دور التعلم العميق في تحسين تحليل الصور الساتلية لأغراض رصد الأرض

مؤسسات التعلم العميق في الاستشعار عن بعد

وتُحوّل التعلم العميق أساساً تحليل الصور الساتلية لرصد الأرض، فخلافاً لأساليب التعلم الآلاتي التقليدية التي تعتمد على السمات المصممة يدوياً، تتعلم نماذج التعلم العميق تلقائياً من البيانات ذاتية المقاييس الفوقية من البيانات البكترية الخام، وتسمح هذه القدرة باستخلاص أنماط فرعية معتدلة من الصور الفضائية المتعددة الأطياف والمرتجلة التي من شأنها أن تكون مستحيلة على يدوياً.

How Neural Networks Learn from Satellite Data

(أ) نماذج التعلم العميقة التي تبث صورا ساتلية متعددة القنوات (الأشعة المأخوذة من الحمراء والأخضر والأزرق والقرب من الحمراء والموجات القصيرة وما إلى ذلك) - أثناء التدريب، تعدل الشبكة ملايين البارامترات لتقليل أخطاء التصنيف أو التراجع، فعلى سبيل المثال، تُسند شبكة CNN إلى كل طبقة سمات جذابة: تكتشف الطبقات مبكرة نقاط التقارب والنسيب في المعمور، بينما تعترف الطبقات المعقدة

التطبيقات الرئيسية في رصد الأرض

تصنيف استخدام الأراضي وتغطيتها

ويحقق نماذج التعلم العميق أكثر من 90 في المائة من الدقة في تصنيف أنواع الغطاء الأرضي من الصور الساتلية، وهذه النماذج تميز بين 20 فصلا + من الفصول، بما في ذلك الغابات، والميادين الزراعية، والأراضي الرطبة، والمناطق الحضرية، والتربة الخالصة، ويستخدم مشروع التصنيف العالمي لوكالة الفضاء الأوروبية التعلم العميق من بيانات " سينتينيل-1 " و " سينتينيل-2 " لإنتاج خرائط عالمية تغطيها في 10 مواصفات، يجري تحديثها سنويا.

Sub-pixel Analysis and Mixed Pixels

ومن التحديات التي تواجه تصنيف الغطاء الأرضي مشكلة بيكسيل المختلطة، حيث يحتوي جهاز واحد من أجهزة الإرسال على أنواع سطحية متعددة (مثلاً، كانوبش الأشجار الحضرية على الخرسانة) ويمكن أن تُخضَع هياكل التعلم العميق مثل شبكات الموكولات الفرعية والنماذج القائمة على الاهتمام غطاءً جزئياً داخل البيكسلزات، وهذه القدرة تحسن دقة رسم خرائط الفضاء الخضراء الحضرية، وتحديد نوع المحاصيل، وتحليل استعادة الغطاء النباتي بعد إطلاق النار.

رصد الكوارث والاستجابة لها

ويمكن للتعلم العميق أن يؤدي إلى تقييم سريع للأضرار بعد الكوارث الطبيعية، ويمكن للنموذج أن يكشف المناطق المغرقة في الوقت القريب من الواقع عن طريق مقارنة صور الرادار الاصطناعي قبل وقوع الحادث وبعد وقوعه، ويستخدم جهاز الأشعة فوق البنفسجية التابع لمركز بحوث الفيضان التابع لوكالة ناسا نماذج التدفق الاصطناعي التي تم تدريبها على بيانات الساتل " سينتيل-1 " لتوليد خرائط للفيضان في غضون ساعات من الحصول على الصور السحاب.

Environmental Change Monitoring

كما أن محفوظات السواتل الطويلة الأجل (اللآندسات تعود إلى السبعينات، أو وزارة العلوم الأرضية منذ عام 2000) توفر العمق الزمني اللازم لكشف التغيير، ويمكن أن تحدد نماذج التعلم العميق التي تم تدريبها على بيانات السلسلة الزمنية اتجاهات فرعية مثل تدهور الغابات تدريجيا، أو مهبط الأشعة المكشوفة، أو تآكل السواحل، كما أن الشبكات العصبية المتكررة (RNNs) والمحولات التي تُطور نماذج قياسية لغازات الجليدية تناسب بشكل خاص نماذج محدثت من خلال تحديثا.

Climate Change Signals

ويكشف التعلم العميق المطبق على البيانات الساتلية عن إشارات تغير المناخ التي تفوتها الأساليب التقليدية، فعلى سبيل المثال، يمكن للنماذج المدربة على درجة حرارة سطح البحر وبيانات تركيز الكلوروفيل المستمدة من نظام إدارة المواد الكيميائية ونظام الإبلاغ عن المواد الكيميائية أن تكشف علامات الإنذار المبكر عن تبيض المرجان، وتشتمل ديناميات صحائف الجليد حاليا على تعلم عميق للتنبؤ بالأحداث التي تنجم عن الصور الرادارية الساتلية، مما يحسن توقعات ارتفاع مستوى سطح البحر.

الزراعة الدقيقة والأمن الغذائي

ويستخدم المزارعون والأعمال التجارية الزراعية تحليل التعلم العميق للصور الساتلية لتحقيق الاستخدام الأمثل لإدارة المحاصيل، ويمكن للنموذج أن يقدر إنتاج المحاصيل قبل الحصاد بواسطة مؤشرات المياه النباتية مثل النيتروز والإيفي خلال الموسم المتزايد، كما أن تصنيف نوع المحاصيل على المستوى الميداني (مثلاً التمييز بين الذرة والفول الصويا) يتيح التنبؤ بسلسلة الإمداد.

التخطيط الحضري وإدارة الهياكل الأساسية

تحليل الصور الساتلية المزودة بتعلم عميق يدعم مبادرات المدن الذكية، وخلق نماذج استخراج البصمات من 3D من الصور الساتلية التي تلتقطها أجهزة الاستديو، والمساعدة في التخطيط الحضري ودراسات تنسيب الألواح الشمسية، وكشف شبكة الطرق باستخدام الـ (سي إن إن) يحسن وضع الخرائط الرقمية لأجهزة الملاحة، وقيم الكثافة السكانية من الصور الليلية للضوء مع النشاط الاقتصادي، وتستعمل حكومات المدن هذه الأفكار لتقييم مخاطر الكوارث في جميع أنحاء العالم

المزايا التقنية والابتكارات

التعليم العالي من خلال التعلم من نهاية إلى نهاية

وتشمل تدفقات العمل التقليدية للاستشعار عن بعد خطوات منفصلة: تصحيح الغلاف الجوي، والاستجمام الجغرافي، واستخراج السمات، والتصنيف، وكل خطوة تستحدث أخطاء محتملة، وتدمج هذه الخطوات في إطار واحد من مراحل التعليم النهائي، وتخفض انتشار الأخطاء، وتحسن الدقة العامة، فعلى سبيل المثال، يمكن لنموذج واحد من حيث نهاية الفصل أن يرسم مباشرة قيم الإشعاع عن طريق السواتل الخام في صفوف التغطية الأرضية، وعوامل تصحيحية صعبة، ومواءمة جغرافية.

التلقائية والقدرة على التصعيد

ويزيل التعلم العميق من اختناقات تفسير الصور اليدوية، ويمكن لنموذج واحد مدرَّب أن يجهز آلاف الكيلومترات المربعة من الصور الساتلية في الساعة، وهي مهمة تتطلب مئات من المحللين البشريين، وتتيح الآلية تحليلا متسقا ومكررا عبر الزمن والفضاء، وتنتج بعثة الاستشعار عن بعد 1 وحدها 10 تيرابايت من البيانات يوميا؛ والتعلم العميق هو النهج الوحيد الممكن لاستخراج المعلومات القابلة للتطبيق في هذا المنهاج.

القدرات في مجال تجهيز العمليات في الوقت الحقيقي

يمكن الآن للسواتل الصغيرة (السواتل الصغيرة) التي على متنها (آي) أن تجري تحليلا أوليا في المدار، وتبث فقط رقائق الصور ذات الصلة إلى المحطات الأرضية، وتستخدم السواتل (الطائرات) في الحاسوب للكشف عن حركة السفن والتغيرات الزراعية، وتخفض البيانات من خلال قياس النطاق الترددي بواسطة ما يصل إلى 90 في المائة.

نماذج التعلم والمؤسسة

ويقتضي التدريب على نماذج التعلم العميق من الخدش وجود مجموعات بيانات ضخمة تحمل علامات على البيانات، ويعالج هذا التعلُّم عن طريق نماذج دقيقة للتدريب السابق (مثل أوزان الشبكة) على مجموعات بيانات الصور الساتلية الأصغر، وفي الآونة الأخيرة ظهرت نماذج أساسية مدرَّبة خصيصا للاستشعار عن بعد، أما النماذج مثل نظام " بريثفي " (NASA-IBM) و " ساتي ما " (MIT) فهي مدرَّة على ملايين الصور الساتلية غير المُتَة.

التحديات واستراتيجيات التخفيف

حلقة نقاش بشأن شروح البيانات

ولا يزال التحدي الرئيسي في مجال التعلم العميق لرصد الأرض هو ندرة مجموعات البيانات الكبيرة ذات الجودة العالية، كما أن شروح الصور الساتلية باهظة التكلفة وتستغرق وقتا طويلا، مما يتطلب من خبراء في مجال تفسير صور التسوية على مستوى المناطق الفرعية، وتشمل استراتيجيات التخفيف الاستعانة بالحشد (مثلا، عن طريق منصة زونيراك) والتعلم النشط لتحديد أولويات العينات غير المؤكدة، وتوليد البيانات الاصطناعية باستخدام محركات التدريب على المحاكاة مثل محركات Benderl.

الاحتياجات من الموارد الحاسوبية

التدريب على نماذج التعلم العميق على الصور الساتلية عالية الاستبانة يتطلب موارد وذاكرة كبيرة من وحدة التصوير العالمي/المسح التصويري للسواتل، ودرجة واحدة من التدريب يمكن أن تكلف مئات الدولارات في رسوم حسابية السحابية، وتشمل التخفيف تقنيات ضغط النماذج (الاختبار، القياس الكمي)، واستخدام بنية الوزن الخفيف مثل شبكة الهاتف المحمول أو شبكة الإنترنت، والتدريب الموزع على وحدات قياس الأرض المتعددة.

القدرة على التفسير والثقة

نماذج التعلم العميق غالباً ما تكون مُنتقدة كـ "صناديق سوداء" تجعل من الصعب الثقة بنواتجها من أجل القرارات الحاسمة، تقنيات التنبيه المُفسّرة مثل "جراد-كوم" و"إتش بي أي" و"إبراز" تساعد على تحديد أيّة مدخلات قادت قرار نموذجيّة، مثلاً، نموذج تصنيف الغطاء الأرضيّ يظهر ما إذا كان يركز بشكل صحيح على أنماط الغطاء الأرضيّة أو تم إلتباهه بواسطة أنظمة مراقبة الغيوم.

Domain Adaptation and Cross-Sensor Generalization

وكثيرا ما تفشل النماذج التي تم تدريبها على جهاز استشعار ساتلي واحد عندما تطبق على البيانات من جهاز استشعار مختلف أو منطقة جغرافية مختلفة بسبب التباينات في النطاقات العرضية، وحلها، وظروف الغلاف الجوي، وتساعد تقنيات التكيف الرئيسية مثل التدريب على الخصوم ومواءمة السمات على التخفيف من ذلك، ويسهل إنشاء معايير موحدة مثل مجموعة بيانات بيغ أرثينيت (تشمل 43 بلدا أوروبيا مع نماذج تقييم جغرافية من نوع سينتينيل-1 ورقم 2)

الاتجاهات والتكاملات في المستقبل

نماذج المؤسسة العالمية لمراقبة الأرض

العديد من المبادرات هي بناء نماذج تأسيسية مدربة على محفوظات عالمية للسواتل على مدار السنة، نموذج ناسا - إيب إم بريثفي ونموذج وكالة الفضاء الأوروبية العالمي يمثلان محاولات مبكرة، وهذه النماذج تعد بانخفاض الحواجز أمام اعتماد التعلم العميق عبر مجالات علوم الأرض، وستتضمن نماذج الأساس المستقبلية نماذج متعددة الوسائط (سار + بيانات بصرية + الغلاف الجوي) ونموذجا زمنيا لفهم ديناميات نظام الأرض.

التكامل مع الأجهزة الأيوتية والحمائية

وينشئ الجمع بين التعلم العميق على الصور الساتلية والمستشعرات الأرضية للأشياء نظاماً للرصد الهجين، وعلى سبيل المثال، يمكن التحقق من تقديرات رطب التربة من صور كوبسات باستخدام أجهزة الاستشعار الموجودة في الموقع، ثم تستخدم في معايرة النماذج الهيدرولوجية في المجرى السفلي.

التعلم الذاتي والتعلم الضئيل

إن التقدم في المستقبل سيقلل الاعتماد على البيانات المسمومة، فالطرق التي يشرف عليها ذاتيا (التعلم المقنع، ونموذج الصور المقنعة) تتعلم بالفعل بيانات ذاتية من الصور الساتلية غير الموسومة، ويمكن لنهج التعلم الضئيل التي تستخدم شبكات نموذجية أن تصنف أنواعا جديدة من الغطاء الأرضي مع عدد قليل من الأمثلة المسمّاة، وهذه التقنيات قيمة بوجه خاص لاكتشاف الأحداث النادرة مثل الاشتعال البركاني أو أمراض المحصول الشحيحة غير العادية التي تُعَة.

الجمع بين البيانات الساتلية والمصادر الأخرى

إن أعظم تقدم سينجم عن ضخ الصور الساتلية ببيانات اجتماعية - اقتصادية، وتغذية وسائل التواصل الاجتماعي، ونماذج المناخ، نماذج التعلم العميق التي تبث صورا ساتلية إلى جانب البيانات الديمغرافية يمكن أن تنبئ بتوزيع الفقر من الفضاء بدقة عالية، ونماذج مخاطر إطلاق النار ستدمج بيانات رطوبة الغطاء النباتي بواسطة السواتل مع نواتج التنبؤ بالطقس.

الاعتبارات الأخلاقية والشمولية

ومع تزايد قوة التعلم العميق في مجال رصد الأرض، فإن الاستخدام الأخلاقي أمر لا بد منه، فالأدوات في البيانات التدريبية (مثلاً، التمثيل المفرط للمناطق الغنية) يمكن أن تؤدي إلى تنبؤات غير دقيقة للبلدان النامية، ويمكن أن تؤدي إلى إساءة توجيه المعونة، وتنشأ شواغل الخصوصية من الصور العالية الاستبانة التي تتيح مراقبة فرادى المباني أو الناس، وتقوم المنظمات الدولية مثل الفريق المعني برصد الأرض واللجنة المعنية بسواتل رصد الأرض بوضع مبادئ توجيهية.

خاتمة

وقد أصبح التعلم العميق أداة لا غنى عنها لتحليل الصور الساتلية، وكشف الأفكار عن استخدام الأراضي، والكوارث، وتغير المناخ، والزراعة، والتحضر، ومع التقدم في الهياكل النموذجية، والتعلم عن طريق النقل، والنماذج التأسيسية، والحافة الجوية، والمسارات الجوية، فإن المجال يهيأ لمزيد من التأثير، والتحديات التي تواجه شروح البيانات، والحساب، والشرح، يجري التصدي لها من خلال البحث الابتكاري وتطوير الهياكل الأساسية، من خلال إدماج مصادر البيانات المتعددة والتركيز على الحفظ الأخلاقي، سوف يستمر في تعزيز التعلم.

لمزيد من القراءة على نماذج الأساس لملاحظة الأرض، انظر Space.com's overview و ] Prithvi model page on Hugging Face [The European Space Agency's WorldCover project