🤖 machine learning

Leveraging Multi-Temporal Sentinel 1 and 2 Satellite Data for Leaf Area Index Estimation With Deep Learning

تقترح هذه الورقة إطار عمل جديد للتعلم العميق يدمج بيانات الأقمار الصناعية Sentinel-1 وSentinel-2 متعددة الفترات الزمنية باستخدام وحدات U-Net سابقة التدريب وفك تشفير مدرك للموسمية لتحقيق تقدير دقيق للغاية لمؤشر مساحة الأوراق على مستوى البكسل بجذر متوسط مربع خطأ (RMSE) قدره 0.06 ومعامل تحديد (R²) قدره 0.93.

المؤلفون الأصليون: Clement Wang, Antoine Debouchage, Valentin Goldité, Aurélien Wery, Jules Salzinger

نُشر 2026-05-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Clement Wang, Antoine Debouchage, Valentin Goldité, Aurélien Wery, Jules Salzinger

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 معرفة عدد الأوراق على شجرة في غابة شاسعة، لكن لا يمكنك الذهاب إلى هناك مشياً. بدلاً من ذلك، أنت تراقب الغابة من الفضاء. هذا هو تحدي قياس مؤشر مساحة الورقة (LAI) — وهو طريقة معقدة لقول "مدى كمية المواد الخضراء الورقية التي تغطي الأرض". هذا الرقم بالغ الأهمية لفهم مدى صحة كوكبنا، وكمية إنتاج المحاصيل الغذائية، وكيف يتغير المناخ.

عادةً، يحاول العلماء الحصول على هذا الرقم عن طريق إرسال أشخاص إلى الميدان لعدّ الأوراق (وهو أمر بطيء وصعب) أو باستخدام الأقمار الصناعية التي تلتقط صوراً. ولكن تكمن المشكلة هنا في: الغيوم. الغيوم تشبه بطانية بيضاء ضخمة ومنفوشة تحجب رؤية القمر الصناعي، مما يجعل الصور البصرية عديمة الفائدة.

تقدم هذه الورقة البحثية طريقة جديدة ذكية لحل هذه المشكلة باستخدام التعلم العميق (نوع من أنواع الذكاء الاصطناعي الذي يتعلم مثل الدماغ) ونوعين مختلفين من "عيون" الأقمار الصناعية: Sentinel-2 (الذي يلتقط صوراً ملونة) و Sentinel-1 (الذي يستخدم الرادار).

إليك كيف تعمل طريقتهم، مشروحة ببعض التشبيهات من الحياة اليومية:

1. العينان: الصور مقابل الرادار

تخيل أن Sentinel-2 هو مصور فوتوغرافي. إنه يلتقط صوراً جميلة وتفصيلية للأرض، ولكن إذا كانت السماء غائمة، ستكون الصورة مجرد ضباب أبيض.
وتخيل Sentinel-1 كخفاش يستخدم تحديد الموقع بالصدى. إنه يرسل موجات رادارية يمكنها الرؤية عبر الغيوم والضباب. هو لا يعطيك صورة جميلة، لكنه يخبرك بشكل الأرض وملمسها حتى عندما تكون السماء ملبدة بالغيوم.

أدرك الباحثون أنه إذا دمجت "الصور الجميلة" (عندما تكون السماء صافية) مع "أصداء الرادار" (عندما تكون السماء غائمة)، فستحصل على صورة للغابة أكثر وضوحاً مما لو استخدمت أحدهما بمفرده.

2. آلة الزمن: النظر إلى التاريخ

الذكاء الاصطناعي لا ينظر إلى يوم واحد فقط؛ بل ينظر إلى ثلاثة أيام متتالية.
تخيل أنك تحاول تخمين مدى نمو نبات ما. إذا نظرت إلى اليوم فقط، فقد تشعر بالارتباك. ولكن إذا نظرت إلى كيف كان يبدو بالأمس وقبل يوم أمس، يمكنك رؤية النمط. يستخدم الذكاء الاصطناعي نهج "آلة الزمن" هذا لفهم كيفية تغير الأوراق خلال فترة زمنية قصيرة، مما يساعده على تقديم تخمينات أذكى حتى لو كان أحد الأيام غائماً.

3. الدماغ: فريق متخصص

الذكاء الاصطناعي الذي بنوه يشبه فريقاً من المتخصصين الذين يعملون معاً، بدلاً من شخص عام يحاول القيام بكل شيء.

مشفران (المتخصصان): يركز أحد المتخصصين فقط على بيانات الرادار والتقويم (المواسم). ويركز الآخر على الصور الماضية والتقويم. يعملان بالتوازي، حيث يصبح كل منهما بارعاً جداً في فهم نوع بياناته الخاص.
مُرمِّز واحد (المدير): بمجرد أن ينتهي المتخصصان من تحليلهما، يسلمان ملاحظاتهما إلى "مدير" (المُرمِّز). يقوم هذا المدير بدمج معلومات الرادار، ومعلومات الصور، والسياق الموسمي لرسم الخريطة النهائية لكثافة الأوراق.

4. تدريب الدماغ

تعليم هذا الذكاء الاصطناعي أمر صعب لأن البيانات معقدة. استخدم الباحثون طريقة تدريب مكونة من خطوتين:

الخطوة 1: علموا المتخصصين الاثنين بشكل منفصل أولاً، حتى أصبحا خبراء في مجالاتهما الخاصة.
الخطوة 2: وضعوا الفريق بأكمله معاً وقاموا بضبط أدائهم ليعملوا كوحدة واحدة. كما تأكدوا من أن الذكاء الاصطناعي ينتبه إلى "الموسم" (مثل ما إذا كان الربيع أو الشتاء)، لأن الأوراق تبدو مختلفة تماماً حسب الوقت من السنة.

النتائج

عندما اختبروا هذا النظام:

في الأيام الصافية: كان دقيقاً للغاية، ويكاد يكون مثالياً.
في الأيام الغائمة: أدى أداءً جيداً، لكن ليس بمثالية الأيام الصافية. وجد الباحثون أن الذكاء الاصطناعي واجه بعض الصعوبة هنا لأنه لم تكن هناك أمثلة كافية لـ "الأيام الغائمة" في بيانات التدريب لتعليمه كيفية الاعتماد بشكل كبير على الرادار.
مقارنة بالطرق القديمة: الطرق التقليدية التي تنظر فقط إلى بكسل واحد في كل مرة فشلت فشلاً ذريعاً (مثل محاولة تخمين حالة الطقس من خلال النظر إلى قطرة مطر واحدة). أما هذه الطريقة الجديدة، التي تنظر إلى الصورة الكاملة والسياق، فقد حققت نجاحاً هائلاً.

الخلاصة

تظهر الورقة أنه من خلال الجمع بين بيانات الأقمار الصناعية الرادارية والبصرية، وباستخدام ذكاء اصطناعي ذكي يفهم الوقت والمواسم، يمكننا تقدير مدى صحة غطائنا النباتي حتى عندما يكون الطقس سيئاً. لقد شارك المؤلفون الكود الخاص بهم ليتمكن الآخرون من البناء على هذا العمل، آملين في جعل "عدادات الأوراق" هذه أفضل في المستقبل.

ملخص تقني: الاستفادة من بيانات Sentinel-1 و Sentinel-2 متعددة الفترات الزمنية لتقدير مؤشر مساحة الأوراق (LAI)

بيان المشكلة
يعد مؤشر مساحة الأوراق (LAI) مقياسًا أساسيًا لتقييم صحة النظم البيئية، وإنتاجية النبات، والدورات الكربونية. وبينما توفر الطرق التقليدية القائمة على الأرض (أخذ العينات الإتلافي، والمعادلات القياسية) بيانات محلية دقيقة، إلا أنها تفتقر إلى التغطية المكانية. وتوفر الاستشعار عن بُعد عبر الأقمار الصناعية حلاً للمراقبة الإقليمية إلى العالمية؛ ومع ذلك، فإن البيانات البصرية (مثل Sentinel-2) غالبًا ما تتأثر بالغطاء السحابي، مما يعيق القياسات المباشرة ويقلل من توافر البيانات. وتعتمد مناهج التعلم العميق الحالية للتنبؤ بـ LAI غالبًا على فترات زمنية واحدة، أو أنواع مستشعرات واحدة (بصرية أو رادارية)، أو تعامل مع البكسلات بشكل مستقل، مما يؤدي إلى تجاهل المعلومات السياقية القيمة من البكسلات المجاورة والطبيعة التكاملية للبيانات متعددة المستشعرات.

المنهجية
يقترح المؤلفون إطار عمل جديد للتعلم العميق للتنبؤ بـ LAI على مستوى البكسل، يدمج بيانات متعددة الفترات الزمنية من أقمار Sentinel-1 (الرادارية) و Sentinel-2 (متعددة الأطياف). ويتمثل جوهر المنهجية في بنية شبكة عصبية عميقة مخصصة مصممة للتعامل مع نماذج المدخلات غير المتجانسة والارتباطات الزمنية.

بناء مجموعة البيانات: تستخدم الدراسة بيانات Sentinel-1 و Sentinel-2 المتاحة علنًا من مواقع أوروبية مختلفة. تتكون العينات من ثلاث فترات زمنية متتالية ( $T \in \{t-2, t-1, t\}$ ) تفصل بينها مدة لا تتجاوز أسبوعًا. تشمل المدخلات:
- بيانات رادار Sentinel-1 (استقطابات VH و VV).
- خرائط LAI المستمدة من Sentinel-2 (للفترات الزمنية السابقة) والأقنعة الدلالية (التي تحدد السحب، والمياه، واليابسة، إلخ، والتي تم إنشاؤها عبر معالج Sen2Cor).
- معلومات الموسمية المشفرة كقيم جيب وجيب تمام (sine و cosine) تمثل يوم السنة.
- الحقيقة الأرضية (Ground Truth) هي خريطة LAI عند الفترة الزمنية $t$ .
- تم تقسيم مجموعة البيانات إلى "مناطق غير غائمة"، و"مناطق غائمة"، و"مناطق فريدة" (جمهورية التشيك وإيطاليا) لاختبار القدرة على التعميم.
البنية الهيكلية: تتميز البنية بمشفرين متوازيين ومشفر واحد (Decoder) (الشكل 1):
1. المشفر 1: يعالج بيانات رادار Sentinel-1، والأقنعة الدلالية، والمعلومات الموسمية.
2. المشفر 2: يعالج قيم LAI التاريخية لـ Sentinel-2 ( $t-2, t-1$ )، والأقنعة، والمعلومات الموسمية.
3. المشفر النهائي (Decoder): بنية U-Net تقوم بدمج خرائط الميزات من كلا المشفرين لإنتاج تنبؤ LAI النهائي على مستوى البكسل. تعطي التصميم الأولوية للتقلص المبكر للبيانات متعددة الفترات الزمنية لتقليل التكرار.
استراتيجية التدريب: نظرًا لتعقيد البنية، تم استخدام نهج تدريب مكون من خطوتين:
1. التدريب المسبق (Pre-training): يتم تدريب كل مشفر بشكل منفصل باستخدام طبقة تلافيفية على مستوى البكسل للتنبؤ بـ LAI، مع تحسين متوسط مربع الخطأ (MSE).
2. الضبط الدقيق الشامل (End-to-End Fine-tuning): يتم دمج الأوزان المدربة مسبقًا في الشبكة الكاملة. يتم تحسين النموذج باستخدام الإشراف الوسيط، حيث تجمع دالة الخسارة بين MSE لمخرجات الـ decoder النهائية ومخرجات مراحل المشفر الوسيطة. تُعرف دالة الخسارة كما يلي:
  $Loss = MSE(LAI_{gt}, LAI_{dec}) + \alpha \cdot MSE(LAI_{gt}, LAI_{enc1}) + \beta \cdot MSE(LAI_{gt}, LAI_{enc2})$
  حيث $\alpha$ و $\beta$ هما معاملات فائقة (تم ضبطهما عند 0.1 و 0.15، على التوالي) لوزن أهمية المراحل الوسيطة. يستبعد حساب الخسارة صراحةً البكسلات المغطاة بالسحب.

النتائج الرئيسية
تم تقييم الطريقة المقترحة على مجموعة اختبار مكونة من مقاطع صور بحجم 256×256.

الأداء: حقق النموذج الكامل جذر متوسط مربع الخطأ (RMSE) قدره 0.058 ومعامل تحديد ( $R^2$ ) قدره 0.930 في البيانات غير الغائمة.
دراسات الاستئصال (Ablation Studies):
- أدى استخدام بيانات Sentinel-1 فقط إلى نتائج ضعيفة ( $R^2 = 0.434$ ).
- أدى استخدام بيانات Sentinel-2 فقط (مع الأقنعة والموسمية) إلى أداء جيد ( $R^2 = 0.903$ ) ولكنه أظهر تدهورًا كبيرًا في البيانات الغائمة ( $R^2 = -0.294$ ).
- حافظ النهج المدمج (جميع المدخلات) على أداء قوي عبر مجموعات البيانات، رغم أن الأداء في "المناطق الفريدة" (المواقع غير المرئية سابقًا) أظهر معدلات خطأ أعلى، مما يشير إلى وجود انحياز مرتبط بالموقع.
المقارنة: تفوق نهج التعلم العميق بشكل كبير على النماذج المرجعية التقلية القائمة على البكسل مثل الانحدار الخطي المتعدد ( $R^2 = -0.0445$ ) والغابة العشوائية (Random Forest) ( $R^2 = -0.0166$ ) عند اختبارها على بيانات البكسل الواحد دون سياق مكاني.

الأهمية والادعاءات
يدعي البحث تقديم تحقيق رائد في التنبؤ بـ LAI على مستوى البكسل الذي يستفيد بفعالية من المعلومات المدمجة ومتعددة الفترات الزمنية لبيانات Sentinel-1 و Sentinel-2 عبر شبكة عصبية عميقة. وتشمل المساهمات الرئيسية ما يلي:

بنية مبتكرة: استخدام مشفرين متوازيين مخصصين لنماذج مستشعرات محددة، يوحدهما مشفر نهائي يأخذ في الاعتبار الموسمية والسياق المكاني.
التعامل مع التعقيد: تنفيذ الإشراف الوسيط والتدريب المسبق لإدارة تعقيد المدخلات متعددة الأنماط وضمان التمثيل الفعال للميزات.
الوعي السياقي: الانتقال لما هو أبعد من التنبؤ بالبكسل المستقل للاستفادة من السياق العالمي ومعلومات البكسلات المجاورة، مما يعالج أحد القيود الشائعة في الأعمال السابقة.
المساهمة المفتوحة: أتاح المؤلفون الكود الخاص بهم ومساهماتهم لتسهيل التحسينات المستقبلية في هذا المجال.

يشير المؤلفون بتواضع إلى أنه بينما تعمل الطريقة بشكل جيد، لا تزال هناك تحديات تتعلق بعدم توازن البيانات (تحديدًا ندرة عينات التدريب الغائمة) والقدرة على التعميم في مواقع جغرافية جديدة تمامًا. ويقترحون أن العمل المستقبلي قد يستفيد من تخصيص أوزان أعلى لدوال الخسارة للمدخلات الغائمة ودمج معلومات وصفية إضافية مثل التضاريس أو البيانات الأرصادية.