهما، حيث حقق درجة F1 بلغت 96.3% مقارنة بـ 93.4% للاندسات 8. وقد عزز إدراج المقاييس الفينولوجية بشكل كبير من القدرة على الفصل بين فئة "غابات الأشباح" وأنواع النباتات الأخرى.
أهمية الميزات: كشف تحليل أهمية الميزات بالتبديل (Permutation feature importance) أن المقاييس الفينولوجية (خاصة Base NDVI، وAmplitude of NDVI، وPeak of Season) كانت أكثر المحددات حرجاً لنموذج لاندسات 8. أما بالنسبة لسنتينل-2، فقد كانت المؤشرات متعددة الأطياف (خاصة mNDWI) هي المهيمنة، رغم بقاء الفينولوجيا ذات أهمية عالية.
قياس فقدان الغابات: بين عامي 1985 و2021، شهدت منطقة الدراسة خسارة صافية قدرها 21.1% من غطائها الحرجي (حوالي 64,220 هكتاراً). ويلاحظ أن معدل الفقد يتسارع:
1985–2010: فقدان 16,968 هكتاراً.
2010–2021: فقدان 23,876 هكتاراً (أعلى بمقدار 1.5 مرة من الفترة السابقة).
التحولات الرئيسية كانت إلى: مستنقع (9,690 هكتاراً)، غابة أشباح (9,405 هكتاراً)، وشجيرات (13,423 هكتاراً).
محركات التغيير: حدد الانحدار اللوجستي القرب من القنوات المائية، والملوحة، ومعدل ارتفاع مستوى سطح البحر النسبي (RSLR) كمحركات رئيسية لتراجع الغابات.
المسافة إلى القناة: كانت تنبؤية بقوة؛ حيث انخفضت احتمالات فقدان الغابات لصالح المستنقعات أو الشجيرات بنسبة ~0.13–0.16% لكل متر زيادة في المسافة عن القناة.
الملوحة وRSLR: زادت بشكل كبير من احتمالات انتقال الغابات إلى غابات الأشباح والمستنقعات.
الارتفاع: بينما تنبأ الارتفاع المنخفض بقوة بتحولات الغابة إلى مستنقع، كان تأثيره على تكوين غابات الأشباح ضعيفاً إحصائياً، مما يشير إلى وجود آليات أخرى (مثل قنوات الصرف التي تسهل دخول المياه المالحة في الارتفاعات الأعلى) قد تكون هي السبب.
المقارنة مع المنتجات الحالية: كان تقدير الدراسة لمعدل فقدان الغابات لصالح المستنقعات (269 هكتار/سنة) أعلى بنسبة 38.6% تقريباً من تقديرات قاعدة بيانات تغطية الأراضي الوطنية (NLCD)، مما يشير إلى أن NLCD قد يقلل من تمثيل مدى تدهور الغابات الساحلية.
الأهمية والادعاءات يدعي البحث أن دمج المقاييس الفينولوجية مع صور الأقمار الصناعية متعددة الدقة ضمن إطار التعلم العميق يحسن بشكل كبير القدرة على رسم خرائط ومراقبة تحولات النظم البيئية الساحلية، وخاصة الاختلافات الطيفية الدقيقة بين الغابات السليمة وغابات الأشباح والشجيرات. وتوضح الدراسة أنه بينما توفر بيانات سنتينل-2 عالية الدقة دقة تصنيف فائقة، فإن السجل التاريخي الطويل للاندسات يظل ضرورياً لقياس الاتجاهات متعددة العقود.
يسلط البحث الضوء على أن تراجع الغابات الساحلية يتسارع، مدفوعاً بشكل أساسي بالاتصال الهيدرولوجي (القنوات)، والملوحة، وارتفاع مستويات سطح البحر. ومن خلال قياس هذه التغييرات وتحديد العتبات البيئية المحددة التي تقود التحولات، يوفر الباحثون أساساً لاستراتيجيات الحفظ المستهدفة. وتؤكد الدراسة أن غابات الأشباح ليست مجرد نتيجة للارتفاع، بل تتأثر بشدة بأنظمة الصرف البشرية وتسلل المياه المالحة الناتج عن العواصف، مما قد يؤثر على مناطق أبعد في الداخل مما كان يُعتقد سابقاً. تقدم هذه النتائج تقدماً منهجياً لتتبع تدهور النظم البيئية، وأساساً قائماً على البيانات للتنبؤ بالتغيرات المستقبلية في المناظر الطبيعية الساحلية تحت ضغوط المناخ.