التعلم العميق يعزز دقة اكتشاف حرائق الغابات في الأمازون إلى 93٪

طور فريق البحث التابع لجامعة الأمازون الفدرالية نموذج شبكة عصبية اصطناعية (ANN) يستخدم صور الأقمار الصناعية وتقنيات التعلم العميق لاكتشاف حرائق الغابات في غابة الأمازون المطيرة بمعدل نجاح عالٍ.

“إن القدرة على اكتشاف حرائق الغابات والاستجابة لها أمر حاسم للحفاظ على التوازن البيئي الدقيق لهذه النظم الإيكولوجية الحيوية، ومستقبل هذه المنطقة الأمازونية يعتمد على اتخاذ إجراءات سريعة وحاسمة.”

– المؤلف الرئيسي الأستاذة سيتيا إليوتيريو من جامعة الأمازون الفدرالية

في حين لا يزال الرصد في الأمازون يُقدم ببيانات لحظية اليوم، إلا أن دقته متوسطة، والقدرة على اكتشاف التفاصيل في اندلاع حرائق أصغر أو في المناطق النائية محدودة.

لذلك، يمثل النموذج حلاً قويًا لاكتشاف حرائق الغابات تلقائيًا، مما يقلل بشكل كبير الوقت اللازم للتخفيف من آثارها المدمرة.

نُشر في International Journal of Remote Sensing، تشير نتائج الدراسة إلى معدل نجاح يصل إلى 93٪ في تدريب النموذج على صور غابة الأمازون المطيرة مع وبدون حرائق. وفقًا للمؤلف المشارك الأستاذ كارلوس ميندس:

“يمكن أن يكون نموذج CNN إضافة قيمة، مما يتيح تحليلات أكثر تفصيلاً في مناطق محددة. من خلال الجمع بين التغطية الزمنية الواسعة لأجهزة الاستشعار الحالية ودقة النموذج المكاني، يمكننا تعزيز مراقبة حرائق الغابات بشكل كبير في مناطق الحفاظ البيئي الحرجة.”

أشارت الدراسة إلى أن دمج صور الأقمار الصناعية والذكاء الاصطناعي يقدم نهجًا استباقيًا لمواجهة التحديات المتصاعدة التي تفرضها حرائق الغابات، مع الإسهام في مجال الاستشعار عن بُعد والتعلم العميق.
توفر التقنية بشكل خاص إمكانية تعزيز أنظمة الإنذار المبكر وتحسين استراتيجيات الاستجابة لحرائق الغابات، مما يساعد في الحفاظ على النظم الإيكولوجية الحرجة مثل الأمازون. يمكن أن يستغرق دمجها في أنظمة الرصد الحالية بسهولة من سنة إلى ثلاث سنوات، اعتمادًا على مزيد من التحقق وجهود النشر. ولكن دعونا نلقي نظرة أعمق على التطورات التي تقدمها التقنية الجديدة للعالم.

رئتا الأرض تواجه تهديدًا خطيرًا

تُعد غابة الأمازون المطيرة أصلاً ذا أهمية عالمية، حيث تحتوي على عدة ملايين من أنواع الطيور والحشرات والنباتات وغيرها من أشكال الحياة. إنها أغنى وأكثر تنوعًا من المخزون البيولوجي في العالم.

يعتمد الناس حول العالم على هذه الغابة ليس فقط للحصول على الطعام والماء والخشب والأدوية، بل أيضًا للمساعدة في استقرار المناخ بفضل تخزين ما بين 150 إلى 200 مليار طن من الكربون فيها.

تمارس غابة الأمازون المطيرة تأثيرًا اجتماعيًا وبيئيًا واقتصاديًا قويًا على البرازيل، حيث تشكل حوالي 40٪ من إجمالي مساحة الدولة في أمريكا الجنوبية. بالإضافة إلى البرازيل، تمتد الغابة عبر ثماني دول أخرى في أمريكا الجنوبية.

نظرًا لدورها الرئيسي في الحفاظ على التنوع البيولوجي وتنظيم المناخ العالمي، فإن غابة الأمازون ذات أهمية إيكولوجية كبيرة.

ومع ذلك، تواجه الغابة أزمة متصاعدة تتمثل في إزالة الغابات الجائرة، وممارسات استخدام الأراضي غير المستدامة، والتهديد الوشيك لحرائق الغابات.

على مدار النصف قرن الماضي، أدى ارتفاع درجات الحرارة إلى تفاقم الجفاف في المنطقة. ومن المتوقع أن تتصاعد الأمور أكثر، حيث تتوقع معظم النماذج زيادة شدة الموسم الجاف في غابة الأمازون خلال القرن الحادي والعشرين.

تعود هذه الزيادة إلى قوى الإشعاع وانخفاض إنتاج الجسيمات الهوائية، مما يسبب تغيرات شاذة في درجات حرارة سطح البحر (SST)، مما يؤدي إلى تقلبات في كمية الهطول فوق منطقة الأمازون.

إذا تم تأكيد هذا التكوين المناخي الجديد، حسبما أشارت الدراسة، يمكن أن تصبح الغابة نظامًا مضخمًا عرضة لحرائق الغابات. وهذا يكشف رئتي الأرض لتهديد متصاعد بسبب الزيادة المتواصلة في عدد حرائق الغابات.

لا تقتصر التداعيات البيئية لهذه الحرائق على الحدود الإقليمية فحسب؛ بل تؤثر أيضًا على أنماط المناخ العالمية والتنوع البيولوجي. وهذا يجعل من الضروري اكتشاف حرائق الغابات في الأمازون والاستجابة لها.

لمراقبة ومعالجة هذه الأزمة البيئية، ظهر الاستشعار عن بُعد عبر صور الأقمار الصناعية كأداة حيوية للحفاظ على التوازن الإيكولوجي الدقيق لهذا النظام البيئي الحيوي.

انقر هنا لتعرف لماذا السلامة من الحرائق أصبحت أكثر أهمية من أي وقت مضى.

الأثر الخطير لتصاعد حرائق الغابات

استنادًا إلى بيانات المعهد الوطني لأبحاث الفضاء (INPE) على منصة TerraBrasilis على الويب، كانت حرائق الغابات بين يناير ويونيو منخفضة من 1999 إلى 2023. ومع ذلك، ارتفع عدد الحوادث بشكل كبير بين يوليو ونوفمبر قبل أن ينخفض في ديسمبر.

كان عدد حوادث حرائق الغابات منخفضًا طوال العام بين 1999 و2001. وزادت شدة الحرائق بشكل ملحوظ بدءًا من 2002، لتصل إلى أقصى قيمة محلية في 2005.

استمر الانخفاض حتى عام 2011 عندما بدأ العدد في الارتفاع بشكل مستمر، ولا يزال هذا الاتجاه الصاعد مستمرًا. شهدت السنوات الخمس الأخيرة أعلى معدلات حدوث حرائق الغابات. في عام 2023، كان هناك 98,639 حريقًا في الأمازون.

تشكل غابة الأمازون المطيرة أيضًا جزءًا كبيرًا (أكثر من النصف) من حرائق الغابات في الأنظمة البيئية البرازيلية.

إلى جانب الأمازون، تستضيف البرازيل أنظمة إيكولوجية أخرى تشمل السريرادو، الذي يمثل 26.70٪ من جميع حرائق الغابات، بالإضافة إلى الكايتينجا، والغابة الأطلنطية، والبانتانال، والبانماس، حيث كان الأخيران الأقل تأثرًا بحرق الغابات في عام 2023.

لكل من هذه الأنظمة الإيكولوجية تنوعها الفريد من الأنواع وخصائصها. تُعد هذه الأنظمة البيئية أساسية في التخفيف من تغير المناخ، وتعمل كمصارف للكربون، وتحافظ على الأنواع المهددة بالانقراض. ومع ذلك، تتسبب حرائق الغابات بأضرار كبيرة لجميع هذه الأنظمة.

من حيث الموقع، تُوجد أعلى تركيز لحرائق الغابات في ولاية أمازوناس في بلديات لابريا، أبوي، ونوفو أريبيوانا، التي سجلت أعلى عدد من الحوادث.

تُعد حرائق الغابات مدمرة للغاية ولها عواقب وخيمة على عدة أصعدة.

في البداية، تدمر الغابات النباتية، مما قد يؤدي إلى انقراض لا رجعة فيه للأنواع المحلية. بعض هذه النباتات لها خصائص طبية فريدة ولا توجد إلا في منطقة الأمازون.

كما تُضعف حرائق الغابات خصوبة التربة، مما يجعلها قاحلة ويعوق التعافي الطبيعي للمناطق المتضررة. علاوة على ذلك، أدت حرائق الأمازون إلى زيادة جريان المياه، مما رفع مستويات الأنهار. ذلك نتيجة لتقليل الغطاء النباتي، مما يؤثر سلبًا على تسرب المياه إلى التربة، ويقلل من معدلات التبخر والنتح.

ثم هناك فقدان الحيوانات والنباتات، وهو أمر مقلق بنفس القدر. تتسبب حرائق الغابات في تدمير المواطن الحيوية الحيوية، مما يؤدي إلى اختلالات كبيرة في السلسلة الغذائية المحلية.

تفاقم الانبعاثات المكثفة لثاني أكسيد الكربون في الغلاف الجوي تأثير الدفيئة والاحترار العالمي. وهذا يزيد من تحديات المناخ العالمية ويجعل الحرائق الكبيرة أكثر تكرارًا في غابة الأمازون المطيرة.

الاستفادة من التعلم العميق لاكتشاف حرائق الغابات تلقائيًا

لمواجهة المشكلة، استخدمت الدراسة تقنية جديدة، وهي الشبكة العصبية التلافيفية (CNN)، لتصنيف حرائق الغابات في المنطقة. 

تُعد CNN مجموعة متخصصة مُحسّنة لتحليل الصور والتعرف على الأنماط البصرية، وقد أصبحت أداة قوية في مجال رؤية الحاسوب.

على سبيل المثال، استُخدم نموذج CNN لتصنيف وتشخيص COVID-19. بالإضافة إلى ذلك، تم استخدامه لاكتشاف الالتهاب الرئوي باستخدام صور الأشعة السينية للصدر، وتحديد النفايات الذكية وإعادة تدويرها، وتحليل التصادمات في الفيزياء عالية الطاقة، وتحديد نوع الخلايا في صور الخلايا الجذعية.

كما يُستخدم لاكتشاف تغيرات إزالة الغابات في الأمازون البرازيلية باستخدام بيانات لاندسات، واكتشاف حرائق الغابات، واكتشاف دخان حرائق الغابات في صور الطائرات بدون طيار (UAV).

تستفيد CNN من التعلم العميق، وهو فرع من الذكاء الاصطناعي (AI) وتعلم الآلة الذي يستخدم خوارزميات تتحسن مع مرور الوقت كلما تعرضت لبيانات جديدة ومتزايدة.

في هذه الدراسة، استفاد الباحثون من خوارزمية الشبكات العصبية الاصطناعية (ANN)، التي تحاكي طريقة عمل الدماغ البشري وتمكّن النماذج الحاسوبية من تمييز الأنماط المعقدة ومعالجة التحديات التي قد تكون فوق قدرة الفهم البشري.

تُرص طبقات متعددة بشكل متسلسل لتسهيل استيعاب المعرفة والعمل مع مجموعات بيانات ضخمة أثناء عملية التدريب.

تستفيد هذه التآزر التكنولوجي من الإجراءات الإحصائية لمساعدة الآلات على إنجاز مهام مثل تحديد حرائق الغابات من خلال التعلم التجريبي.

من خلال الاستفادة من الإمكانات الكبيرة لتقنيات التعلم العميق، توفر الشبكة حلاً قويًا لاكتشاف حرائق الغابات تلقائيًا. يتيح الاكتشاف الآلي استجابة سريعة لتخفيف الآثار المدمرة لحرائق الغابات.

في الدراسة الأخيرة، وسّع الباحثون إطار عمل الشبكة العصبية للتركيز على CNN، المستخدمة عبر مكتبات بايثون TensorFlow وKeras، وهو نوع من النماذج يُستخدم على نطاق واسع في تطبيقات رؤية الحاسوب لاستخراج الميزات من الصور.

كان الهدف هو توظيف CNN لاكتشاف حرائق الغابات في منطقة الأمازون باستخدام صور الأقمار الصناعية لاندسات 8 ولاندسات 9.

انقر هنا لتعرف كيف تتعامل الهلامات الحيوية المفعلة بالحرارة مع حرائق الغابات

نهج متقدم ومُحلي لاكتشاف حرائق الغابات

استخدم الفريق صورًا مأخوذة من أقمار لاندسات 8 ولاندسات 9 لتدريب النموذج. 

تحتوي هذه الأقمار على أدوات متقدمة لالتقاط صور عبر نطاقات طيفية متعددة، وهو أمر ضروري لاكتشاف وتصنيف حرائق الغابات. تمكن القدرات المتعددة الطيفية والحرارية لهذه الأقمار من تحديد الشذوذات الحرارية والتمييز بين أنواع الغطاء النباتي والمناطق المحترقة.

تتميز كلا القمرين بجهاز المرسام الأرضي التشغيلي (OLI)، الذي يلتقط صورًا في النطاقات المرئية، القريبة من الأشعة تحت الحمراء (NIR)، والقصيرة الموجة تحت الحمراء (SWIR)، وهو أمر حاسم في اكتشاف تغيرات الغطاء النباتي.

تظهر المناطق المحترقة انعكاسًا منخفضًا في نطاق NIR، بينما ينعكس الغطاء النباتي الصحي بقوة. تساعد نطاقات الأشعة تحت الحمراء القصيرة الموجة (SWIR) في اكتشاف رطوبة التربة والنباتات لتحديد المناطق المتأثرة بالحرائق.

كما تمتلك كلا القمرين مستشعر الأشعة تحت الحمراء الحرارية (TIRS)، الذي يعمل في نطاقين حراريين تحت الأحمر ويوفر بيانات قيمة عن مصادر الحرارة ودرجة حرارة السطح. يقدم TIRS دقة مكانية تبلغ 100 متر، بينما تمتلك نطاقات OLI دقة مكانية تبلغ 30 مترًا. وبالتالي، فإنهما الأكثر صلة بمراقبة حرائق الغابات وتسمحان برسم خرائط أكثر تفصيلًا لصحة الغطاء النباتي.

درّب الفريق CNN باستخدام مجموعة بيانات مكونة من 200 صورة حديثة تم الحصول عليها من EarthExplorer، والتي أظهرت حرائق غابة الأمازون. كما تم استخدام عدد مماثل من الصور الخالية من الحرائق لضمان نهج تعلم متوازن.

على الرغم من صغر حجم مجموعة البيانات، فقد كانت كافية لتمكين CNN من تحقيق دقة 93٪ خلال مرحلة التدريب. وعند اختبار النموذج على 40 صورة لم تُدرج في التدريب، نجح في تصنيف 23 من 24 صورة تحتوي على حرائق وجميع الـ 16 صورة الخالية من الحرائق بدقة.

يعكس هذا المستوى العالي من الأداء رضاًا كبيرًا عن متانة النموذج وقدرته على التعميم.

أشار الفريق إلى أن هذا النهج يُظهر إمكانات كبيرة لاكتشاف حرائق الغابات ويمكن استخدامه مكملًا لأنظمة المراقبة واسعة النطاق المعروفة مثل جهاز قياس التصوير متوسط الدقة (MODIS) ومجموعة أجهزة التصوير تحت الحمراء المرئية (VIIRS)، والتي تُستخدم على نطاق واسع في البرازيل للكشف المستمر والشامل عن الحرائق.

كأداة إضافية، يمكن استخدام CNN إلى جانب MODIS وVIIRS لتعزيز أنظمة الإنذار المبكر وتحسين استراتيجيات الاستجابة لحرائق الغابات.

أشار الباحثون أيضًا إلى أن المنهجية تتجاوز النظام الإيكولوجي الأمازوني مع إمكانية استخدامها في مناطق أخرى من العالم. يمكنها فعليًا مساعدة السلطات المختصة في مكافحة وإدارة مثل هذه الحوادث، “مقدمة نهجًا متقدمًا ومُحليًا لاكتشاف حرائق الغابات”، وفقًا للدراسة.

كما يمكن استكشاف CNN في مراقبة ومكافحة إزالة الغابات، وفقًا للباحثين. خطوتهم التالية هي زيادة عدد صور التدريب للحصول على “نموذج أكثر صلابة”.

انقر هنا لتعرف كيف يمكن للذكاء الاصطناعي وقاعدة البيانات المتزايدة للوقائع المساعدة في تقليل خطر حرائق الغابات.

شركة مبتكرة

Palantir Technologies Inc.

من خلال تحليلاتها الجغرافية المدفوعة بالذكاء الاصطناعي وحلول الاستجابة للكوارث، تمثل Palantir لاعبًا قويًا في مراقبة البيئة واكتشاف حرائق الغابات.

تأسست في عام 2003 على يد أليكس كارب، بيتر ثيل، ستيفن كوهين، وجو لونزديل، وتُعد Palantir مزودًا للبرمجيات عبر منصات Gotham وFoundry وApollo وAIP (منصة الذكاء الاصطناعي). برأس مال سوقي يبلغ 186.6 مليار دولار، تُتداول أسهم Palantir حاليًا عند 81.25 دولار، بارتفاع 5.28٪ منذ بداية العام. لديها ربحية السهم (EPS) (TTM) قدرها 0.19 ومضاعف السعر إلى الأرباح (P/E) (TTM) يبلغ 421.05.

في أوائل فبراير، أعلنت الشركة عن نتائجها المالية للربع الرابع من عام 2024، مسجلة إيرادات قدرها 828 مليون دولار، بزيادة 36٪ على أساس سنوي و14٪ على أساس ربع سنوي. كما ارتفع عدد عملائها بنسبة 43٪ على أساس سنوي و13٪ على أساس ربع سنوي.

بلغت إيرادات Palantir في الولايات المتحدة 558 مليون دولار، بزيادة 52٪ على أساس سنوي و12٪ على أساس ربع سنوي، حيث بلغت إيرادات الأعمال التجارية الأمريكية 214 مليون دولار، متفوقة على إيرادات الحكومة الأمريكية التي بلغت 343 مليون دولار.

خلال هذه الفترة، أبرمت الشركة 32 صفقة بقيمة لا تقل عن 10 ملايين دولار، و58 صفقة بقيمة لا تقل عن 5 ملايين دولار، و129 صفقة بقيمة لا تقل عن مليون دولار. كما أغلقت صفقة قياسية بقيمة 803 مليون دولار من إجمالي قيمة العقود التجارية في الولايات المتحدة (“TCV”) بينما بلغت قيمة الصفقات المتبقية (“RDV”) 1.79 مليار دولار.

أفادت Palantir بأنها حققت 460 مليون دولار نقدًا من العمليات و79 مليون دولار صافي دخل وفقًا لمبادئ المحاسبة المقبولة عمومًا (GAAP)، بينما كان ربح السهم وفقًا لمبادئ GAAP 0.03 دولار، وربح السهم المعدل 0.14 دولار. أنهت الشركة العام بمبلغ 5.2 مليار دولار من النقد وما يعادله من الأوراق المالية الأمريكية قصيرة الأجل.

على مدار عام 2024 بالكامل، حققت Palantir إيرادات بقيمة 2.87 مليار دولار، وإيرادات أمريكية بقيمة 1.90 مليار دولار، وتدفق نقدي من العمليات بقيمة 1.15 مليار دولار. الآن، تتوقع الشركة لإيرادات الربع الأول من عام 2025 ما بين 858 و862 مليون دولار، وتوقع تدفق نقدي حر معدل للعام الكامل 2025 يتراوح بين 1.5 و1.7 مليار دولار.

“تستمر نتائج أعمالنا في إبهارنا، مما يثبت موقعنا المتعمق في قلب ثورة الذكاء الاصطناعي. إن رؤانا المبكرة حول تسليع نماذج اللغة الكبيرة تحولت من نظرية إلى حقيقة.”

– الرئيس التنفيذي كارب

فيما يتعلق بأحدث التطورات، في وقت سابق من هذا الشهر، أعلنت Palantir عن طرح أول نظامين مدعومين بالذكاء الاصطناعي للجيش الأمريكي. وصف كبير مسؤولي التكنولوجيا في Palantir USG، أكاش جايان، هذا بـ “لحظة قفزة” للجيش الأمريكي. فازت الشركة بعقد بقيمة 178 مليون دولار قبل عام، متفوقة على عملاق الدفاع RTX Corporation (RTX ) ، لتسجيل إنجاز رئيسي لـ Palantir، المعروفة بخدمات تحليل البيانات.

الاتفاقية تشمل 10 أنظمة Targeting Access Node (TITAN) التي تستخدم الذكاء الاصطناعي لجمع البيانات من حساسات الفضاء لمساعدة الجنود على تحسين استهداف الضربات ودقتها. تعمل هذه الأنظمة كمحطة أرضية متنقلة، وتساعد في تحسين استراتيجية الحرب للجنود. تعاونت Palantir مع L3Harris (LHX ), Northrop Grumman (NOC ), وAnduril Industries لتطوير بعض القدرات.

هذا الأسبوع، شاركت Palantir قائمة بالعملاء الجدد الذين حضروا حدث الذكاء الاصطناعي الخاص بها، والذي كشف عن Walgreens , Heineken, Ripcord, وRaceTrac, من بين آخرين, كعملائها الجدد.

كما تعاونت مع Archer Aviation (ACHR ) لبناء أساس الذكاء الاصطناعي لمستقبل تقنيات الطيران من الجيل التالي ومساعدة توسيع قدرات تصنيع طائراتها. يخططون للاستفادة من AIP وFoundry لتطوير برامج باستخدام الذكاء الاصطناعي لتطوير أنظمة الطيران مثل مراقبة الحركة الجوية، تخطيط المسارات، والتحكم في الحركة.

“شراكة Palantir مع Archer تعيد تعريف مستقبل الطيران، مما يجعله أكثر كفاءة ويسهل الوصول إليه,” قال كارب، مضيفًا أن هذا التكامل يضع “المرحلة لقفزة تحولية في الكفاءة والسلامة والاستدامة”.

أحدث الأخبار عن Palantir Technologies Inc.

الخاتمة

تُسهم الأمازون، بتنوعها البيولوجي الغني ومواردها الواسعة، في المشهد الاقتصادي العالمي. لذا، فإن الحفاظ على هذه المناطق وإدارتها المستدامة لا يفيد البرازيل فحسب، بل هو أمر حيوي لصحة كوكبنا بأكمله.

ومع ذلك، تواجه غابة الأمازون المطيرة تهديدًا من حرائق الغابات، مما يشكل تحديًا جديًا لاستقرارها. وهذا يعني أن مستقبل المنطقة يعتمد على اتخاذ إجراءات حاسمة وسريعة.

هنا، يمثل نموذج اكتشاف حرائق الغابات القائم على التعلم العميق إنجازًا كبيرًا في معالجة هذه الأزمة. من خلال تحقيق معدل دقة يبلغ 93٪، يوفر النموذج أداة قوية للكشف المبكر والاستجابة السريعة لحرائق الغابات، مما قد يساعد في منع الأضرار البيئية الكارثية ويساهم في الحفاظ على صحة واستقرار غابة الأمازون المطيرة على المدى الطويل.