Synthetic Aperture Radar, Multi-Source Data Fusion, and Machine Learning for Aboveground Biomass and Carbon Stock Estimation: A Systematic Review and Bibliometric Analysis
تجمع هذه المراجعة المنهجية والتحليل الببليومتري بين 68 دراسة من عام 2004 إلى عام 2026 لتوضيح كيف أدى دمج رادار الفتحة الاصطناعية، والاستشعار عن بعد متعدد المصادر، والتعلم الآلي إلى تطوير تقدير الكتلة الحيوية فوق الأرض ومخزون الكربون، مع تسليط الضوء على فجوة بحثية حرجة في تطبيق هذه الأطر القوية والقابلة للتوسع على البيئات الحضرية للأشجار غير المتجانسة.
المؤلفون الأصليون:Temitope Emmanuel Paul, Adedayo Adeleke, Abel Ramoelo
تُعد الأشجار رئات الكوكب، فهي تستنشق ثاني أكسيد الكربون وتخزنه في هيئة خشب وأوراق وجذور. ويمثل هذا الكربون المخزن ثقلاً موازناً حيوياً للغازات الدفيئة التي ترفع حرارة غلافنا الجوي. ولفهم كمية الكربون التي تحتفظ بها غابات العالم، أو مقدار ما قد توفره أشجار الشوارب في مدينة ما، يجب على العلماء قياس "الكتلة الحيوية فوق الأرض"، وهي ببساطة الوزن الإجمالي لجميع المواد النباتية الحية فوق سطح التربة. لعقود من الزمن، كانت الطريقة الوحيدة للحصول على إحصاء دقيق هي الدخول إلى الغابة، وقياس كل شجرة بشريط القياس، وإجراء الحسابات يدوياً. وبينما تتسم هذه الطريقة بالدقة، إلا أنها بطيئة ومكلفة ويستحيل تطبيقها في كل مكان في آن واحد. واليوم، لدينا طريقة أسرع: وهي النظر إلى الأرض من الفضاء. إذ يمكن للأقمار الصناعية الآن التقاط صور للغابات والمدن، باستخدام أنواع مختلفة من "العيون" التي ترى ما لا تراه العين البشرية. فبعض الأقمار الصناعية ترى الألوان، والبعض الآخر يرى شكل المظلة الشجرية، بينما يستخدم بعضها الرادار، الذي يعكس موجات غير مرئية عن الأشجار ليكشف عن هيكلها حتى من خلال السحب.
وتجمع مراجعة جديدة للأبحاث العلمية أحدث النتائج حول كيفية استخدامنا لهذه الأدوات الفضائية لعدّ الأشجار وتقدير كربونها. لم يخرج الباحثون وراء هذه المراجعة، وهم تيموتوبي إيمانويل بول، وأديدايو أديلكي، وأبيل رامويلو، إلى الميدان بأنفسهم، بل قاموا بجمع وتحليل 68 دراسة مختلفة نُشرت بين عامي 2004 و2026. كان هدفهم هو معرفة كيف يدمج العلماء البيانات من أقمار صناعية مختلفة ويستخدمون برامج حاسوبية ذكية لمعرفة كمية الكربون المخزنة في الأشجار، سواء في الغابات البرية أو في مدننا. وقد وجدوا أن أفضل النتائج لا تأتي من استخدام نوع واحد فقط من صور الأقمار الصناعية، بل من مزجها معاً. فمن خلال الجمع بين معلومات الألوان من الكاميرات البصرية، والتفاصيل الهيكلية من الماسحات الليزرية، والرؤية التي لا تتأثر بالطقس من الرادار، يمكن للعلماء بناء صورة أوضح لصحة الغابة وحجمها.
إن قصة هذا البحث هي قصة تطور سريع. ففي السنوات الأولى من الفترة التي درسوها، حاول العلماء في الغالب استخدام أدوات منفردة لحل المشكلة؛ فقد يعتمدون على قمر صناعي يرى الألوان، أو قمر يستخدم الرادار، لكن نادراً ما يستخدمون كليهما. وتظهر المراجعة أن هذا النهج قد تغير؛ فاليوم، تدمج الدراسات الأكثر نجاحاً البيانات من مصادر متعددة. فهم يأخذون البيانات الطيفية، التي تخبرنا عن اخضرار وصحة الأوراق، ويدمجونها مع البيانات الهيكلية التي تكشف عن ارتفاع وكثافة الأغصان. ومن أقوى الأدوات في هذا المزيج هو الرادار، الذي يرسل إشارات ميكروويف يمكنها اختراق السحب ورؤية شكل الأشجار حتى عندما تكون السماء ملبدة بالغيوم. وهناك أداة رئيسية أخرى هي "ليدار" (LiDAR)، الذي يستخدم نبضات الليزر لإنشاء خريطة ثلاثية الأبعاد دقيقة لأرضية الغابة والمظلة فوقها. وعندما يدمج الباحثون هذه الأنواع المختلفة من المعلومات، تتحسن دقة تقديراتهم للكربون بشكل كبير مقارنة باستخدام أي مصدر واحد بمفرده.
ولتحليل كل هذه البيانات المختلطة، يتجه العلماء إلى تعلم الآلة. وهذه عبارة عن برامج حاسوبية تتعلم من الأمثلة بدلاً من اتباع مجموعة ثابتة من القواعد. ووجدت المراجعة أن البرامج الأكثر موثوقية وانتشاراً هي طرق "التجميع" (ensemble)، والتي تعمل من خلال دمج تنبؤات العديد من النماذج الأصغر للوصول إلى إجابة نهائية. ومن بين هذه الطرق، كانت طريقة تُسمى "الغابة العشوائية" (Random Forest) هي الخيار الأكثر شعبية وقوة؛ فهي تتعامل مع البيانات المعقدة وغير المنتظمة من الأقمار الصناعية بشكل جيد للغاية، ويمكنها إخبارنا بأي القطع من المعلومات كانت الأكثر أهمية للحساب النهائي. كما تُستخدم أدوات قوية أخرى، مثل "تعزيز التدرج الشديد" (Extreme Gradient Boosting)، لاستخراج قدر أكبر من الدقة. وفي الآونة الأخيرة، بدأ "التعلم العميق"، وهو نوع من الذكاء الاصطناعي يحاكي الدماغ البشري، في الظهور في الأبحاث. وتعد هذه الأنظمة المتقدمة جيدة بشكل خاص في رصد الأشجار الفردية في شوارع المدن المزدحمة، لكنها تتطلب كميات هائلة من بيانات التدريب وأجهزة حاسوبية قوية لتعمل بفعالية.
وعلى الرغم من هذه القفزات التكنولوجية المثيرة للإعجاب، تسلط المراجعة الضوء على فجوة كبيرة في معرفتنا. فبينما تعلمنا الكثير عن قياس الكربون في الغابات الشاسعة والمتصلة، فإننا نعرف القليل جداً عن كيفية القيام بذلك في المدن. فالبيئات الحضرية معقدة للغاية؛ حيث تتوزع الأشجار بين المباني والطرق والخرسانة، وغالباً ما تتشوه أشكالها بسبب الهياكل المحيطة بها. ووجد الباحثون أن دراسات قليلة جداً نجحت في تطبيق المزيج القوي بين الرادار وتعلم الآلة على أشجار المدن. فلا تزال معظم الدراسات التي تركز على المدن تعتمد بشكل كبير على الصور البصرية والمسوحات الليزرية، وغالباً ما تغفل بيانات الرادار التي يمكن أن تساعد في الرؤية عبر السحب وفهم هيكل الأشجار في الظروف الصعبة. وهذا يمثل فرصة ضائعة، لأن المدن أصبحت مهمة بشكل متزايد لحلول المناخ، ونحن بحاجة إلى طرق دقيقة لعد الكربون في أشجار شوارعنا للتخطيط لمستقبل أكثر برودة.
إن المسار المستقبلي، وفقاً للمؤلفين، يتضمن سد هذه الفجوة. ويقترحون أن الأبحاث المستقبلية يجب أن تركز على إنشاء نماذج يمكنها العمل عبر أنواع مختلفة من المناظر الطبيعية، من الغابات الاستوائية الكثيفة إلى مراكز المدن المزدحمة. وهذا يعني تطوير طرق أفضل للتعامل مع التحديات الفريدة للمدن، حيث يمكن لإشارات الرادار أن ترتد عن المباني وتخلق أصداءً مربكة. ويعني هذا أيضاً بناء طرق معيارية لاختبار هذه النماذج بحيث يمكن الوثوق في الطريقة التي طُورت في مدينة ما عند تطبيقها في مدينة أخرى. وتخلص المراجعة إلى أنه بينما حققنا تقدماً هائلاً في دمج بيانات الأقمار الصناعية والذكاء الاصطنا�عي، فإن العمل الحقيقي يكمبن في جعل هذه الأدوات قوية بما يكفي للتعامل مع واقع العالم المعقد. ومن خلال صقل هذه الأساليب، يمكننا الانتقال من تقدير الكربون بلمحات عامة إلى عدّه بدقة، مما يمنحنا البيانات الواضحة التي نحتاجها لإدارة غاباتنا ومدننا من أجل مناخ مستقر.
ملخص تقني: رادار الفتحة الاصطناعية، دمج البيانات متعددة المصادر، والتعلم الآلي لتقدير الكتلة الحيوية فوق سطح الأرض ومخزون الكربون
1. بيان المشكلة
يعد التقدير الدقيق للكتلة الحيوية فوق سطح الأرض (AGB) ومخزونات الكربون أمراً بالغ الأهمية لإدارة الغابات المستدامة، والتخفيف من آثار تغير المناخ، ومراقبة النظم البيئية. وبينما توفر عمليات الجرد الميدانية التقليدية قياسات مباشرة، إلا أنها تتطلب جهداً مكثفاً، وتكلفة عالية، وغير عملية للمراقبة واسعة النطاق أو المستمرة. وقد برز الاستشعار عن بُعد كبديل قابل للتطبيق؛ ومع ذلك، لا تزال الأدبيات الحالية مجزأة منهجياً.
غالباً ما تركز الأبحاث الحالية على مستشعرات فردية (بصرية، أو رادار الفتحة الاصطناعية SAR، أو ليدار LiDAR)، أو خوارزميات تعلم آلي محددة، أو تطبيقات عامة للكتلة الحيوية دون تقديم توليف موحد لكيفية دمج هذه التقنيات. علاوة على ذلك، هناك تفاوت كبير في التركيز البحثي: حيث تتناول الغالبية العظمى من الدراسات النظم البيئية للغابات الطبيعية، بينما تظل الأبحاث التي تستهدف تحديداً الكتلة الحيوية للأشجار في المناطق الحضرية وتقدير الكربون محدودة. وتفرض البيئات الحضرية تحديات فريدة، بما في ذلك المناظر الطبيعية غير المتجانسة، وآليات التشتت المعقدة (مثل تأثير الارتداد المزدوج من المباني)، ونقص مجموعات البيانات المرجعية الموحدة. بالإضافة إلى ذلك، وبينما يوفر رادار الفتحة الاصطناعية (SAR) معلومات هيكلية في جميع الظروف الجوية، فإن دمجه في أطر تقدير الكربون الحضري لا يزال غير مستغل مقارنة بالبيانات البصرية وبيانات الليدار.
2. المنهجية
تعتمد هذه الدراسة على مراجعة منهجية وتحليل ببليومتري باتباع إرشادات التقارير المفضلة للمراجعات المنهجية والتحليل التلوي (PRISima 2020).
مصادر البيانات: تم استرجاع الأدبيات من Scopus، وWeb of Science Core Collection، وGoogle Scholar (عبر Harzing's Publish or Perish).
الإطار الزمني: الدراسات المنشورة بين 2004 و2026.
استراتيجية البحث: بحث منطقي (Boolean) مهيكل يجمع بين أربع مجموعات موضوعية: الموارد النباتية/الغابية، تقدير الكتلة الحيوية/الكربون، تقنيات الاستشعار عن بُعد (تحديداً SAR، والبصرية، والليدار، والطائرات بدون طيار UAV)، وطرق التعلم الآلي/التعلم العميق.
معايير الاختيار:
الاشتمال: مقالات الدوريات المحكمة باللغة الإنجليزية؛ التي تبحث في الكتلة الحيوية فوق سطح الأرض (AGB) أو مخزون الكربون في الغابات الحضرية أو الطبيعية؛ وتستخدم بيانات SAR (مستقلة أو مدمجة)؛ وتطبق التعلم الآلي أو التعلم العميق؛ وتقدم مقاييس تحقق كمية (مثل R2، وRMSE، وMAE).
الاستبعاد: أعمال المؤتمرات، والرسائل الجامعية، والمنشورات غير الإنجليزية، والدراسات التي تفتقر إلى بيانات SAR، والدراسات التي تفتقر إلى التحقق الكمي.
عملية الفرز: تم تحديد إجمالي 68 دراسة مؤهلة للتركيب النوعي بعد إزالة المكررات والفرز عبر منصة Rayyan.
النمو: كان النشاط البحثي منخفضاً قبل عام 2013، لكنه شهد زيادة ملحوظة من عام 2019 فصاعداً، وبلغ ذروته بين عامي 2021 و2024. ويعود هذا النمو إلى توافر البيانات الساتلية المجانية (Sentinel-1/2, Landsat)، والليدار، والحوسبة السحابية، وتقدم الذكاء الاصطناعي.
التحيز الجغرافي: لا تزال الدراسات تتركز في النظم البيئية للغابات الطبيعية وشبه الحضرية. وتعد الأبحاث التي تركز تحديداً على الأشجار الحضرية والبيئات الحضرية غير المتجانسة ناقصة بشكل كبير، مما يخلق فجوة في قابلية نقل النماذج المطورة في الغابات الطبيعية.
ب. تقنيات الاستشعار عن بُعد ودمج البيانات
تطور المستشعرات: انتقل المجال من نهج المستشعر الواحد إلى دمج البيانات متعددة المصادر.
البصرية: تظل المصدر الأكثر استخداماً (مثل NDVI، EVI) ولكنها تعاني من التشبع في المظلات الكثيفة وتغطية السحب.
رادار الفتحة الاصطناعية (SAR): يوفر معلومات هيكلية وقدرة على العمل في جميع الظروف الجوية. يسود نطاق الموجة C (Sentinel-1) نظراً لسهولة الوصول إليه، بينما يوفر نطاق الموجة L (ALOS PALSAR) حساسية أفضل للكتلة الحيوية الخشبية. ومع ذلك، فإن استخدام SAR لا يزال محدوداً في الدراسات الحضرية الحديثة (2025–2026).
الليدار (LiDAR): يوفر بيانات هيكلية ثلاثية الأبعاد فائقة (ارتفاع المظلة، والتعقيد الرأسي) ويعد المعيار المرجعي للدقة، ولكنه محدود بالتكلفة والتغطية.
استراتيجيات الدمج: يعد الدمج على مستوى الميزات (Feature-level fusion) الاستراتيجية السائدة، حيث يتم دمج المتغيرات الطيفية والنسيجية والهيكلية في حيز ميزات موحد. وبينما يعد دمج الليدار مع البيانات البصرية هو الأكثر شيوعاً، تسلط المراجعة الضوء على وجود فجوة في دمج SAR مع البيانات البصرية والليدار خصيصاً للتطبيقات الحضرية.
ج. التعلم الآلي والتعلم العميق
الخوارزميات المهيمنة: تظل الغابة العشوائية (Random Forest - RF) هي الخوارزمية الأكثر قوة وانتشاراً لقدرتها على التعامل مع العلاقات غير الخطية، والتعددية الخطية، والبيانات عالية الأبعاد بأقل قدر من الضبط. كما يُستخدم التعزيز المتطرف (XGBoost) وخوارزميات التعزيز الأخرى (LightGBM, CatBoost) بشكل متزايد لتطبيقات الدقة العالية مع مجموعات البيانات الكبيرة.
التعلم العميق: تبرز الشبكات العصبية الالتفافية (CNNs) ونماذج كشف الأشياء (مثل YOLOv11) للكشف عن الأشجار الفردية ورسم خرائط تيجان الأشجار، خاصة عند دمجها مع بيانات UAV-LiDAR. ومع ذلك، يتطلب التعلم العميق مجموعات بيانات مصنفة واسعة النطاء وموارد حوسبة كبيرة، مما يحد من استخدامه العملي في المناطق التي تفتقر إلى البيانات.
الأداء: يوفر التعلم الجمعي (Ensemble learning) عموماً أفضل توازن بين الدقة والقابلية للتفسير. ويظهر التعلم العميق إمكانات كبيرة للتطبيقات عالية الدقة، ولكنه مقيد بتوافر البيانات وطبيعته كـ "صندوق أسود".
د. التحديات والفجوات
التعقيد الحضري: غالباً ما تفشل النماذج المدربة على الغابات الطبيعية في البيئات الحضرية بسبب النباتات المجزأة، والأسطح غير المنفذة، وتشتت الرادار المعقد (الاستلقاء/Layover، الظل، والارتداد المزدوج).
رادار الفتحة الاصطناعية (SAR) في المناطق الحضرية: رغم إمكاناته للمراقبة في جميع الظروف الجوية، نادراً ما يتم دمج SAR في أطر الكربون الحضرية، التي تعتمد بشدة على البيانات البصرية والليدار.
ندرة البيانات: هناك نقص في مجموعات البيانات المرجعية الموحدة وعالية الجودة للأشجار الحضرية، مما يعيق تدريب النماذج والتحقق عبر الأقاليم.
قابلية النقل: معظم النماذج مرتبطة جغرافياً بمواقع محددة. وتفتقر الممارسات إلى التحقق عبر الأقاليم ومجموعات البيانات المرجعية الموحدة.
4. الأهمية والادعاءات
تقدم هذه الورقة توليفاً شاملاً يدمج رادار الفتحة الاصطناعية (SAR)، والاستشمان عن بُعد متعدد المصادر، والتعلم الآلي، والتحليل الببليومتري، مما يجعلها امتداداً وتطويراً للمراجعات السابقة (مثل مراجعات Maxwell et al.، وMa et al.، وUllah et. al.، وLuo et. al.) التي ركزت على مستشعرات فردية، أو تطبيقات الاستشعار عن بعد العامة، أو النظم البيئية الأرضية الأوسع.
التوليف المنهجي: بخلاف المراجعات السابقة التي قيمت المستشعرات أو تقنيات النمذجة بشكل منفصل، تقدم هذه الدراسة تقييماً متكاملاً لدمج البيانات متعددة المصادر المتمحورة حول SAR، ومنهجيات التعلم الآلي، وممارسات التحقق. إنها تتجاوز مراجعة التقنيات الفردية لتحلل سير العمل المتكامل لدمج المستشعرات والذكاء الاصطناعي، مشيرة إلى أن الدمج على مستوى الميزات يتفوق باستمرار على نهج المستشعر الواحد.
التركيز الحضري: من خلال تسليط الضوء على ندرة الدراسات الخاصة بالمناطق الحضرية، تحدد المراجعة فجوة بحثية حرجة. وتجادل بأن طرق الغابات الطبيعية قد نضجت، لكن البيئات الحضرية تتطلب أطراً مخصصة تراعي عدم التجانس والتشتت المعقد. تستهدف الورقة تحديداً نقل نهج تقدير الكتلة الحيوية/الكربون إلى بيئات الأشجار الحضرية غير المتجانسة، وهو نطاق كان محدوداً في الأدبيات السابقة.
الاتجاه المستقبلي: تفترض الورقة أن التقدم المستقبلي لا يعتمد على مستشعرات أو خوارزميات فردية جديدة بقدر ما يعتمد على تطوير أطر عمل متعددة المصادر، شفافة، قابلة للنقل، وقابلة للتفسير. وتدعو إلى دمج SAR في النماذج الحضرية، واعتماد الذكاء الاصطناعي القابل للتفسير (XAI)، وإنشاء مجموعات بيانات مرجعية موحدة لدعم مراقبة الكربون التشغيلية وسياسات المناخ.
يخلص المؤلفون إلى أنه على الرغم من حدوث تقدم تكنولوجي كبير، يجب أن ينتقل المجال نحو حلول قوية وقابلة للتوسع والنقل يمكنها معالجة التحديات الفريدة لكل من النظم البيئية الطبيعية والحضرية بفعالية لدعم أهداف تخفيف آثار المناخ العالمية.