Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
تُثبت هذه الورقة أن تطبيق التعلم بنقل المعرفة والضبط الدقيق على نطاقات RGB من مجموعة بيانات EuroSAT يتيح رسم خرائط دقيقة للغاية (99.19%) لاستخدامات الأراضي وغطاء الأرض، مما يوفر أداة قيمة للمراقبة البيئية، والتخطيط الحضري، والتخفيف من آثار تغير المناخ.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تتغير الأرض باستمرار، حيث تعيد تشكيلها الزحف البطيء للغابات، والانتشار المفاجئ للمدن، وأنماط الزراعة المتغيرة. ولإدارة هذه التغييرات وحماية مواردنا الطبيعية، يحتاج العلماء إلى صورة واضحة ودقيقة لما يبدو عليه سطح الأرض من الأعلى. لعقود من الزمن، كان هذا يعني إرسال أشخاص إلى الميدان أو دراسة الصور يدوياً، وهي عملية بطيئة وغالباً ما تكون غير مكتملة. واليوم، تدور الأقمار الصناعية حول الكوكب، وتلتقط كميات هائلة من الصور الرقمية يومياً. تعمل هذه الصور كأرشيف عالمي ضخم لسطحنا، لكنها تفوق قدرة البشر على فرزها واحدة تلو الأخرى. وهنا يأتي دور الذكاء الاصطناعي، وتحديداً فرع يُعرف باسم "الرؤية الحاسوبية"، والذي يعلم الآلات كيفية التعرف على الأنماط وتحديد الأشياء داخل الصور تماماً كما تفعل العين البشرية. ويكمكم التحدي في تدريب هذه الآلات على التمييز بين النهر، أو الغابة، أو الحي السكني بدقة عالية، خاصة عندما تأتي البيانات من مستشعرات أقمار صناعية معقدة.
في دراسة حديثة، تناول الباحثان سومان كونوار وجنات الفرس تتحدي كيفية اختبار مدى جودة نوع حديث من الذكاء الاصطناعي لتصنيف استخدام الأراضي وغطاء الأرض. وقد ركزا على مجموعة محددة من صور الأقمار الصناعية تسمى "EuroSAT"، والتي تحتوي على 27,000 صورة مصنفة لسطح الأرض التقطها القمر الصناعي "Sentinel-2". تنقسم هذه الصور إلى عشر فئات متميزة، تتراوح من المحاصيل السنوية والغابات إلى الطرق السريعة والمناطق الصناعية. أراد الباحثان معرفة ما إذا كان بإمكانهما استخدام نموذج قوي مدرب مسبقاً يُعرف باسم "Vision Transformer" أو (ViT)، لتعلّم كيفية تصنيف هذه الصور. كان هذا النموذج قد تعلم بالفعل التعرف على الأشياء في الصور الفوتوغرافية العامة، وهدف الفريق إلى معرفة ما إذا كان يمكن تكييفه لفهم الأنسجة والألوان المحددة لصور الأقمار الصناعية. وقد اختبروا ما إذا كان تغذية النموذج بنسخ إضافية معدلة قليلاً من نفس الصور — مثل النسخ المقلوبة أو المقصوصة — سيساعده على التعلم بشكل أفضل، وهي تقنية تُعرف باسم "تعزيز البيانات" (data augmentation).
استخدم الفريق نظامهم التدريبي باستخدام مجموعة محددة من التعليمات والأدوات، حيث أجروا التجارب على معالجات حاسوبية قوية متاحة عبر منصة إلكترونية. وقارنوا أداء "Vision Transformer" مقابل نموذجين آخرين معروفين من الذكاء الاصطناعي، وهما VGG16 وResNet-50، باستخدام بيانات الأقمار الصناعية نفسها. وأظهرت النتائج أن "Vision Transformer" كان الأكثر دقة من بين الثلاثة. وعندما استخدم الباحثون الصور القياسية دون أي تعديلات إضافية، حدد النموذج نوع الأرض بشكل صحيح في 98.61 بالمائة من حالات الاختبار. ومع ذلك، عندما أدخلوا تقنية تعزيز البيانات، تحسن أداء النموذج بشكل أكبر، ليصل إلى دقة بلغت 98.72 بالمائة. وفي اختبار أكثر تفصيلاً حيث دربوا النموذج لفترة أطول، حققت النسخة التي استخدمت البيانات المعززة دقة مذهلة بلغت 99.19 بالمائة، بينما شهدت النسخة التي لم تستخدم التعزيز انخفاضاً طفيفاً في دقتها مع استمرار التدريب، حيث انخفضت من 98.67% عند 10 حقبات (epochs) إلى 98.41% عند 20 حقبة. يشير هذا إلى أن تعريض النموذج لمجموعة متنوعة من زوايا وصور مقصوصة ساعده على التعميم بشكل أفضل على بيانات جديدة غير مرئية.
ولإثبات إمكانية تطبيق هذا المستوى العالي من الدقة في العالم الحقيقي، أخذ الباحثون أفضل نموذج أداء لديهم وطبقوه على منطقة محددة تُعرف باسم "Kreis Borken" في ألمانيا. فقد جمعوا صور الأقمار الصناعية لهذه المنطقة من عام 2018 إلى 2020 وقسموها إلى مربعات صغيرة سهلة الإدارة. ثم قام النموذج بفحص كل مربع وتعيين تسمية له، مثل غابة، أو مرعى، أو منطقة سكنية. كانت النتيجة النهائية عبارة عن خريطة ملونة تمثل توزيع أنواع الأراضي المختلفة عبر المنطقة بصرياً. وكشف تحليل الخريطة أن النموذج كان جيداً بشكل خاص في تحديد الغابات والمسطحات المائية، بينما وجد فئة "المرعى" أصعب قليلاً في التمييز، حيث سجلت أدنى دقة بين جميع الفئات، رغم أن الفئات المتبقية حققت دقة تقارب 99%.
تخلص الدراسة إلى أن استخدام "التعلم بنقل المعرفة" (transfer learning)، حيث يتم تكييف نموذج تم تدريبه على مهمة ما لمهمة أخرى، هو وسيلة فعالة للغاية لرسم خرائط استخدام الأراضي. ووجد الباحثون أن إضافة تعزيز البيانات لم يحسن دقة التصنيف فحسب، بل ساعد أيضاً النموذج على تجنب "الفرط في التخصيص" (overfitting)، وهي مشكلة شائعة حيث يحفظ الكمبيوتر بيانات التدريب بدقة شديدة ويفشل في التعرف على الأنماط الجديدة. ومن خلال الجمع بين هذه التقنيات، أثبت الفريق أنه من الممكن إنشاء خرائط مفصلة ومؤتمتة لسطح الأرض بدقة تقترب من المثالية. وتشير هذه النتائج إلى أن مثل هذه الأدوات يمكن أن تكون قيمة للمخططين الحضريين وعلماء البيئة الذين يحتاجون إلى مراقبة التغيرات في استخدام الأراضي، والتخطيط للنمو المستقبلي، وحماية الموائل الطبيعية دون الاعتماد كلياً على الملاحظة اليدوية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.