💻 computer science

TIRAuxCloud: A Thermal Infrared Dataset for Day and Night Cloud Detection

تقدم هذه الورقة TIRAuxCloud، وهي مجموعة بيانات متعددة الأنماط شاملة تجمع بين البيانات بالأشعة تحت الحمراء الحرارية، والبيانات البصرية، والبيانات المساعدة من Landsat وVIIRS لمعالجة تحديات الكشف عن السحب وتجزئتها بدقة على مدار الساعة طوال أيام الأسبوع في مراقبة الأرض.

المؤلفون الأصليون: Alexis Apostolakis, Vasileios Botsos, Niklas Wölki, Andrea Spichtinger, Nikolaos Ioannis Bountos, Ioannis Papoutsis, Panayiotis Tsanakas

نُشر 2026-03-16

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Alexis Apostolakis, Vasileios Botsos, Niklas Wölki, Andrea Spichtinger, Nikolaos Ioannis Bountos, Ioannis Papoutsis, Panayiotis Tsanakas

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 حارس أمن يحاول رصد المتسللين (السحب) في نظام مراقبة ضخم يعمل على مدار 24 ساعة.

خلال النهار، الأمر سهل. هناك ضوء شمس ساطع، والمتسللون بيض وناعمون، ويبرزون بوضوح مقابل الأرض. يمكنك فقط النظر إليهم وقول: "هذه سحابة".

ولكن في الليل، تنطفئ الأنوار. المتسللون لا يزالون موجودين، لكنهم يبدون تماماً مثل الأرض، أو الثلج، أو قمم الجبال الباردة لأن كل شيء أصبح مظلماً وبارداً. عيناك (الكاميرات القياسية) لا تستطيع التمييز بينهم بعد الآن. هذه هي المشكلة الكبيرة التي يواجهها العلماء في مراقبة الأرض: كيف ترصد السحب عندما لا تكون الشمس مشرقة؟

تقدم هذه الورقة البحثية أداة جديدة تسمى TIRAuxCloud لحل هذا اللغز. إليك التفاصيل بكلمات بسيعة:

1. المشكلة: "ارتباك البرودة"

السحب عادة ما تكون أبرد من الأرض. في الليل، يستخدم العلماء مستشعرات الأشعة تحت الحمراء الحرارية (TIR) — تخيلها كـ "كاميرات حرارية" — لرصد هذه السحب الباردة.

ومع ذلك، هناك عقبة: الثلج والجليد باردان أيضاً.

السيناريو: ترى الكاميرا الحرارية بقعة باردة. هل هي سحابة تطفو فوق الأرض؟ أم أنها مجرد قمة جبل ثلجي؟
النتيجة: بدون أدلة إضافية، يرتبك الكمبيوتر. قد يعتقد أن جبلاً ثلجياً هو سحابة، أو قد يغفل عن سحابة حقيقية مختبئة فوق صحراء باردة.

2. الحل: "حقيبة أدوات المحقق"

ابتكر المؤلفون مجموعة بيانات ضخمة وجديدة تسمى TIRAuxCloud. بدلاً من إعطاء الكمبيوتر صورة كاميرا حرارية فقط، أعطوه حقيبة أدوات المحقق.

تخيل أنك تحاول حل جريمة. إذا كان لديك فقط صورة ضبابية للمشتبه به، فسيكون الأمر صعباً. ولكن إذا كان لديك أيضاً:

خريطة للتضاريس (DEM): "انتظر، هذه البقعة الباردة تقع على قمة جبل، لذا فمن المرجح أنها ثلج وليست سحابة".
تقرير الأرصاد الجوية (Meteorology): "الضغط الجوي مرتفع ولا توجد أمطار، لذا فإن السحب الكثيفة غير مرجحة هنا".
صورة "سابقة" (مرجع السماء الصافية): "هذا هو شكل هذه البقعة عندما تكون السماء صافية. قارنها بالصورة الغائمة لترى ما الذي تغير".
خريطة استخدام الأراضي (LULC): "هذه المنطقة هي مدينة، وليست نهراً جليدياً، لذا فإن تلك البقعة الباردة هي على الأرجح سحابة".

تجمع TIRAuxCloud بين صورة الكاميرا الحرارية وكل هذه الأدلة الإضافية (الارتفاع، الطقس، صور السماء الصافية، وخرائط الأراضي) في حزمة تدريب واحدة ضخمة.

3. التدريب: تعليم الذكاء الاصطناعي

تصف الورقة البحثية كيف قاموا ببناء مجموعة البيانات هذه:

الفئة الكبرى: جمعوا أكثر من 21,000 صورة من أقمار "لاندسات" (Landsat) الصناعية (ليلاً ونهاراً). تم تصنيف معظم هذه الصور بواسطة نظام كمبيوتر آلي (مثل مسودة سريعة).
فئة الخبراء: أضافوا 2,500 صورة تم تصنيفها بعناية من قبل خبراء بشريين للتحقق من عمل الذكاء الاصطناعي.
نوبة العمل الليلية: أضافوا 5,000 صورة من أقمار "فييرز" (VIIRS) الصناعية، وهي متميزة خصيصاً في الرؤية في الظلام (في وقت الليل).

بعد ذلك، علموا أنواعاً مختلفة من نماذج الذكاء الاصطناعي (مثل U-Net و SegFormer و SwinCloud) كيفية استخدام "حقيبة أدوات المحقق" هذه.

4. النتائج: لماذا يهم هذا؟

عندما اختبروا الذكاء الاصطناعي:

ذكاء "الكاميرا الحرارية فقط": ارتكب أخطاءً؛ حيث خلط بين الثلج والسحب.
ذكاء "حقيبة أدوات المحقق": أصبح أكثر ذكاءً بكثير. فمن خلال النظر إلى الخريطة وبيانات الطقس، أدرك: "أوه، هذه البقعة الباردة تقع على جبل، لذا فهي ثلج"، أو "تلك البقعة الباردة تقع فوق مدينة، لذا يجب أن تكون سحابة".

المفاجأة الكبرى:
وجد الباحثون أن مجموعة البيانات الضخمة ذات التصنيفات الحاسوبية "الجيدة بما يكفي" (الفئة الكبرى) كانت في الواقع أفضل لتدريب الذكاء الاصطناعي من المجموعة الأصغر ذات التصنيفات البشرية المثالية. الأمر يشبه القيام بمليون تمرين تدريبي مع مدرب يصيب بنسبة 90%، مقابل 10 تمارين فقط مع مدرب يصيب بنسبة 100%. لقد ساعد حجم التدريب الهائل الذكاء الاصطناعي على تعلم الأنماط بشكل أفضل.

5. المستقبل: الحارس الذي يعمل على مدار الساعة

لماذا نهتم؟ لأن السحب تحجب رؤيتنا للأرض.

رجال الإطفاء يحتاجون لرؤية الحرائق ليلاً لمنع انتشارها.
المزارعون يحتاجون لمعرفة ما إذا كان يهطل ثلج أم أن هناك غطاءً سحابياً يؤثر على المحاصيل.
مخططو المدن يحتاجون لمراقبة الجزر الحرارية (البقع الساخنة في المدن) ليلاً ونهاراً.

TirauxCloud يشبه منح هؤلاء الحراس نظارات تعمل بشكل مثالي في الظلام، مما يساعدهم على التمييز بين تهديد حقيقي (سحابة) وبين بقعة باردة غير ضارة (ثلج)، مما يضمن أن أنظمة مراقبة الأرض لدينا لا تضطر أبداً إلى "الذهاب للنوم" بسبب الليل.

باخت اختصار: لقد بنوا مكتبة تدريب ضخمة تعلم الحواسيب كيفية استخدام الحرارة، والخرائط، وبيانات الطقس معاً لرصد السحب على مدار 24 ساعة، مما يحل المشكلة الأزلية: "هل هذه سحابة أم مجرد جبل بارد؟"

إليك ملخص تقني مفصل لورقة البحث بعنوان "TIRAuxCloud: مجموعة بيانات للأشعة تحت الحمراء الحرارية للكشف عن السحب نهاراً وليلاً".

1. بيان المشكلة

تعد السحب عائقاً رئيسياً في مراقبة الأرض، مما يعيق تطبيقات الاستشعار عن بعد الحيوية مثل اكتشاف الحرائق، ومراقبة الجزر الحرارية الحضرية، ورسم خرائط الثلوج والجليد. وبينما تعد نطاقات الطيف المرئي والأشعة تحت الحمراء القريبة (VNIR) فعالة للكشف عن السحب نهاراً بسبب الانعكاس الشمسي، إلا أنها تفشل ليلاً بسبب غياب الإضاءة. توفر صور الأشعة تحت الحمائية الحرارية (TIR) حلاً للكشف على مدار الساعة (24/7) من خلال استغلال فروق درجات الحرارة (حيث تكون السحب عادةً أبرد من السطح). ومع ذلك، يواجه الكشف المعتمد على الأشعة تحت الحمارية الحرارية (TIR) تحديات كبيرة:

الغموض: يصعب التمييز بين السحب والأسطح الباردة مثل الثلج أو الجليد أو التضارما المرتفعة، حيث تشترك هذه الأسطح في بصمات حرارية مماثلة.
ندرة البيانات: هناك نقص في مجموعات البيانات الضخمة والمتاحة للجمهور المصممة خصيصاً للكشف عن السحب طوال اليوم والتي تجمع بين بيانات TIR والمعلومات السياقية المساعدة.
القيود في الدقة والطيف: تفتقر مجموعات بيانات TIR الحالية غالباً إلى الطبقات المساعدة عالية الدقة (مثل نموذج الارتفاع الرقمي DEM، والأرصاد الجوية) اللازمة لحل غموض السطح والسحب، ويعتمد الكثير منها فقط على البيانات الطيفية دون وجود تسميات (labels) للحالات الليلية.

2. المنهجية: مجموعة بيانات TIRAuxCloud

قدم المؤلفون TIRAuxCloud، وهي مجموعة بيانات مبتكرة متعددة الأنماط مصممة لتسهيل تقسيم السحب في كل من ظروف النهار والليل. تدمج مجموعة البيانات بيانات الأشعة تحت الحمارية الحرارية مع طبقات جغرافية مكانية مساعدة لتوفير إشارات سياقية غنية.

تكوين البيانات

تتكون مجموعة البيانات من ثلاثة أقسام متميزة بإجمالي 28,625 رقعة صورية (256×256 بكسل):

مجموعة بيانات لاندسات الرئيسية (21,058 رقعة):
- المصدر: منتجات Landsat 8/9 Collection 2 Level-1.
- التسميات: أقنعة سحب مؤتمتة مشتقة من نطاق QA PIXEL (خوارزمية Fmask).
- الاستراتيجية: أخذ عينات طبقية بناءً على التنوع المكاني (شبكة عالمية)، والتنوع الزمني (جميع أشهر السنة الـ 12)، وتغطية السحب (30-70%).
- الهيكل: يتم إقران كل مشهد غائم بنظيره "الصافي" (نفس الموقع، تغطية سحابية أقل من 5%، في غضون 30 يوماً) ليكون بمثابة مرجع.
مجموعة بيانات لاندسات المسمية يدوياً (2,563 رقعة):
- المصدر: مجموعة التحقق من قناع حقيقة السحب من USGS (موسومة بشرياً).
  টি الغرض: مجموعة تقييم عالية الجودة ومصدر محتمل للضبط الدقيق (fine-tuning).
- التسميات: تسميات على مستوى البكسل لـ (صافٍ، سحب رقيقة، وسحب).
مجموعة بيانات VIIRS (5,004 رقعة):
- المصدر: مشروع "Light Every Night" التابع للبنك الدولي (نطاق VIIRS Day/Night).
- الغرض: يستهدف تحديداً ظروف الليل حيث يغيب الانعكاس المرئي.
- الدقة: تمت إعادة أخذ العينات لتصبح 200 متر (مقابل 100 متر لـ Landsat).

الميزات المساعدة

لمعالجة غموض "السطح البارد مقابل السحابة"، تدمج مجموعة البيانات خمس فئات من البيانات المساعدة المتوافقة مع الصور:

المرجع للسماء الصافية: مشاهد صافية متزامنة لإبراز الاختلافات السطحية.
نموذج الارتفاع الرقمي (DEM): للتمييز بين التضارما الباردة المرتفعة والسحب.
متغيرات الأرصاد الجوية: الضغط السطحي، نقطة الندى، درجة حرارة الجلد، الهطول، وتغطية الثلوج (من بيانات ERA5 Land).
استخدام الأراضي وغطاء الأرض (LULC): لتحديد أنواع الأسطح (مثل الثلج، المناطق الحضرية، الأرض الجرداء).
البيانات الوصفية (Metadata): الموقع الجغرافي، وقت الاستحواذ، وزوايا الشمس.

3. الإعداد التجريبي والمعايير المرجعية

وضع المؤلفون خطوط أساس للأداء باستخدام أربعة بنيات للتعلم العميق على مجموعة بيانات لاندسات الرئيسية (70% تدريب، 15% تحقق، 15% اختبار):

البنيات: U-Net (مشفر ResNet34)، وCDNetV2 (مخصص للسحب مع آلية انتباه)، وSegFormer (مبني على Transformer)، وSwinCloud (تكييف لـ Swin-UNet).
المهام: التقسيم الثنائي (صافٍ مقابل سحاب) والتقسيم متعدد الفئات (صافٍ، سحب رقيقة، سحاب).
تجربة استئصال الميزات (Ablation): قارنت التجارب النماذج المدربة على:
- جميع النطاقات الطيفية.
- TIR فقط.
- TIR + المرجع الصافي.
- TIR + DEM.
- TIR + الأرصاد الجوية.
- TIR + جميع البيانات المساعدة.

4. النتائج الرئيسية

أداء دمج الميزات

استفادة نماذج الانتباه: أظهرت النماذج المزودة بآليات الانتباه (SegFormer, CDNetV2, SwinCloud) تحسناً في الأداء عند إضافة البيانات المساعدة. على سبيل المثال، في مهمة الفئتين، ارتفع mIoU لنموذج SegFormer من 0.81 (TIR فقط) إلى 0.81 (مع المساعد الكامل، مما أظهر الاستقرار) و 0.86 (جميع النطاقات).
قيود U-Net: لم يستفد نموذج U-Net القياسي بشكل كبير من المدخلات المساعدة، مما يشير إلى أن البنيات الأبسط قد تعاني من "الهيمنة أحادية النمط"، حيث يعتمد النموذج فقط على الإشارة الأقوى (TIR) ويتجاهل السياق المساعد.
تحدي الـ 3 فئات: انخفض الأداء في مهمة الـ 3 فئات (بسبب غموض "السحب الرقيقة")، لكن متغيرات الأرصاد الجوية (TIR/Meteo) ساعدت في التمييز بين السحب الرقيقة والسحب الكثيفة في ظروف جوية محددة.

التعلم بنقل المعرفة والتعميم

Landsat Main $\to$ MA Landsat: تفوقت النماذج المدربة مسبقاً على مجموعة بيانات Landsat Main الكبيرة ذات التسميات الآلية على النماذج المدربة مباشرة على مجموعة MA Landsat الأصغر (على سبيل المثال، تحسن mIoU لـ U-Net من 0.77 إلى 0.80). يشير هذا إلى أن حجم مجموعة البيانات يمكن أن يتفوق على دقة التسمية في هذه المهمة.
Landsat Main $\to$ VIIRS: تطلب نقل المعرفة إلى مستشعر VIIRS (بسبب اختلاف الدقة والخصائص الطيفية) ضبطاً دقيقاً كبيراً. وبينما كان أداء النماذج المدربة مسبقاً بدون ضبط دقيق ضعيفاً، فإن الضبط الدقيق الجزئي المجمد سمح لها بالتفوق على النماذج المدربة من الصفر على VIIRS، مما يثبت قيمة مجموعة البيانات كمصدر مجال قوي.

التحسينات النوعية

أكد التحليل البصري أن البيانات المساعدة حلت حالات فشل محددة:

DEM: صحح الإيجابيات الكاذبة حيث تم تحديد الجبال الباردة المرتفعة خطأً كأنها سحب.
المرجع الصافي: ساعد في التمييز بين الأرض منخفضة الحرارة والسحب الفعلية.
الأرصاد الجوية: ساعد الضغط السطحي المرتفع وهطول الأمطار المنخفض النموذج على تحديد طبقات السحب الرقيقة مقابل السماء الصافية في الظروف الجوية المستقرة.

5. المساهمات الرئيسية

مجموعة بيانات شاملة متعددة الأنماط: تعتبر TIRAuxCloud أول مجموعة بيانات واسعة النطاق تجمع بين TIR، والبيانات البصرية، والأشعة تحت الحمراء القريبة مع طبقات مساعدة واسعة (DEM، LULC، مراجع السماء الصافية، والطقس) خصيصاً للكشف عن السحب نهاراً وليلاً.
التقييم المرجعي: وضعت خطوط أساس قوية باستخدام بنيات عامة (U-Net, SegFormer) ومتخصصة (CDNetV2, SwinCloud)، مما يسلط الض الضوء على أهمية آليات الانتباه في دمج البيانات متعددة الأنماط.
التحقق من البيانات المساعدة: أثبتت أن الميزات المساعدة، وخاصة DEM والأرصاد الجوية، حاسمة لتقليل الغموض في الكشف المعتمد على TIR، رغم أن دمجها يتطلب بنيات نماذج متطورة.
رؤية الحجم مقابل الدقة: قدمت دليلاً على أن مجموعات البيانات واسعة النطاق ذات التسميات الآلية يمكن أن تكون أكثر فعالية للتدريب المسبق من مجموعات البيانات الأصغر ذات التسميات اليدوية لمهام تقسيم السحب.

6. الأهمية

تعالج TIRAuxCloud فجوة حرجة في الاستشعار عن بعد من خلال تمكين تطوير نماذج قوية للكشف عن السحب على مدار الساعة (24/7). ومن خلال توفير بيئة اختبار تتضمن البيانات السياقية اللازمة لحل غموض الأشعة تحت الحمارية الحرارية (TIR)، فإنها تسهل إنشاء نماذج تأسيسية قادرة على العمل في بيئات متنوعة (الجبال، الثلوج، الليل). هذا التقدم حيوي لخدمات المراقبة المستمرة مثل الاستجابة للكوارث (الحرائق/الفيضانات) ومراقبة المناخ، حيث يكون الاعتماد على البيانات النهارية فقط غير كافٍ. كما تسلط الورقة الضوء على الاتجاهات المستقبلية، بما في ذلك الحاجة إلى بنيات يمكنها دمج البيانات متعددة الأنماط بشكل أفضل للتغلب على الهيمنة أحادية النمط.