📄 earth_science

GIS, Remote Sensing and Machine Learning Applications for Forest Fire Mapping, Susceptibility Assessment and Risk Analysis: A Systematic Review

تسلط هذه المراجعة المنهجية لـ 51 دراسة الضوء على الهيمنة المتزايدة لنماذج تعلم الآلة مثل "الغابة العشوائية" (Random Forest) و"إكس جي بوست" (XGBoost)، مقترنة ببيانات الاستشعار عن بعد مثل "موديس" (MODIS) و"سنتينل-2" (Sentinel-2)، في رسم خرائط حرائق الغابات وتقييم مخاطرها، مع تحديد الفجوات الجغرافية الحرجة في الأبحاث الأفريقية والدعوة إلى تقدم مستقبلي في دقة البيانات، والتحقق من صحة النماذج، والتغطية العالمية.

المؤلفون الأصليون: Lucius Malalu, Henry Chinthuli

نُشر 2026-10-05✓ Author reviewed ⓘ

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lucius Malalu, Henry Chinthuli

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إن حرائق الغابات ليست مجرد مشهد درامي للدخان واللهب؛ بل هي قوى جبارة تعيد تشكيل المناظر الطبيعية، وتغير الهواء الذي نتنفسه، وتهدد المجتمعات. ولإدارة هذه المخاطر، يحتاج العلماء إلى معرفة مكان احتراق الحرائق بدقة، ومدى شدة الضرر الناتج، وأين قد يبدأ الحريق التالي. لعقود من الزمن، تطلب جمع هذه المعلومات فرقاً من الأشخاص على الأرض، وهي عملية بطيئة وخطيرة لا يمكنها تغطية الغابات الشاسعة والنائية. اليوم، انتقلت الرؤية من الأرض إلى السماء. تعمل الأقمار الصناعية التي تدور حول الأرض كراصد مستمر، حيث تلتقط صوراً لسطح الكوكب بالضوء المرئي والأطوال الموجية الأخرى غير المرئية. وتكشف هذه الصور عن التغيرات في الغطاء النباتي والحرارة التي تشير إلى وجود حريق. ومن خلال دمج هذه الصور الفضائية مع برامج الكمبيوتر التي يمكنها رصد الأنماط — المعروفة باسم تعلم الآلة — يمكن للباحثين الآن رسم خرائط لأضرار الحرائق والتنبؤ بالمخاطر المستقبلية بسرعة ونطاق كانا في السابق مستحيلين.

تجمع مراجعة منهجية جديدة من إعداد لوسيوس مالالو وهنري شينثولي أحدث الأعمال في هذا المجال، حيث تفحص كيفية استخدام هذه التقنيات لفهم حرائق الغابات. بحث الباحثون في 51 دراسة نُشرت بين عامي 2021 و2026، بحثاً عن أكثر الطرق فعالية لرسم خرائط المناطق المحترقة وتقييم خطر الحرائق. كان هدفهم هو معرفة الأدوات التي يستخدمها العلماء بشكل أكثر تكراراً، وأين يحدث البحث، وما هي التحديات المتبقية. وتكشف المراجعة عن مجال يتطور بسرعة، وينتقل من عمليات التحقق اليدوية البسيطة نحو أنظمة آلية معقدة يمكنها معالجة كميات هائلة من البيانات لحماية الغابات والناس.

وجد الباحثون أن العمل يتركز بكثافة في آسيا، التي استحوذت على ما يقرب من ثلثي الدراسات التي تمت مراجعتها. وقد قادت دول مثل الصين والهند وتركيا الطريق، بينما لم تمثل أفريقيا، رغم امتلاكها مخاطر كبيرة لحرائق الغابات، سوى أربع درسات فقط. يشير هذا الفجوة إلى أنه بينما تتقدم التكنولوجيا، فإن تطبيقها ليس موزعاً بالتساوي بعد عبر العالم. وفيما يتعلق بالأدوات المستخدمة، سلطت المراجعة الضوء على أن مستشعر القمر الصناعي MODIS كان الخيار الأكثر شعبية، حيث ظهر في 27 من الدراسات. ويُقدر هذا المستشعر لقدرته على التقاط صور متكررة للأرض، مما يسمح للعلماء بتتبع الحرائق أثناء حدوثها. وجاء نظام Sentinel-2، الذي يوفر صوراً أكثر حدة وتفصيلاً، في المرتبة الثانية كأكثر الأدوات شيوعاً. ويعتمد اختيار المستشعر غالباً على الحاجة المحددة: MODIS لمراقبة الصورة الكبيرة بمرور الوقت، وSentinel-2 لرؤية التفاصيل الدقيقة لرقعة محترقة معينة.

وعندما يتعلق الأمر ببرامج الكمبيوتر التي تحلل هذه الصور، فقد أصبح تعلم الآلة هو المعيار الأساسي. وكان نموذج "الغابة العشوائية" (Random Forest) هو النموذج الأكثر استخداماً، وهو طريقة تبني العديد من أشجار القرار لاتخاذ تنبؤ نهائي، حيث ظهر في 28 من الدراسات. وتبعه نموذج XGBoost وآلات المتجهات الداعمة (Support Vector Machines). يتم تدريب هذه البرامج للتعرف على "البصمات" الفريدة للأراضي المحترقة. فهي تبحث في مجموعة واسغة من القرائن، مثل درجة حرارة الأرض، وكمية الأمطار التي سقطت مؤخاً، وانحدار التضاريس، ومدى قرب الغابة من الطرق أو البلدات. وكانت إحدى القرائن الأكثر شيوعاً هي مقياس يُسمى "مؤشر الاختلاف الطبيعي للغطاء النباتي"، والذي يخبر الكمبيوتر بمدى صحة النباتات. ومن خلال تغذية كل هذه العوامل في الكمبيوتر، يمكن للنماذج إنشاء خرائط لا تظهر فقط أين احترقت النار، بل أيضاً مدى احتمالية احتراق المنطقة في المستقبل.

على الرغم من هذه التطورات، تشير المراجعة إلى أن التكنولوجيا ليست مثالية. إذ يعد وضوح الصور عقبة رئيسية؛ فإذا كانت صورة القمر الصناعي ضبابية للغاية، فقد تُفقد الحرائق الصغيرة تماماً، أو قد تبدو حواف المنطقة المحترقة غير واضحة. كما تفرض جودة البيانات وتوافرها مشاكل، خاصة في المناطق التي يكون فيها تغطية الأقمار الصناعية غير منتظمة أو حيث تحجب السحب الأرض. ويشير المؤلفون إلى أنه بينما تتحسن النماذج، إلا أنها لا تزال تواجه صعوبة في العمل بنفس الكفاءة في جميع أنحاء العالم. فالنموذج الذي تم تدريبه على حرائق في بلد ما قد لا يعمل بدقة في بلد آخر لأن الغابات والطقس والأنشطة البشرية مختلفة.

إن المسار نحو المستقبل، وفقاً للمراجعة، يتضمن ملء الفجوات في التغطية العالمية، لا سيال في أفريقيا، وتحسين جودة البيانات. ويُنصح الباحثون بالجمع بين أنواع مختلفة من صور الأقمار الصناعية للحصول على صورة أوضح، واستخدام تقنيات التعلم العميق الأكثر تقدماً التي يمكنها التعلم من الصور نفسها دون الحاجة إلى الكثير من التعليمات اليدوية. والهدف النهائي هو إنشاء أنظمة يمكنها مراقبة الغابات باستمرار وتوفير معلومات موثوقة ومحدثة لمساعدة المديرين على اتخاذ قرارات أفضل. ومن خلال صقل هذه الأدوات، يأمل المجتمع العلمي في تحويل الطبيعة الفوضوية لحرائق الغابات إلى خطر يمكن إدارته، باستخدام "العيون في السماء" لحماية الغابات في الأسفل.

أبحاث مشابهة