رصدت صور الأقمار الصناعية فائقة الطيف حرائق الغابات

في السنوات الأخيرة، حظي تغير المناخ وغيره من القضايا البيئية المرتبطة بالنشاط البشري باهتمام كبير في الأدبيات العلمية. تاريخيًا، كان يتم رصد حرائق الغابات بشكل رئيسي من خلال مراقبة مساحات شاسعة عبر أبراج مراقبة الحرائق وباستخدام أجهزة بسيطة كأجهزة كشف الحرائق. إلا أن هذه الطريقة لم تكن دقيقة للغاية، وقد تتأثر فعاليتها بالإرهاق البشري المتراكم خلال فترات المراقبة الطويلة. من جهة أخرى، تتطلب أجهزة الاستشعار البديلة المستخدمة لرصد الغازات واللهب والدخان وانبعاثات الحرارة عادةً فترات قياس طويلة. علاوة على ذلك، ونظرًا لمحدودية نطاق قياس هذه الأجهزة، فإن عددًا كبيرًا منها فقط هو ما يغطي مساحات واسعة. وقد أتاح لنا التطور السريع لتقنيات التعرف على الأهداف والتعلم العميق والاستشعار عن بُعد أساليب جديدة لاكتشاف حرائق الغابات وتتبعها.

1. التصنيفات الفنية الرئيسية

يمكن تصنيف التقنيات المستخدمة حاليًا على نطاق واسع إلى ثلاثة أنواع رئيسية، قادرة على تحديد أو رصد الحرائق النشطة أو الدخان في الوقت الفعلي أو شبه الفعلي: أنظمة أرضية، وأنظمة محمولة جوًا، وأنظمة فضائية. تُدمج هذه التقنيات عادةً مع أجهزة استشعار الضوء المرئي، والأشعة تحت الحمراء، والأطياف المتعددة، أو الأطياف الفائقة؛ وبمجرد جمع البيانات، يمكن معالجتها باستخدام خوارزميات الذكاء الاصطناعي المناسبة (عادةً أساليب التعلم الآلي). تعتمد هذه التقنيات على استخلاص خصائص من صنع الإنسان أو أساليب ذكاء اصطناعي متطورة للكشف عن حرائق الغابات في مراحلها المبكرة ومحاكاة سلوك الدخان والنيران. يوضح الشكل 1 أنواعًا مختلفة من أساليب الكشف عن الحرائق.

الشكل 1. طرق الكشف عن الحرائق

في السنوات الأخيرة، أُجريت أبحاث مكثفة لمحاولة تحديد حرائق الغابات باستخدام صور الأقمار الصناعية، ويعود ذلك أساسًا إلى العدد الكبير من الأقمار الصناعية التي أُطلقت وانخفاض تكاليفها. وعلى وجه التحديد، طُوّرت مجموعة من الأقمار الصناعية لرصد الأرض (مثل قمر بلانيت). تُصنّف الأقمار الصناعية عادةً بناءً على مداراتها، ولكل منها مزاياها وعيوبها. يوضح الجدول 1 أهم هذه التصنيفات.

الجدول 1. فئات الأقمار الصناعية

تتمتع معظم الأقمار الصناعية في المدار الثابت بالنسبة للأرض (GEO) في مدارات متزامنة مع الشمس ذات قطبية منخفضة بتقديرات دقيقة للارتفاع والميل لضمان رصد المركبة الفضائية للمشهد نفسه بزاوية ضوء الشمس نفسها في كل مرة، وأن تكون الظلال متطابقة في كل مرور. تتميز بيانات الأقمار الصناعية المتزامنة مع الشمس بدقة مكانية عالية ولكن بدقة زمنية منخفضة (يُكرر القمران الصناعيان LandSat-7/8 بياناتهما كل 8 أيام، بينما يُكرر القمران الصناعيان Sentinel 2A/2B بياناتهما كل 2-3 أيام في مناطق خطوط العرض المتوسطة)، في حين تتميز أقمار GEO بدقة مكانية أقل ولكن بدقة زمنية أعلى. لذلك، فهي غير فعالة في رصد حرائق الغابات النشطة في الوقت الفعلي؛ بل هي أنسب للمهام الأقل حساسية للوقت، مثل تقدير المساحة المحروقة. تستطيع أنظمة الأقمار الصناعية في المدار الثابت بالنسبة للأرض رصد حرائق الغابات لأنها قادرة على رؤية مساحات واسعة. تستخدم معظم الأقمار الصناعية التي تصور الأرض أجهزة استشعار تصوير متعددة الأطياف، وتقع في مدارات ثابتة بالنسبة للأرض أو مدارات متزامنة مع الشمس شبه قطبية.

الجدول 2. قائمة ببعض أنظمة الأقمار الصناعية للاستشعار عن بعد ذات الصلة وخصائصها

2. طرق الكشف الحالية

استنادًا إلى بيانات الأطياف الفائقة، يمكن الحصول على معلومات أولية مباشرة من خلال فحص نطاقات طيفية محددة. على سبيل المثال، يمكن تحديد الدخان بفحص نطاق الأشعة المرئية القريبة من الأشعة تحت الحمراء (VNIR)، بينما يمكن رصد حرائق الغابات النشطة بفحص البكسلات المشبعة في نطاق الأشعة تحت الحمراء قصيرة الموجة (SWIR). في الواقع، ضمن نطاق 2000 إلى 2400 نانومتر، تتشبع الإشارة بسهولة عند رصد حرائق الغابات النشطة لأن الإشارة الملتقطة من الأرض أكبر من الإشارة القادمة من الشمس (نظرًا لأن حرائق الغابات تُعدّ مصادر طاقة نشطة). مع ذلك، يُمكن تجنب الأخطاء وتحسين موثوقية التصنيف من خلال تحليل الخصائص الطيفية الكاملة باستخدام الشبكات العصبية الالتفافية.

يُظهر الشكل 2 نموذج الشبكة العصبية التلافيفية (CNN) للتصنيف متعدد الفئات. يحتوي طيف بكسل الإدخال لبيانات التصوير الطيفي الفائق على قنوات الأشعة تحت الحمراء قصيرة الموجة (SWIR) والأشعة المرئية القريبة من الأشعة تحت الحمراء (VNIR). وبالتالي، فهو مكعب فائق يحتوي على C = 2^34 عنصرًا (بعد إزالة بعض البيانات الأولية غير المفيدة من مكعب الإدخال الفائق). الطبقة المخفية الأولى هي طبقة تلافيفية أحادية البعد ذات نواة 3، ومرشح n1 = 112، وحشو متساوٍ، ودالة تنشيط ReLU، ومنظم نواة l2. بعد طبقة التلافيفية، توجد طبقة تجميع قصوى بحجم تجميع 2 وخطوة 2 (لاحظ أن n2 = n1 كما هو موضح في الشكل 2). ثم تُمرر نتيجة التجميع الأقصى عبر طبقة تسوية، ثم تُوصل بطبقة متصلة بالكامل مكونة من 128 وحدة (مع دالة تنشيط ReLU). الطبقة الأخيرة هي طبقة وحدات كثيفة مع دالة تنشيط SoftMax للتصنيف متعدد الفئات. تجدر الإشارة إلى أن المقاييس الموضحة في الشكلين C1 وC2 سهلة التقييم وتعتمد على بنية الشبكة. نستخدم مُحسِّن آدم ودالة خسارة الإنتروبيا المتقاطعة للتصنيف لتدريب النموذج.

الشكل 2. نموذج شبكة عصبية تلافيفية للتصنيف متعدد الفئات