The predictive power of new remote sensing data for biological distributions
تُظهر هذه الدراسة أن دمج بيانات الاستشعار عن بُعد المستحدثة، مثل ارتفاع الغطاء الشجري المستمد من تقنية "جيدي" (GEDI) ليدار والسمات الورقية فائقة الطيف، يعزز بشكل كبير من دقة وقابلية تفسير النماذج التي تتنبأ بالنشاط الصوتي للطيور عبر منطقة سييرا نيفادا في كاليفورنيا من خلال رصد المتطلبات الموائل الدقيقة والخاصة بكل نوع.
المؤلفون الأصليون:Laura Berman, Fabian D. Schneider, Ryan P. Pavlick, M. Zachariah Peery, Connor M. Wood, Ting Zheng, Ethan Shafron, Zhiwei Ye, Natalie Queally, Jason M. Winiarski, Anu Kramer, Philip A. Townsend
المؤلفون الأصليون: Laura Berman, Fabian D. Schneider, Ryan P. Pavlick, M. Zachariah Peery, Connor M. Wood, Ting Zheng, Ethan Shafron, Zhiwei Ye, Natalie Queally, Jason M. Winiarski, Anu Kramer, Philip A. Townsend
لفهم أين تعيش الحياة البرية وعدد الأفراد الموجودة، اعتمد العلماء لفترة طويلة على مزيج من أنماط الطقس، وشكل الأرض، وخرائط لما تنمو فيه النباتات وأين. تشكل هذه العوامل المسرح الذي تؤدي عليه الحيوانات حيواتها اليومية. فالطائر يحتاج إلى نطاق درجة حرارة محدد للبقاء على قيد الحياة، وتضاريس معينة لبناء عش، ونوع معين من الغطاء النباتي للعثور على الغذاء. ولعقود من الزمن، استخدم الباحثون صور الأقمار الصناعية لتتبع هذه الظروف البيئية العامة، مما رسم صورة عالمية لأماكن وجود الأنواع المحتملة. ومع ذلك، غالبًا ما تصف هذه الخرائط التقليدية المناخ أو النوع العام للغابة، متجاهلة التفاصيل الدقيقة لما تبدو عليه النباتات فعليًا وكيفية بنيتها. ومع مواجهة العالم فقدانًا سريعًا للتنوع البيولوجي، أصبح معرفة أين توجد الحيوانات بالضبط ولماذا تختار تلك البقاع أمرًا ملحًا، ومع ذلك فإن جمع هذه المعلومات عبر السير في كل غابة هو أمر مستحيل.
وضع فريق من الباحثين هدفًا لمعرفة ما إذا كانت الطرق التقنية الجديدة للنظر إلى الأرض يمكن أن تسد هذه التفاصيل المفقودة. ركزوا على جبال سييرا نيفادا في كاليفورنيا، وهي منطقة تتميز بارتفاع دراماتيكي في الارتفاع وتضم مجموعة متنوعة من أنواع الطيور. جمع الفريق تسجيلات صوتية من 553 موقعًا عبر هذا المشهد الطبيعي، مستمعين لأغاني ونداءات 94 نوعًا مختلفًا من الطيور. وبدلاً من مجرد السؤال عن مكان وجود الطائر، قاموا بقياس مدى نشاط الطيور في كل بقعة، باستخدام وتيرة نداءاتها كمؤشر على مدى إعجابها بالموطن. ولتفسير هذه الأنماط، بنوا نماذج حاسوبية باستخدام 129 قطعة مختلفة من البيانات حول البيئة. وقعت نقاط البيانات هذه في ست مجموعات: المناخ، شكل الأرض، النشاط البشري، توقيت نمو النباتات، البنية الفيزيائية للغابة، والتركيب الكيميائي للأوراق. أراد الباحثون معرفة ما إذا كان إضافة البيانات الجديدة والمفصلة حول بنية الغابة وكيمياء الأوراق سيساعدهم في التنبؤ بنشاط الطيور بشكل أفضل من البيانات الأقدم والأكثر عمومية وحدها.
وجدت الدراسة أن البيانات الجديدة أحدثت بالفعل فرقًا ملموسًا. فبينما كان المناخ والتضاريس مهمين لجميع الطيور، فإن إضافة معلومات حول بنية الغابة وسمات الأوراق حسنت دقة النماذج لعشرات الأنواع. واكتشف الباحثون أن تدفقات البيانات الجديدة هذه قدمت معلومات فريدة لم تستطع الخرائط القديمة تقديمها ببساطة. على سبيل المثال، قد تمتلك منطقتان نفس درجة الحرارة وهطول الأمطار، ولكن إذا كانت إحداهما تمتلك مظلة شجرية عالية وكثيفة والأخرى تمتلك شجيرات قصيرة ومتقزمة، فستجذب كل منهما مجموعات مختلفة تمامًا من الطيور. سمحت البيانات الجديدة للنماذج برؤية هذه الاختلافات. وتحديدًا، ساعدت قياسات مدى طول الأشجار والتركيب الكيميائي لأوراقها في تفسير سبب تفضيل طيور معينة لمكان دون غيره. وكان هذا صحيحًا بشكل خاص بالنسبة للأنواع التي تعتمد على أنواع معينة من الأشجار أو تحتاج إلى سمات هيكلية محددة، مثل الجذوع الطويلة للتعشيش أو مغذيات الأوراق المحددة التي تتغذى عليها الحشرات التي يأكلونها.
وجد الباحثون أيضًا أنه لا يوجد نوع واحد من البيانات يعمل بشكل أفضل لكل طائر. فلكل نوع متطلباته الفريدة، مما يعني أن العامل الأكثر أهمية لطائر ما قد يكون غير ذي صلة لطائر آخر. على سبيل المثال، طائر "خازن الصنوبر ذو الصدر الأحمر"، الذي يعيش في غابات الصنوبر الناضجة، تم التنبؤ به بقوة من خلال البيانات التي تظهر مظلات عالية وكيمياء أوراق محددة موجودة في الصنوبريات. وفي المقابل، فإن الطيور التي تفضل المروج المفتوحة أو الأراضي الشجيرية تم التنبؤ بها بشكل أفضل من خلال البيانات التي تظهر نباتات أقصر. يسلط هذا الضوء على أنه لفهم الشبكة المعقدة للحياة، لا يمكن للعلماء الاعتماد على نوع واحد فقط من الخرائط. إنهم بحاجة إلى مجموعة أدوات واسعة تشمل الطقس، وشكل الأرض، والآن، رؤى مفصلة للنباتات نفسها. وتشير الدراسة إلى أنه مع زيادة قدرة الأقمار الصناعية على قياس هذه التفاصيل الدقيقة للغطاء النباتي عبر العالم بأكه، سيتمكن العلماء من إنشاء خرائط أكثر دقة لأماكن وجود الحياة البرية. إن هذا الفهم المحسن ضروري لحماية الموائل وإدارة الأراضي بطريقة تدعم التنوع البيولوجي، مما يضمن بقاء البيئات المناسبة للأنواع التي تعتمد عليها.
ملخص تقني: القدرة التنبؤية لبيانات الاستشعار عن بُعد الجديدة للتوزيعات البيولوجية
بيان المشكلة تتطلب معالجة أزمة التنوع البيولوجي العالمية بيانات دقيقة وقابلة للتوسع حول توزيع الأنواع ووفرتها. ومع ذلك، غالبًا ما يكون الجمع المباشر لهذه البيانات من الميدان مكلفًا للغاية وصعبًا لوجستيًا، لا سيما عبر النطاقات المكانية الواسعة أو عبر الزمن. وبينما استُخدم الاستشعار عن بُعد لفترة طويلة لرسم خرائط المناخ، والتضاريس، والغطاء الأرضي العام، فإن المجتمع الإيكولوجي يتساءل بشكل متزايد عما إذا كانت مجموعات بيانات الاستشعار عن بُعد الناشئة — وتحديدًا تلك التي توفر مقاييس كمية لبنية النباتات وفسيولوجيتها — تقدم حقًا قدرة تنبؤية جديدة لنمذجة توزيع الأنواع. ولا يزال هناك شك جوهي يتعلق بمدى التكرار بين تدفقات البيانات الجديدة هذه (مثل ارتفاع الغطاء الشجري المستمد من ليدار GEDI، والسمات الورقية الطيفية الفائقة) والمتغيرات الراسخة (المناخ، التضاريس، الفينولوجيا/الظواهر الموسمية). ومن غير الواضح ما إذا كانت هذه البيانات الجديدة تلتقط أبعادًا إيكولوجية فريدة أم أنها مجرد تكرار للمعلومات الموجودة بالفعل في الطبقات التقلية.
المنهجية أُجريت الدراسة عبر وسط وجنوب جبال سييرا نيفادا في كاليفورنيا، وهي منطقة تمتد عبر تدرج ارتفاعي واضح من حوالي 500 م إلى 3,000 م. دمج البحث ثلاثة مكونات أساسية للبيانات:
البيانات البيولوجية: تم اشتقاق معدلات النشاط الصوتي لـ 94 نوعًا من الطيور من الرصد الصوتي السلبي في 553 موقعًا. جُمعت التسجيلات خلال فترات الفجر والغسق خلال الفترة 2021–2023 باستخدام وحدات تسجيل مستقلة (ARUs). تمت معالجة اكتشافات الأنواع باستخدام تطبيق مخصص لبرنامج BirdNET، مع تطبيع معدلات النشاط الصوتي على مقياس من 0 إلى 1 ليكون متغير استجابة مستمر.
متغيرات التنبؤ بالاستشعار عن بُعد: استخدم المؤلفون 129 متغيرًا جغرافيًا من إطار عمل BioCube، مصنفة إلى ست فئات:
المناخ (46 متغيرًا): درجة الحرارة، الهطول، الجفاف، طول موسم الثلوج، إلخ.
الاضطراب (26 متغيرًا): تاريخ الحرائق، التعديل البشري، أضواء الليل، إلخ.
التضاريس (18 متغيرًا): الارتفاع، المنحدر، الوعورة، خصائص التربة.
الفينولوجيا/الظواهر الموسمية (21 متغيرًا): مؤشر الاختلاف الخضري الطبيعي (NDVI)، إجمالي الإنتاجية الأولية، توقيت موسم النمو.
بنية الغابات (4 متغيرات): مشتقة بالكامل من بيانات ليدار GEDI التابعة لناسا (ارتفاع الغطاء الشجري، ارتفاع منتصف الغطاء الشجري، كثافة الكتلة الحيوية، والثراء الهيكلي).
السمات الورقية (14 متغيرًا): مشتقة من التصوير الطيفي الفائق المحمول جواً (سلسلة الزمن للتنوع الغربي)، بما في ذلك كتلة الورقة لكل وحدة مساحة (LMA) وتركيزات النيتروجين، والكربون، واللجنين، والسكريات، إلخ.
نهج النمذجة: استخدم المؤلفون نموذج انحدار تعزيز التدرج الشديد (XGBoost) للتنبؤ بمعدلات النشاط الصوتي المطبعة. ولتقييم فائدة تدفقات البيانات الجديدة، قاموا بتشغيل 100 تكرار للنماذج لكل نوع باستخدام سبع مجموعات فرعية من المتغيرات: نموذج كامل (جميع المتغيرات 129) وستة نماذج حيث يتم استبعاد فئة رئيسية واحدة بشكل منهجي. تم تقييم أداء النموذج باستخدام معامل الاختبار R2 (كفاءة ناش-ساتكليف) وجذر متوسط مربع الخطأ (RMSE). تم قياس أهمية المتغير باستخدام تفسيرات شابلّي الإضافية (SHAP) لتحديد المتغيرات المحددة التي دفعت التنبؤات.
النتائج الرئيسية
التحسن التدريجي: لم يحسن أي متغير أو فئة واحدة النماذج لجميع الأنواع الـ 94. ومع ذلك، أدى إدراج مجموعات البيانات الناشئة إلى تحسين دقة النماذج لمجموعة فرعية كبيرة من الأنواع.
حسنت السمات الورقية النماذج لـ 39 نوعًا (متوسط ΔR2=0.028).
حسنت بنية الغابات النماذج لـ 41–47 نوعًا (متوسط ΔR2=0.019).
حسن المناخ النماذج لـ 33–35 نوعًا (متوسط ΔR2=0.023).
أهمية المتغيرات: ساهمت متغيرات المناخ بأكبر قدر من القوة التنبؤية في المتوسط (~32% من دقة النموذج)، ويرجع ذلك إلى العدد الكبير من متغيرات المناخ المتاحة (46). ومع ذلك، قدمت بنية الغابات والسمات الورقية أهمية أكبر لأنواع محددة. فعلى سبيل المثال، كان ارتفاع الغطاء الشجري وارتفاع منتصف الغطاء الشجري هما أهم المتنبئات الفردية لـ 13 نوعًا. كما شكل محتوى النشا الورقي أكثر من 30% من أهمية SHapley لطائر "Golden-crowned Kinglet" وطائر "Yellow-rumped Warbler".
خصوصية الأنواع: كانت أهمية المتغيرات محددة للغاية لكل نوع، مما يعكس متطلبات العش (Niche) الفردية. وأظهرت الأنواع العامة ارتباطات أضعف مع متغيرات الموائل.
القابلية للتفسير البيولوجي: سمح إدراج بيانات النباتات بنماذج أكثر دقة وقابلية للتفسير. على سبيل المثال، حدد نموذج طائر "Red-breasted Nuthatch" تفضيلاً للغابات الشاهقة (>20–40 م)، وكتلة الورقة لكل وحدة مساحة (LMA) العالية، وتركيزات الكبريت المنخفضة — وهي سمات خاصة بالغابات الصنوبرية الناضجة. وبالمثل، ارتبطت الأنواع التي تفضل الموائل المفتوحة (مثل Western Bluebird) بقوة بغطاء شجري أقصر وLMA أقل.
الأهمية والادعاءات يزعم البحث أن تقنيات الاستشعار عن بُعد الناشئة، وتحديدًا ليدار الفضائي (GEDI) والتصوير الطيفي، توفر للعلماء قدرة غير مسبوقة على قياس النباتات كميًا وعن بُعد على نطاقات عالمية. وتثبت الدراسة أن مجموعات البيانات هذه ليست مجرد بيانات مكررة لبيانات المناخ أو التضاريس؛ بل إنها تلتقط أبعادًا إيكولوجية فريدة تتعلق ببنية النباتات وجودتها الفسيولوجية، وهي أمور حاسمة لنمذجة توزيع الأنواع على نطاق دقيق.
ويجادل المؤلفون بأنه بينما تحدد المتغيرات المناخية النطاقات الفسيولوجية الواسعة، فإن المتغيرات التي تصف الظروف النباتية المحلية (البنية، التركيب، تاريخ الحرائق) ضرورية لحل التباين في الموائل الذي لا تستطيع التدرجات المناخية الواسعة تمييزه. إن دمج تدفقات البيانات هذه يحسن كلاً من دقة النماذج وقابليتها للتفسير البيولوجي. ويفترض البحث أن هذه القدرات ستعزز بشكل كبير القدرة على فهم النظم الإيكولوجية على نطاقات عالمية، مما يدعم مراقبة متغيرات التنوع البيولوجي الأساسية (EBVs) وأهداف إطار كونمينغ-مونتريال العالمي للتنوع البيولوجي. ويخلص المؤلفون إلى أن الاستثمار المستمر في المهمات الساتلية القادمة (مثل NASA's EAGLE-VSW و ESA's CHIME) مبرر تجريبيًا، حيث ستوفر هذه المهمات البيانات العالمية عالية الدقة الزمنية اللازمة لتحقيق الإمكانات الكاملة لرسم خرائط الوظائف النباتية لأغراض حفظ التنوع البيولوجي.