Seasonal Landsat summaries improve cross-fire prediction of post-fire conifer establishment

بعد أن تجتاح حرائق الغابات غابة ما، غالباً ما يُترك المشهد مشوهاً وصامتاً. وبالنسبة لمديري الغابات وعلماء البيئة، فإن السؤال الأكثر إلحاحاً ليس فقط حجم الضرر الذي وقع، بل ما إذا كانت الغابة ستتعافى من تلقاء نفسها. هل ستتجذر أشجار الصنوبر والتنوب الجديدة، أم ستظل الأرض مسيطرة عليها الشجيرات والأعشاب؟ هذا القرار يحدد ما إذا كانت المنطقة بحاجة إلى تدخل بشري مكلف لإعادة زراعة الأشجار أو إذا كانت الطبيعة ستقوم بالعمل بمفردها. وللإجابة على ذلك، لجأ العلماء منذ فترة طويلة إلى الأقمار الصناعية، والتي يمكنها رؤية مساحات شاسعة من الأراضي المحترقة التي تُعد خطيرة جداً أو نائية بحيث يصعب على البشر زيارتها. ومع ذلك، فإن صورة القمر الصناعي ليست سوى صورة للضوء المنعكس عن الأرض؛ فهي لا تستطيع التمييز بين شتلة صنوبر جديدة، أو شجيرة ناشئة، أو غصن شجرة باقٍ. لقد كان التحدي دائماً هو معرفة ما إذا كانت الأنماط المرئية من الفضاء تتنبأ بالفعل بمكان نمو الصنوبريات الجديدة، وما إذا كانت تلك الأنماط تظل صحيحة عند النظر إلى حريق مختلف تماماً عن ذلك الذي تعلم منه الكمبيوتر.

يتناول بحث جديد أجراه الباحث المستقل جوشوا بوليافيكو هذه المشكلة من خلال اختبار مدى جودة قدرة بيانات الأقمار الصناعية على التنبؤ بتعافي الغابات عبر حرائق مختلفة. يركز البحث على استخدام البيانات من برنامج لاندسات (Landsat) للأقمار الصناعية، الذي يقوم بتصوير الأرض منذ عقود. أراد الفريق معرفة ما إذا كان تلخيص بيانات الأقام الصناعية في اتجاهات موسمية عامة سيكون أكثر فائدة للتنبؤ بتعافي الغابات من محاولة التقاط كل تفصيل من تفاصيل دورة نمو النباتات. لقد بنوا نماذج حاسوبية للتعلم من البيانات الميدانية التي جُمعت بعد خمسة وعشرين حريقاً مختلفاً في غرب الولايات المتحدة. ثم تم اختبار هذه النماذج على ثلاثة عشر حريقاً جديداً كلياً لم يسبق للكمبيوتر رؤيتها، مما يحاكي سيناريو واقعياً حيث يحتاج المدير إلى تقييم موقع احتراق حديث باستخدام الدروس المستفادة من أحداث سابقة.

قارن الباحثون بين ثلاث طرق مختلفة لتغذية المعلومات في نماذجه الحاسوبية. كانت الطريقة الأولى هي النهج الأساسي الذي استخدم فقط السياق البيئي، مثل مدى حرارة الحريق، ومدى بعد الموقع عن الأشجار الموجودة التي يمكن أن تسقط بذورها، والمناخ المحلي. أما النهج الثاني فقد أضاف ملخصاً لبيانات القمر الصناعي، حيث تم تكثيف ملاحظات عدة أشهر في صورة موسمية واحدة لكل عام بعد الحريق. وكانت الطريقة الثالثة هي الأكثر تفصيلاً، حيث أضافت مئات المتغيرات الإضافية التي حاولت التقاط التوقيت المحدد للاخضرار، وذروة النمو، وتراجع النباتات خلال كل موسم. وكان الهدف هو معرفة أي طريقة ساعدت الكمبيوتر بشكل أفضل في تخمين ما إذا كانت قطعة أرض معينة ستنمو فيها أشجار جديدة أم لا.

أظهرت النتائج أن النهج الأوسط، الذي يستخدم الملخصات الموسمية، كان الفائز بوضوح. فعندما تم اختبار النماذج على الحرائق الثلاثة عشر الجديدة، أدى إضافة بيانات الأقمار الصناعية الموسمية إلى تحسين قدرتها بشكل كبير على التمييز بين المناطق التي ستنمو مجدداً وتلك التي لن تفعل. وكان هذا التحسن ثابتاً في جميع الحرائق الجديدة تقريباً، مما يشير إلى أن الطريقة تعمل جيداً حتى عند الانتقال من منطقة جغرافية إلى أخرى. كانت النماذج التي تستخدم الملخصات الموسمية قادرة على ترتيب مواقع الحرائق بدقة أكبر، مما يساعد المديرين على تحديد الأولويات للمناطق التي يجب زيارتها أولاً. وتحديداً، عندما طُلب من النماذج اختيار أعلى عشرين بالمائة من القطع التي يرجح عدم وجود أشجار جديدة فيها، ساعد النهج الموسمي في العثور على نسبة أعلى بكثير من تلك البقع الفارغة مقارنة باستخدام البيانات البيئية الأساسية فقط.

ومن المثير للاهتمام أن النهج الأكثر تفصيلاً لم يقدم أي فائدة إضافية. فإضافة مئات المتغيرات الإضافية التي تتبعت التوقيت الدقيق للنمو داخل المواسم لم يجعل التنبؤات أكثر دقة. وفي الواقع، كان النموذج التفصيلي في الحرائق الجديدة يؤدي بشكل أسوأ قليلاً من الملخص الموسمي الأبسط. وهذا يشير إلى أنه لأغراض التنبؤ بتعافي الغابات عبر حرائق مختلفة، فإن الرؤية الواسعة للدورة الموسمية هي الأكثر موثوقية من الرؤية عالية الدقة للتغيرات اليومية أو الأسبوعية. فقد يكون التفصيل الإضافي قد أدخل الكثير من "الضجيج" أو اعتمد بشكل مفرط على الظروف المحلية التي لم تنطبق على الحرائق الجديدة.

كما كشفت الدراسة عن تفصيل دقيق حول ما تقيسه بيانات الأقمار الصناعية في الواقع. فقد اختبر الباحثون نسخة من النموذج استخدمت فقط بيانات الأقمار الصناعية من قبل وقوع الحريق. ومن المثير للدهشة أن هذه المعلومات السابقة للحريق حسنت أيضاً التنبؤات مقارنة بالأساس البيئي. وهذا يعني أن نجاح النموذج الموسمي لا يعود فقط إلى رؤية الأشجار الجديدة وهي تنمو بعد الحريق. بدلاً من ذلك، من المرجح أن بيانات الأقمار الصناعية تلتقط مزيجاً من العوامل: حالة الأرض قبل الحريق، وشدة الاحتراق، والتعافي اللاحق. وبما أن البيانات السابقة للحريق كانت مفيدة بالفعل، فقد استنتج الباحثون أن النموذج الموسمي الكامل لا يمكن نسبته بالكامل إلى قياس التعافي بعد الحريق بمعزل عن غيره؛ بل هو أداة قوية تجمع بين التاريخ والظروف الحالية لتقديم تخمين أفضل.

في نهاية المطاف، يقدم هذا العمل مساراً عملياً للمضي قدماً في إدارة الغابات. فهو يثبت أن ملخصاً بسيطاً نسبياً للملاحظات من الأقمار الصناعية يمكن أن يساعد المديرين في تحديد المناطق المحترقة التي تعاني من أجل التعافي وتلك التي من المرجح أن تتعافى من تلقاء نفسها. ومن خلال استخدام هذه الملخصات الموسمية، يمكن للوكالات تركيز فرق المسح الميداني المحدودة لديها على المواقع التي تحتاج حقاً إلى اهتمام، بدلاً من إضاعة الموارد في المناطق التي تتعافى بالفعل. ورغم أن النماذج ليست مثالية ولا يمكنها بعد استبدال الزيارة الفعلية للغابة، إلا أنها توفر وسيلة موثوقة لفحص آلاف الأفدنة واتخاذ قرارات أذكى بشأن مكان الاستثمار في جهود إعادة التشجير. وتؤكد الدراسة أن النظر إلى الغابة من خلال عدسة التغير الموسمي، بدلاً من محاولة التقاط كل لحظة نمو عابرة، هو الطريقة الأكثر فعالية للتنبؤ بمستقبل هذه المناظر الطبيعية المتعافية.