🤖 AI

Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation

تقترح هذه الورقة وتقيم طريقتين مبتكرتين، وهما إسقاط مستشعر الإدخال (ISensD) والمجمع المستشعر غير المتغير (ESensI)، حيث تثبت من خلال تجارب على ثلاث مجموعات بيانات للمراقبة الأرضية أن النماذج متعددة المستشعرات القائمة على التجميع وتقنيات إسقاط المستشعرات تعزز بشكل كبير من قوة التنبؤ ضد فقدان بيانات المستشعرات.

المؤلفون الأصليون: Francisco Mena, Diego Arenas, Andreas Dengel

نُشر 2026-05-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Francisco Mena, Diego Arenas, Andreas Dengel

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

تخيل أنك تحاول التنبؤ بالطقس، أو نوع المحاصيل المزروعة في حقل ما، أو جودة الهواء في مدينة ما. للقيام بذلك بدقة، لا تعتمد على أداة واحدة فقط؛ بل تستخدم فريقًا كاملاً من "المستشعرات". بعضها يشبه الكاميرات التي تلتقط الصور (بصرية)، وبعضها يشبه أجهزة الرادار التي ترى من خلال السحب، وهناك أخرى تقيس أشياء مثل الرياح أو رطوبة التربة.

في عالم مراقبة الأرض، يبني العلماء نماذج حاسوبية (ذكاء اصطناعي) تعمل كأنها محقق فائق الذكاء، يجمع كل هذه البيانات لتقديم تنبؤات. ما هي المشكلة؟ أحيانًا يتعطل مستشعر، أو يُحجب بسبب السحب، أو ببساطة ينسى إرسال البيانات. عندما يغيب جزء من اللغز، يصاب المحقق بالارتباك، وتصبح التنبؤات غير موثوقة.

يقدم هذا البحث تقنيتين جديدتين للتدريب لتعليم محققي الذكاء الاصطناعي هؤلاء كيفية الحفاظ على الهدوء والدقة حتى عندما يغيب بعض أعضاء فريقهم.

المشكلة: "العضو المفقود في الفريق"

فكر في نموذج الذكاء الاصطناعي الخاص بك كأنه فريق رياضي. إذا دربت الفريق فقط عندما يكون الجميع حاضرين، فقد يعانون إذا تعرض لاعب رئيسي للإصابة أثناء المباراة الفعلية. في مجال مراقبة الأرض، تحدث حالات "اللاعبين المفقودين" كثيرًا. على سبيل المثال، قد يُصاب مستشعر الكاميرا بالعمى بسبب سحابة عاصفة، مما يترك النموذج مع بيانات الرادار فقط. النماذج التقليدية غالبًا ما تتعطل أو تعطي إجابات سيئة في مثل هذه المواقف.

الحل: تدريبات تدريبية جديدة

يقترح المؤلفون طريقتين محددتين لتدريب هذه النماذج لتصبح "قوية" (صلبة وقادرة على التكيف) تجاه البيانات المفقودة.

1. إسقاط المستشعر المدخل (ISensD): "تمرين عصب العينين"

التشبيه: تخيل مدربًا يدرب فريق كرة سلة. لتحضيرهم لمباراة قد يمرض فيها أحد اللاعبين، يتدرب المدرب عبر طلب الجلوس من لاعب واحد عشوائي لعدة دقائق خلال كل حصة تدريبية. يتعين على اللاعبين المتبقين معرفة كيفية الفوز بدون ذلك الشخص تحديدًا.

كيف يعمل:

خلال مرحلة التدريب، يقوم الكمبيوتر بـ "إيقاف تشغيل" (حجب) مستشعرات كاملة بشكل عشوائي. أحيانًا يخفي بيانات الكاميرا؛ وفي أحيان أخرى يخفي بيانات الرادار.
يُجبر النموذج على تعلم كيفية تقديم تنبؤات جيدة باستخدام أي بيانات متبقية.
النتيجة: تمامًا مثل فريق كرة السلة، يتعلم النموذج كيفية التكيف. إذا كانت الكاميرا مفقودة أثناء المباراة الحقيقية، فإن النموذج لا يصاب بالذعر؛ بل يعرف كيفية استخدام بيانات الرادار بفعالية. وجد البحث أن هذه الطريقة تجعل النموذج أكثر استقرارًا عند سقوط المستشعرات.

2. المجموعة المستقلة للمستشعرات (ESensI): "الفرقة المتخصصة مع قائد مشترك"

التشبيه: تخيل أن لديك ثلاثة خبراء مختلفين: خبير أرصاد جوية، وعالم تربة، ومحلل أقمار صناعية.

الطريقة القديمة: تطلب من كل خبير تقديم تنبؤه الخاص، ثم تقوم بمتوسط هذه التنبؤات. إذا كان محلل الأقمار الصناعية مفقودًا، فإنك تتجاهل الجزء الخاص به فحسب. هذا يعمل بشكل جيد نوعًا ما، لكن الخبراء لا يتحدثون حقًا مع بعضهم البعض.
الطالط الجديدة (ESensI): تعطي كل خبير دفتر ملاحظات خاص به (مشفر/encoder) لتحليل بياناته الخاصة. ومع ذلك، يكتب الجميع تقريرهم النهائي إلى نفس القائد المشترك (رأس التنبؤ المشترك).
يمتلك القائد أيضًا "بطاقة هوية" صغيرة لكل خبير تقول: "هذه البيانات من محلل الأقمار الصناعية". يساعد هذا القائد على فهم سياق البيانات، حتى لو كانت مختلفة عن الآخرين.

كيف يعمل:

يدرب النموذج "أدمغة" منفصلة لكل نوع من أنواع المستشعرات، ولكنه يجبرها جميعًا على الاتفاق على إجابة نهائية باستخدام "دماغ" واحد في النهاية.
النتيجة: هذا يخلق فريقًا يجيد التعامل مع الأعضاء المفقودين بشكل جيد جدًا. إذا كان محلل الأقمار الصناعية مفقودًا، فلا يزال بإمكان القائد اتخاذ قرار سليم بناءً على الخبراء الآخرين لأنهم جميعًا مدربون للعمل معًا تحت نفس القواعد.

ماذا أظهرت التجارب

اختبر الباحثون هذه الأساليب في ثلاثة سيناريوهات من الواقع:

حصاد المحاصيل: تحديد أنواع المحاصيل التي تنمو.
رطوبة الوقود: قياس مدى جفاف النباتات (وهو أمر مهم لخطر الحرائق).
جودة الهواء: قياس مستويات التلوث.

قاموا بمحاكاة المستشعرات المفقودة عن طريق إزالة البيانات عشوائيًا من 10% إلى 100% من حالات الاختبار.

الفائز: كانت طريقة المجموعة (ESensI) والنهج التجميعي القياسي (بدون حيل التدريب الجديدة) الأكثر قوة. لقد حافظا على أداء عالٍ حتى عندما كانت المستشعرات مفقودة.
المركز الثاني: كانت طريقة تمرين عصب العينين (ISensD) جيدة جدًا أيضًا، وهي أفضل بكثير من النماذج القياسية التي تحاول فقط ملء الأرقام المفقودة بالتخمينات.
العائق: هناك مقايضة. عندما تكون جميع المستشعرات موجودة وتعمل بشكل مثالي، فإن الطرق الجديدة قد تؤدي أحيانًا إلى أداء أقل بقليل من النماذج القياسية. إنه يشبه فريق كرة السلة الذي تدرب بقوة على "اللاعبين المفقودين" لدرجة أنهم كانوا أقل كفاءة قليلاً عندما كان الجميع حاضرين بالفعل. ومع ذلك، يرى المؤلفون أن كونك موثوقًا عندما تسوء الأمور أكثر أهمية من كونك مثاليًا عندما يكون كل شيء سهلاً.

الخلاصة

يعلمنا هذا البحث أنه إذا كنت تريد ذكاءً اصطناعيًا موثوقًا في العالم الحقيقي الفوضوي (حيث تفشل المستشعرات)، فيجب عليك تدريبه على التعامل مع الفشل. من خلال إخفاء البيانات عشوائيًا أثناء التدريب (ISensD) أو إجبار المستشعرات المختلفة على مشاركة صانع قرار مشترك (ESensI)، يمكننا بناء نماذج مراقبة للأرض لا تنهار عندما تصبح البيانات غير مكتملة.

ملخص تقني: زيادة متانة تنبؤات النماذج تجاه فقدان المستشعرات في مراقبة الأرض

بيان المشكلة

تدمج نماذج تعلم الآلة (ML) متعددة المستشعرات لبيانات مراقبة الأرض (EO) بيانات من مصادر متنوعة (مثل البيانات البصرية، والرادارية، والجوية) لتعزيز دقة التنبؤ. ومع ذلك، لا يمكن ضمان استمرارية بيانات المستشعرات في عمليات النشر الواقعية بسبب الأعطال التقنية أو العوامل البيئية (مثل الغطاء السحابي الذي يعيق الصور البصرية). تناولت الأدبيات الحالية معالجة البيانات المفقودة من خلال استراتيجيات مثل "الإسقاط الزمني" (المركز على مدخلات مستشعر واحد) أو "النماذج غير المتأثرة بالمستشعرات" (المركزة على الصور الثابتة). وتظل هناك فجوة كبيرة في التعامل مع فقدان المستشعرات ضمن سيناريوهات السلاسل الزمنية متعددة المستشعرات، حيث تفتقر نماذج تعلم الآلة القياسية إلى المتانة المتأصلة، مما يؤدي إلى تنبؤات منحازة أو فاشلة عند عدم توفر مدخلات مستشعرات معينة.

المنهجية

يقترح المؤلفون طريقتين مبتكرتين مصممتين خصيصًا لسيناريوهات السلاسل الزمنية متعددة المستشعرات لتعزيز متانة النموذج ضد فقدان المستشعرات:

1. إسقاط مستشعر المدخلات (ISensD)

مستوحاة من تقنيات تعزيز البيانات، تقدم ISensD آلية إسقاط المستشعر (SensD) على مستوى المدخلات أثناء التدريب.

الآلية: بالنسبة لعينة معينة، يتم حجب ميزات المستشعرات بالكامل بشكل عشوائي.
التنفيذ:
- إسقاط المستشعر القياسي (Standard SensD): يستخدم معلمة فائقة $r$ (نسبة الإسقاط) حيث يتم حجب ميزات المستشعرات بناءً على توزيع بيرنولي ( $d_s \sim \text{Bernoulli}(r)$ ).
- خيار "بلا نسبة" (No Ratio - NR): نسخة خالية من المعلمات تقوم باختيار تركيبة واحدة عشوائية من بين جميع تركيبات المستشعرات المفقودة الممكنة ( $2^{|S|} - 1$ ) لكل دفعة (batch).
التدريب: يتم تدريب النموذج على هذه المدخلات المحجوبة باستخدام بنية دمج متعددة المستشعرات قياسية (دمج على مستوى المدخلات)، مع تحسين المعلمات لتقليل الخسارة مقابل الحقيقة الأرضية (ground truth).

2. المجموعة المتوافقة مع المستشعرات (ESensI)

مستوحاة من النماذج غير المتأثرة بالمستشعرات، تقترح ESensI بنية تجميعية ذات رأس تنبؤ مشترك.

الآلية: يستخدم النموذج مشفرات مخصصة لكل مستشعر ( $E_{\theta_s}$ ) لاستخراج الميزات، ولكنها تستخدم رأس تنبؤ واحد مشترك ( $P_\phi$ ) لجميع المستشعرات.
ترميز المستشعر: لضمان وعي النموذج بميزات المستشعر التي تتم معالجتها، يتم إضافة متجه ترميز مستشعر قابل للتعلم ( $\rho_s$ ) إلى الميزات المشفرة قبل الرأس المشترك.
التحسين: على عكس المجموعات القياسية حيث يتم تحسين الرؤوس المخصصة لكل مستشعر بشكل مستقل، تقوم ESensI بتحسين المعلمات المخصصة للمستشعر والرأس المشترك بشكل مشترك، مما يجبر النموذج على تعلم تمثيلات ثابتة عبر المستشعرات.

الإعداد التجريبي

تم التحقق من صحة الطرق على ثلاثة مجموعات بيانات زمنية لمراقبة الأرض متعددة المستشعرات:

حصاد المحاصيل (CropHarvest - CH): التعرف على المحاصيل المتعددة باستخدام Sentinel-2 (بصري)، وSentinel-1 (راداري)، وERA5 (طقس)، وSRTM (تضاريس).
محتوى رطوبة الوقود الحي (LFMC): تقدير رطوبة النباتات باستخدام Landsat-8 (بصري)، وSentinel-1 (راداري)، ومستشعرات بيئية ثابتة متنوعة.
الجسيمات الدقيقة 2.5 (PM25): انحدار جودة الهواء باستخدام الظروف الجوية، والديناميكيات، وبيانات هطول الأمطار.

النماذج المرجعية (Baselines): تمت مقارنة الطرق المقترحة مع أربعة نماذج مرجعية من الأدبيات:

المدخلات (Input): دمج قياسي على مستوى المدخلات مع استخدام التعويض بالمتوسط (mean imputation).
ITempD: دمج المدخلات مع الإسقاط الزمني (المكيف للمستشعرات).
الميزات (Feature): دمج على مستوى الميزات باستخدام التعويض القائم على البحث عن التشابه (exemplar-based).
المجموعة (Ensemble): تجميع النماذج المخصصة لكل مستشر، مع تجاهل تنبؤات المستشعرات المفقودة.

مقياس التقييم: كان المقياس الأساسي للمتانة هو درجة متانة الأداء (PRS)، والتي تقيس الخطأ التنبئي النسبي للنماذج مع المستشعرات المفقودة مقارنة بالنماذج ذات توافر المستشعرات الكامل.

النتائج الرئيسية

المتانة تجاه المستشعرات المفقودة: أظهرت كل من ISensD و ESensI متانة أعلى بكثير (قيم PRS أعلى) مع زيادة نسبة المستشعرات المفقودة، متفوقة على النماذج المرجعية القياسية (Input و ITempD و Feature).
تفوق التجميع (Ensemble): أثبتت طريقة Ensemble القياسية (بدون الرأس الثابت) أنها البنية الأكثر متانة بشكل عام، حيث تفوقت غالبًا على ESensI في مقاييس المتانة الخام. ومع ذلك، حسنت ESensI من طريقة Ensemble في حالات محددة (مثل مجموعة بيانات PM25).
أداء ISensD: أظهرت طريقة ISensD تحسنًا ملحوظًا في المتانة مقارلة بنماذجها المرجعية المباشرة (Input و ITempD). وقد قدم متغير "بلا نسبة" (NR) أداءً مشابهًا لنسخ النسبة المضبوطة، مما يشير إلى أنه بديل قابل للتطبيق.
المقايضة في أداء المستشعرات الكاملة: كانت الملاحظة الحاسمة هي وجود مقايضة بين المتانة ودقة المستشعرات الكاملة. فبينما برعت طريقتي Ensemble و ESensI في سيناريوهات المستشعرات المفقودة، إلا أنهما أظهرتا غالبًا أداءً تنبئيًا أقل (F1/R2) عندما كانت جميع المستشعرات متاحة مقارنة بطريقة Input القياسية. ويشير المؤلفون إلى أن ISensD أدت أداءً أسوأ من نموذج Input في سيناريوهات المستشعرات الكاملة، مما يوحي بأن النموذج قد يعطي أولوية مفرطة لسيناريوهات البيانات المفقودة أثناء التدريب.

الأهمية والادعاءات

يدعي البحث معالجة فجوة حرجة في أدبيات مراقبة الأرض من خلال توفير طرق مصممة خصيصًا لسيناريوهات السلاسل الزمنية متعددة المستشعرات حيث قد تُفقد المستشعرات.

المساهمة: يقدم تقديم ISensD و ESensI استراتيجيات عملية لزيادة متانة النموذج دون الحاجة إلى إعادة التدريب عند فشل المستشعرات.
ادعاءات متواضعة: يقر المؤلفون بأنه بينما تحسن طرقهم من المتانة، فإنها لا تزيد بالضرورة من دقة التنبؤ عند وجود جميع البيانات. وقد صرحوا بوضوح أن مصدر هذه المتانة ليس مفهومًا بالكامل — فقد ينبع من قدرة النموذج على التكيف، أو تجاهل معلومات مستشعر معينة، أو عدم صلة بعض بيانات المستشعرات بمهمة التنبؤ المحددة.
العمل المستقبلي: حدد المؤلفون الحاجة إلى استقصاء الآليات الكامنة وراء هذه المتانة وإيجاد توازن بين المرونة تجاه المستشعرات المفقودة والدقة عند توافر المستشعرات الكاملة.