تُعتبر خصائص الغابات أساسية لمراقبة الموارد الوطنية على نطاق واسع، مما يُبرز أهمية استخدام تقنيات متقدمة في هذا المجال. في هذا السياق، تمثل بيانات LiDAR الجوية الخيار الأمثل كأحد المتغيرات المساعدة الأكثر ارتباطًا بخصائص الغابات التي تُستخدم في تقديرات الجرد الوطني للغابات (National Forest Inventory - NFI).

ومع ذلك، تظل العملية المعقدة لإنتاج توقعات شاملة تواجه تحديات كبيرة، خاصة عندما يتم الحصول على بيانات LiDAR في ظروف غير متجانسة. وكما هو معلوم، فإن زيادة برامج LiDAR الوطنية في جميع أنحاء أوروبا قد أظهرت أن التباين في المستشعرات، ومعايير الطيران، والفصول، وزوايا المسح تُعيق فعالية النماذج الحالية، التي غالبًا ما يتم معايرتها للظروف المحلية.

لذا، نقدم لكم FLORA (الانحدار باستخدام بيانات LiDAR الغابية مع البيانات المساعدة)، وهو إطار عمل قائم على التعلم العميق يتمكن من توقع ستة من خصائص الغابات الرئيسية: الارتفاع السائد، الحجم الكلي، حجم الأشجار المتساقطة الأوراق، حجم الأشجار الصنوبرية، مساحة القاعدة، وكثافة السيقان من سحب النقاط غير المتجانسة. يجمع FLORA بين هيكل قائم على الثماني الخاص مع المتغيرات المساعدة البيئية والزمانية من خلال آلية دمج متأخرة.

تم تدريب النماذج وتقييمها باستخدام 32,052 قطعة من بيانات الجرد الوطني للغابات عبر الجزء الرئيسي من فرنسا، مستفيدين من البيانات المتاحة من برنامج LiDAR الفرنسي عالي الدقة. أظهرت النتائج أن نموذجاً واحداً تم تدريبه على البيانات المشتركة خلال فصول الأوراق المختلفة يحقق نتائج تفوق النماذج الخاصة بالفصول، مما يُحسن من متانة العمليات عبر الفصول.

إن المتغيرات المساعدة تقدم مكاسب عامة متواضعة، لكنها تساهم بشكل أكبر في توقع حجم الأنواع بشكل محدد. وحصل FLORA على نسبة انحراف جذر متوسط مربع (rRMSE) تبلغ حوالي 12.3% (R2 = 0.88) للارتفاع السائد و39% (R2 = 0.74) للحجم الكلي، مما يوفر أساساً متيناً لتقدير خصائص الغابات على نطاق واسع اعتماداً على برامج LiDAR الوطنية المتنوعة.

الشغف بتطوير مثل هذه التكنولوجيات يمكن أن يحدث ثورة في كيفية إدارتنا واستدامتنا للموارد الطبيعية. ما رأيكم في هذا الابتكار؟ شاركونا في التعليقات.