Integrating GIS and machine learning for pollution vulnerability mapping in South Africa’s Kruger National Park

إن الهواء الذي نتنفسه نادراً ما يكون ساكناً. فحتى في أكثر زوايا العالم عزلة، تنجرف سحب غير مرئية من الدخان والغبار والغازات عبر الحدود، تحملها الرياح والطقس. وبينما نعتقد غالباً أن تلوث الهواء مشكلة تقتصر على المدن المزدحمة والمناطق الصناعية، فإن هذه الملوثات تسافر بعيداً، وتستقر في الأماكن البرية حيث يمكنها إلحاق الضرر بالنباتات والحيوانات والتوازن الدقيق للطبيعة. وبالنسبة لمديري الأراضي المحمية الشاسعة، فإن معرفة الأماكن التي تشتد فيها هذه التهديدات غير المرئية أمر صعب؛ إذ لا يمكنهم ببساطة وضع مستشعر على كل تلة أو نهر، كما أن الطقس يتغير بسرعة كبيرة تجعل أساليب التخمين التقليدية غير مجدية. ولحل هذه المعضلة، يتجه العلماء إلى مزيج قوي من الأدوات: عيون أقمار صناعية ترى الكوكب بأكمله، وخرائط رقمية تنظم تلك الرؤية، وبرامج حاسوبية ذكية تتعلم من الأنماط للتنبؤ بالمستقبل.

في دراسة حديثة ركزت على حديقة كروجر الوطنية في جنوب أفريقيا، استخدم الباحثون هذه المجموعة الحديث من الأدوات لإنشاء خريطة مفصلة للضعف تجاه تلوث الهواء. تعد "كروجر" واحدة من أكبر محميات الحياة البرية في أفريقيا، وهي مساحة شاسعة تمتد لنحو 20,000 كيلومتر مربع حيث تتجول الفيلة والأسود ووحيد القرن بحرية. والحديقة ليست معزولة عن العالم؛ فهي تقع بالقرب من المستوطنات البشرية والمناطق الصناعية، مما يعني أنها عرضة للملوثات التي تنجرف من الخارج. أراد الباحثون فهم أي أجزاء من هذه الحديقة الضخمة هي الأكثر عرضة للخطر من تلوث الهواء وما هي العوامل التي تجعلها ضعيفة أمام هذا التهديد. لم يعتمدوا على طريقة واحدة، بل بنوا نظاماً يجمع بين بيانات الأقمار الصناعية حول الغطاء النباتي وهطول الأمطار ودرجة الحرارة، مع قياسات لغازات محددة مثل ثاني أكسيد النيتروجين وثاني أكسيد الكبريت. ثم قاموا بتغذية هذه المعلومات في ثلاثة أنواع مختلفة من نماذج التعلم الحاسوبي لمعرفة أي منها يمكنه التنبؤ بمكان حدوث مشكلة التلوث بشكل أفضل.

جمع الفريق البيانات من الفضاء، باستخدام الأقمار الصناعية لتتبع كل شيء، بدءاً من كثافة الغطاء النباتي الأخضر وصولاً إلى تركيز الغازات الضارة في الغلاف الجوي. ونظروا في كمية الأمطار المتساقطة، ودرجة الحرارة، ومقدار الميثان وأول أكسيد الكربون الموجود. ومن خلال دمج كل هذه المعلومات معاً، أنشأوا صورة رقمية لبيئة الحديقة. ثم قاموا بتدريب نماذجهم الحاسوبية على التعرف على علامات التلوث. أحد النماذج، ويسمى "الغابة العشوائية" (Random Forest)، يعمل عن طريق بناء العديد من أشجار القرار الصغيرة وجعلها تصوت على الإجابة. أما نموذج "آلة تعزيز التدرج" (Gradient Boosting Machine)، فهو يتعلم من خلال تصحيح أخطائه خطوة بخطوة. والنموذج الثالث، "آلة ناقل الدعم" (Support Vector Machine)، يحاول إيجاد أفضل خط ممكن للفصل بين المناطق النظيفة والمناطق الملوثة. وكان الهدف هو معرفة أي من هذه الأساليب يمكنه تحديد المناطق التي من المرجح أن تعاني من جودة هواء سيئة بدقة أكبر.

أظهرت النت la أن النماذج الحاسوبية كانت ناجحة تماماً في رسم خرائط التهديدات غير المرئية. فقد أثبت نموذج "آلة تعزيز التدرج" أنه الأكثر دقة في تصنيف البيانات، حيث أصاب في الإجابة بنسبة 76 في المائة تقريباً. وكان نموذج "الغابة العشوائية" أقل دقة قليلاً في هذا المقياس المحدد، لكنه كان بارعاً للغاية في التمييز بين مستويات الخطر المختلفة، وهي صفة بالغة الأهمية لاتخاذ قرارات دقيقة. أما النموذج الثالث، "آلة ناقل الدعم"، فقد كان أداؤه جيداً ولكنه لم يكن بقوة النموذجين الآخرين. وقد اتفقت النماذج الثلاثة على النمط العام: الأجزاء الجنوبية والجنوبية الوسطى من الحديقة، وخاصة بالقرب من نهري كروكودايل وسابي، هي الأكثر عرضة للخطر. أظهرت هذه المناطق تركيزات أعلى من ثاني أكسيد النيتروجين وثاني أكسيد الكبريت، وهي غازات ترتبط غالباً باحتراق الوقود والنشاط الصناعي. كما كشفت النماذج الحاسوبية أن هذين الغازين هما أهم العوامل في التنبؤ بمكان وجود مشكلة التلوث، أكثر من كمية الأمطار أو كثافة الأشجار.

وما يجعل هذه النتيجة مهمة هو أنها تؤكد أن التلوث ليس مجرد مشكلة مدن. تشير الدراسة إلى أنه حتى في مكان بري مثل كروجر، فإن جودة الهواء تتأثر بشدة بالنشاط البشني البعيد، الذي تحمله الرياح. ووجد الباحثون أن المناطق ذات المخاطر العالية ليست عشوائية؛ فهي تتجمع حول أودية نهرية محددة والحواف الجنوبية للحديقة، حيث تحمل الرياح غالباً الملوثات من البلدات والطرق القريبة. كما سلطت النماذج الحاسوبية الضوء على أن الغطاء النباتي يلعب دوراً معقداً؛ فبينما يمكن للغابات الكثيفة أن تمتص التلوث أحياناً، أظهرت البيانات أن المناطق ذات الخضرة الكثيفة كانت مرتبطة غالباً بمستويات أعلى من غازات معينة، ويرجع ذلك على الأرجح إلى كون هذه المناطق قريبة أيضاً من مصادر التلوث. وهذا التفصيل هو أمر قد تغفله الملاحظة البسيطة، لكن النماذج الحاسوبية التقطته بوضوح.

المخرج النهائي لهذا العمل هو مجموعة من الخرائط عالية الدقة التي تقسم الحديقة إلى خمس فئات، تتراوح من الضعف المنخفض جداً إلى الضعف المرتفع جداً. وتظهر هذه الخرائط أن حوالي خمس الحديقة يقع ضمن فئة المخاطر الأعلى، بينما يقع خمس آخر في الفئة المنخفضة جداً. أما المنطقة الوسطى، حيث يكون الخطر متوسطاً، فهي تغطي الجزء الأكبر من الأرض. وهذه الخرائط ليست مجرد صور؛ بل هي أدوات عملية لمديري الحديقة. فمن خلال معرفة الأماكن التي يُحتمل أن يكون الهواء فيها ساماً بدقة، يمكن للحراس وحماة الطبيعة تركيز جهود المراقبة، والتخطيط للحرائق بعناية أكبر، وحماية الحياة البرية الحساسة في المناطق التي تحتاج إليها بشدة. وتشير الدراسة إلى أن هذا النهج المتمثل في الجمع بين بيانات الأقمار الصناعية والتعلم الحاسوبي الذكي يمكن أن يغير قواعد اللعبة في حماية المناطق البرية الشاسعة، مما يوفر وسيلة لرؤية ما لا يُرى والتحرك قبل وقوع الضرر.

يرتبط هذا البحث أيضاً بالأهداف الأوسع للكوكب. فمن خلال حماية الأرض وهواؤها، تدعم الدراسة الجهود المبذولة للحفاظ على النظم البيئية الصحية، وهو جزء رئيسي من أهداف الاستدامة العالمية. كما أنها تتطرق إلى العمل المناخي، حيث إن نفس الأنماط الجوية التي تنقل التلوث هي التي تقود تغير المناخ أيضاً. ورغم أن الدراسة لم تقيس صحة الناس الذين يعيشون في مكان قريب، إلا أنها توفر البيانات البيئية اللازمة لفهم كيفية حركة التلوث واستقراره، وهي الخطوة الأولى نحو حماية كل من الحياة البرية والمجتمعات البشرية. إن هذا العمل يثبت أنه حتى في مكان شاسع وبري مثل كروجر، يمكن للعلم أن يقدم رؤية واضحة للتحديات التي تواجه الطبيعة، محولاً البيانات المعقدة إلى دليل بسيط وقابل للتنفيذ من أجل الحفاظ على البيئة. إن الخرائط المنتجة هي شهادة على فكرة أنه مع توفر الأدوات المناسبة، يمكننا رؤية التهديدات التي تواجه عالمنا الطبيعي بوضوح كافٍ لإيقافها.