يواجه العُلماء تحديًا معقدًا في تقدير الكتلة الحيوية فوق الأرض (Aboveground Biomass - AGB) للغابات، حيث تعتمد هذه العملية على مصدرين غير متوافقين من البيانات: الأول هو الليزر الذي يتم تشغيله من الفضاء (Lidar)، والذي يوفر هيكلية الغطاء النباتي في ملايين المواقع، ولكنه لا يقدم تقديرات للكتلة الحيوية. بينما المصدر الثاني، هو البيانات المجمعة من المواقع الأرضية، التي تقدم تقديرات للكتلة الحيوية في آلاف المواقع، لكنها تحمل تحيزات معينة ولا تشمل أي مقاييس هيكلية.

في هذا السياق، يأتي الابتكار المتمثل في StruMPL، والذي تم تصميمه لتقديم نموذج متكامل يجمع بين هذين المصدرين عبر تقنية تقدير متعددة المهام تحت إشراف جزئي غير متجانس. يعمل نموذج StruMPL على إدخال بيئة التعلم الآلي عن طريق دمج نموذج تعلم مشترك إلى جانب متغيرات بناء على القوانين الفيزيائية المعروفة لمختلف البيئات البيئية.

تمثل هذه التقنية مكسبًا كبيرًا، حيث تُظهر التجارب أن StruMPL يتفوق على الأساليب السابقة في تقليل نسبة الخطأ في التقدير (RMSE) والانحياز، مُظهرة تحسنًا ملحوظًا يصل إلى ~54% في معالجة التحيز المرتبط بالكتلة الحيوية العالية. هذه التطورات لديها القدرة على تغيير طريقة البحث عن حلول جديدة للتحديات البيئية وحماية الغابات في جميع أنحاء العالم.

فما رأيكم في هذا الابتكار في مجال الذكاء الاصطناعي؟ هل تعتقدون أنه يمكن أن يسهم في فهمنا للبيئة بشكل أفضل؟ شاركونا آراءكم في التعليقات!