GAN-Based Sample Augmentation for Improving Above-Ground Biomass Inversion of Salt Marsh Vegetation Using Multi-Source Remote Sensing Data

تُعد الأراضي الرطبة الساحلية من بين أكثر بالوعات الكربون كفاءة على وجه الأرض، حيث تعمل كمحركات طبيعية قوية تسحب غازات الاحتباس الحراري من الغلاف الجوي وتحبسها في التربة والأنسجة النباتية. وتشمل هذه النظم البيئية، التي تُسمى غالباً موائل "الكربون الأزرق"، المستنقعات الملحية حيث تزدهر نباتات متخصصة في الظروف المدية المالحة. ولفهم مقدار الكربون الذي تخزنه هذه المناطق، يجب على العلماء قياس "الكتلة الحيوية فوق سطح الأرض"، وهي ببساطة الوزن الإجمالي لجميع المواد النباتية الحية — السيقان والأوراق والأغصان — التي تنمو فوق التربة. تقليدياً، كان الحصول على هذا الرقم عملية بطيئة ومجهدة تتطلب من الباحثين الخوض في حقول طينية، وقطع النباتات يدوياً، وتجفيفها في أفران، ثم وزنها. ورغم دقة هذه الطريقة، إلا أنها لا يمكنها تغطية سوى بقع صغيرة جداً من الأرض، مما يجعل من الصعب الحصول على صورة كاملة للأراضي الرطبة الشاسعة والنائية.

ولحل هذه المشكلة، يتجه الباحثون إلى الأقمار الصناعية التي يمكنها رؤية المشهد الطبيعي بأكمله دفعة واحدة، لكن هذه الأدوات الفضائية تحتاج إلى "بيانات أرضية حقيقية" لتتعلم كيفية قراءة البيانات بشكل صحيح. وتتناول دراسة جديدة من رطبة "لياو هي" (Liaohe) في الصين تحدي قلة القياسات الميدانية من خلال استخدام تقنية ذكاء اصطناعي ذكية لإنشاء عينات "افتراضية" واقعية. ومن خلال الجمع بين صور الأقمار الصناعية ومجموعة محدودة من البيانات الميدلية الحقيقية، طور الفريق طريقة لتقدير وزن النباتات عبر المنطقة بأكملة بدقة مذهلة. ويقدم عملهم طريقة جديدة لمراقبة هذه النظم البيئية الحيوية، مما يساعد العلماء على تتبع تخزين الكربون دون الحاجة إلى زيارة كل متر مربع من المستنقع.

تقع رطبة "لياو هي" حيث يلتقي نهر "لياو هي" ببحر "بوهاي"، وهي مساحة شاسعة من المسطحات المدية والنباتات المتحملة للملوحة. وتعد موطناً لنوعين سائدين من النباتات: نبات "Phragmites australis" الشبيه بالقصب الطويل، والعشب المنخفض المتحمل للملوحة "Suaeda glauca". وتعتبر هذه النباتات حيوية لدورة الكربون في المنطقة، لكن توزيعها معقد، حيث يتغير مع المد والجزر والفصول. ولرسم خريطة كتلتها الحيوية، قام فريق البحث أولاً بجمع بيانات واقعية على مدى عدة سنوات، من خلال زيارة مواقع محددة في شهور يوليو ونوفمبر وسبتمبر لقياس الوزن الجاف للنباتات. وقد ربطوا هذه القياسات بصور من أقمار "سنتينل-2" (Sentinel-2) التابعة لوكالة الفضاء الأوروبية، والتي تلتقط مشاهد تفصيلية لسطح الأرض بمختلف ألوان الضوء، بما في ذلك الألوان غير المرئية للعين البشرية.

كان التحدي يكمكم في أن الفريق لم يمتلك سوى 53 موقع قياس حقيقي، وهو عدد ضئيل جداً لتدريب نموذج حاسوبي للتنبؤ بدقة بالكتلة الحيوية عبر رطبة تمتد على مساحة 128,000 هكتار. فإذا تعلم الحاسوب من أمثلة قليلة جداً، فإنه غالباً ما يفشل عند مواجهة مناطق جديدة غير مرئية من قبل. وللتغلب على ذلك، استخدم الباحثون "شبكة خصومية توليدية" (Generative Adversal Network)، وهي نوع من الذكاء الاصطناعي يعمل مثل زوج من البرامج المتنافسة. حيث يحاول أحد البرنامجين، وهو "المولد" (generator)، إنشاء بيانات مزيفة تبدو تماماً مثل القياسات الحقيقية، بينما يحاول الآخر، وهو "المميز" (discriminator)، رصد هذه البيانات المزيفة. ومع استمرار هذه اللعبة مراراً وتكراراً، يصبح المولد أفضل فأفضل في إنتاج عينات اصطناعية لا يمكن تمييزها إحصائياً عن العينات الحقيقية.

باستخدام هذه الطريقة، وسع الفريق مجموعة بياناتهم الصغيرة المكونة من 53 عينة حقيقية إلى مجموعة تدريب أكبر تضم 600 عينة، بواقع 300 عينة لكل نوع نباتي. ولم تكن هذه العينات الافتراضية الجديدة مجرد تخمينات عشوائية؛ بل حافظت على الأنماط والعلاقات الإحصائية الدقيقة الموجودة في العالم الحقيقي، مثل الارتباط بين القصب الأكثر طولاً وإشارات محددة في صور الأقمار الصناعية. ثم قام الباحثون بتدريب "شبكة عصبية"، وهي نموذج حاسوبي يشبه دماغ الإنسان، على هذه المجموعة الموسعة لتعلم العلاقة المعقدة وغير الخطية بين إشارات الأقمار الصناعية والوزن الفعلي للنباتات. وقد اختبروا هذا النهج مقابل طرق التعلم الآلي الشائعة الأخرى، ووجدوا أن شبكتهم العصبية، المدعومة بالبيانات المعززة، تفوقت باستمرار على غيرها.

أظهرت النتائج تحسناً كبيراً في الدقة. فبالنسبة للقصب الطويل، تحسنت قدرة النموذج على التنبؤ بالوزن الصحيح بشكل ملحوظ، حيث انخفض معدل الخطأ بنحو 100 جرام لكل متر مربع مقارنة بالنماذج التي تدربت فقط على مجموعة البيانات الأصلية الصغيرة. أما بالنسبة للأعشاب الأصغر، فقد كان التحسن واضحاً أيضاً، حيث أصبح النموذج أكثر موثوقية في تقدير كتلتها الحيوية. وعندما طبق الفريق أفضل نموذج لديهم على الرطبة بأكملها باستخدام صور الأقمار الصناعية من سبتمبر 2024، أنتجوا خريطة تفصيلية لوزن النباتات عبر المشهد الطبيعي. وكشفت الخريطة أن القصب الطويل، المتركز في الأجزاء العليا من المصب، يحمل متوسط وزن قدره 514.22 جرام لكل متر مربع، بينما بلغ متوسط وزن الأعشاب الأصغر في المسطحات الطينية الأكثر انفتاحاً في الأسفل 230.07 جرام لكل متر مربع.

تثبت هذه الدراسة أن الذكاء الاصطناعي يمكنه سد الفجوة بفعالية بين العمل الميدوي المحدود والحاجة إلى المراقبة البيئية واسعة النطاق. فمن خلال توليد بيانات افتراضية واقعية، يمكن للعلماء بناء نماذج أكثر قوة تعمل بشكل جيد حتى عندما تكون القياسات الأرضية نادرة. وتؤكد النتائج أن رطبة "لياو هي" تعد مستودعاً هاماً للكربون، حيث يخزن القصب الطويل الجزء الأكبر من الكتلة الحيوية. ويوفر هذا النهج أداة موثوقة وقابلة للتوسع لتقييم صحة السعة التخزينية للكربون في الأراضي الرطبة الساحلية، مما يوفر دعماً حيوياً للجهود العالمية الرامية لفهم وحماية هذه النظم البيئية الهامة للكربون الأزرق.