💻 computer science

ResAF-Net: An Anchor-Free Attention-Based Network for Tree Detection and Agricultural Mapping in Palestine

تقدم هذه الورقة ResAF-Net، وهو إطار عمل للتعلم العميق يعتمد على الانتباه وغير مرتبط بالمرتكزات (anchor-free)، يستفيد من صور الأقمار الصناعية ويتكامل مع البيانات العقارية المحلية لتمكين الكشف عن الأشجار والمراقبة الزراعية بشكل قابل للتوسع ودقيق في المناظر الطبيعية المحدودة الموارد والمجزأة في فلسطين.

المؤلفون الأصليون: Rabee Al-Qasem

نُشر 2026-04-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rabee Al-Qasem

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 إحصاء كل شجرة في بلد ما، حيث الأرض مقسمة إلى قطع صغيرة وغير منتظمة، وحيث لا يُسمح لك بتشغيل الطائرات بدون طيار (الدرونز) فوق الحقول لالتقاط الصور. هذا هو التحدي الذي يواجه المزارعين والمسؤولين في فلسطين. ولحل هذه المشكلة، قام مطور يدعى ربيع القاسم ببناء برنامج حاسوبي خاص يسمى ResAF-Net.

إليك كيف يشرح هذا البحث الحل، باستخدام تشبيهات بسيطة:

المشكلة: لغز مكسور

تخيل الزراعة الفلسطينية مثل لوحة فسيفساء ضخمة ومكسورة. فالأرض مجزأة، مما يعني أن المزارع صغيرة ومتفرقة. الطرق التقليدية لعد الأشجار (مثل إرسال أشخاص للمشي في الحقول) بطيئة وصعبة للغاية. وأيضًا، بسبب القيود السياسية، لا يمكنهم استخدام الطائرات بدون طيار للحصول على رؤية من منظور عين الطائر. لديهم فقط صور الأقمار الصناعية، وهي تشبه النظر إلى لغز (بازل) ضخم من مسافة بعيدة جدًا. في هذه الصور، غالبًا ما تبدو الأشجار صغيرة، أو ضبابية، أو متزاحمة مع بعضها البعض، مما يجعل من الصعب رصدها.

الحل: "مكتشف أشجار" ذكي

بنى المؤلف نظام ذكاء اصطناعي (ResAF-Net) يعمل مثل محقق مدرب تدريبًا عاليًا ينظر إلى صور الأقمار الصناعية. وبدلاً من التخمين أين قد توجد الأشجار، يقوم النظام بمسح الصورة بكسل تلو الآخر للعثور عليها.

إليك كيف يعمل هذا "المحقق"، مقسمًا إلى أجزائه:

العيون (ResNet-50): هذا هو الجزء من الذكاء الاصطناعي الذي ينظر إلى الصورة. إنه بمثابة زوج من العيون التي تم تدريبها على ملايين الصور الأخرى. فهو يعرف كيف يبدو شكل الشجرة "عادةً"، حتى لو كانت الصورة ضبابية قليلاً أو الإضاءة غريبة.
العدسة المكبرة (ASPP): أحيانًا تكون الأشجار صغيرة، وأحيانًا تكون كبيرة. تعمل هذه الوحدة مثل مجموعة من العدسات المكبرة ذات الأحجام المختلفة؛ فهي تقوم بالتكبير والتصغير في آن واحد للتأكد من عدم تفويت شتلة صغيرة أو شجرة زيتون ضخمة.
مرشح التركيز (Self-Attention): صور الأقمار الصناعية فوضوية؛ فهي تحتوي على صخور وطرق وظلال. هذا الجزء من الذكاء الاصطناعي يعمل مثل سماعات إلغاء الضجيج؛ فهو يتجاهل "الضجيج" في الخلفية (الصخور والتربة) ويركز طاقته فقط على الأجزاء من الصورة التي تبدو كأشجار.
الشبكة المرنة (Anchor-Free Head): كانت أنظمة الكشف القديمة تستخدم "صناديق الارتكاز" (anchor boxes)—تخيل أنك تحاول صيد الأسماك بشبكة لها فتحات بحجم واحد محدد فقط؛ إذا كانت السمكة كبيرة جدًا أو صغيرة جدًا، فستنفذ منها. هذا النظام الجديد "خالٍ من الارتكاز" (anchor-free). إنه يشبه استخدام شبكة مرنة وقابلة للتمدد يمكنها التكيف حول أي شجرة بأي شكل أو حجم، سواء كانت شجيرة صغيرة أو مظلة شجرية ضخمة.

التدريب: التعلم من مكتبة عالمية

لتعليم هذا الذكاء الاصطناعي، لم يستخدم المؤلف صورًا محلية فقط (التي كانت نادرة)، بل استخدم مكتبة عالمية ضخمة من بيانات الأشجار تسمى MillionTrees. الأمر يشبه تعليم طالب كيفية التعرف على التفاح من خلال عرض صور لتفاح من جميع أنحاء العالم، وليس فقط من حديقته الخاصة.

قاموا بتغذية الذكاء الاصطناعي بأكثر من 10,000 صورة و700,000 شجرة مصنفة.
علموه كيفية التعامل مع جودات وأحجام وزوايا مختلفة للصور.

النتائج: شبكة عالية الاستدعاء (High-Recall)

عندما اختبروا الذكاء الاصطناعي، كان أداؤه ممتازًا في شيء واحد محدد وهو: إيجاد الأشجار.

معدل الإمساك: لقد وجد 82% من الأشجار الموجودة بالفعل. وهذا يمثل تحسنًا كبيرًا مقارنة بالنماذج الأخرى، التي كانت تجد حوالي 53% أو أقل.
المقايضة: نظرًا لأن الذكاء الاصطناعي متحمس جدًا للعثور على الأشجار، فإنه أحيانًا يصبح "متحمسًا أكثر من اللازم" ويحدد صخرة أو ظلًا على أنه شجرة (نتائج إيجابية خاطئة). ومع ذلك، يؤكد البحث أنه بالنسبة للتخطيط الزراعي، من الأفضل العثور على كل شجرة تقريبًا والتحقق من الزيادات لاحقًا، بدلاً من تفويت الأشجار تمامًا.
الدقة: حتى مع وجود الضجيج الإضافي، كان الذكاء الاصطناعي جيدًا جدًا في تحديد مكان مركز الشجرة بدقة.

الاستخدام في العالم الحقيقي: الخريطة الرقمية

لم يتوقف المؤلف عند كتابة الكود البرمسي فحسب، بل بنى تطبيق خريطة قائم على الويب يمكن لأي شخص استخدامه.

ربط النقاط: قاموا بربط هذا الذكاء الاصطناعي بسجلات الأراضي الحكومية الرسمية (المعروفة باسم GeoMolg).
ثلاثة مستويات من العرض:
1. مستوى المشهد (Scene Level): يمكنك النظر إلى أي بقعة عشوائية على الخريطة، وسيقوم الذكاء الاصطناعي فورًا بعد الأشجار هناك.
2. مستوى القطعة (Parcel Level): يمكنك النقر على قطعة أرض مسجلة لمزارع معين، وسيقوم الذكاء الاصطناعي بعد الأشجار داخل تلك الحدود القانونية المحددة فقط.
3. مستوى المجتمع (Community Level): يمكنك النظر إلى قرية بأكملة، وسيقوم الذكاء الاصطناعي بمعالجة المنطقة بأكملة لإعطاء إجمالي عدد الأشجار للمجتمع المحلي.

لماذا هذا مهم؟

يخلص البحث إلى أن هذه الأداة تثبت أنه من الممكن إجراء مراقبة زراعية واسعة النط scale في الأماكن ذات الموارد المحدودة والقيود الصارمة. إنها تحول صور الأقمار الصناعية إلى أداة عملية للمزارعين وصناع القرار لفهم أراضيهم دون الحاجة إلى إطلاق طائرات بدون طيار أو توظيف جيوش من المساحين.

باختصار: يقدم البحث ذكاءً اصطناعيًا جديدًا ومرنًا يستخدم صور الأقمار الصناعية لعد الأشجار في فلسطين بدقة عالية، متجاوزًا تحديات المزارع الصغيرة والمجزأة والقيود المفروضة على المجال الجوي، ويضع هذه البيانات مباشرة في أداة خرائط للاستخدام المحلي.

1. بيان المشكلة

تعالج الورقة البحثية الحاجة الماسة لبيانات زراعية موثوقة واسعة النطاق في فلسطين لدعم الأمن الغذائي، وتخطيط استخدام الأراضي، والمرونة الاقتصادية. وهناك عدة تحديات فريدة تعيق جمع البيانات التقليدية في هذه المنطقة:

القيود السياسية والتنظيمية: القيود الصارمة على استخدام الطائرات بدون طيار (UAV/drone) ومحدودية الوصول الميداني تجعل المراقبة الجوية أمراً صعباً.
التعقيد البيئي: المشهد الزراعي مجزأ للغاية، حيث غالباً ما تكون تيجان الأشجار صغيرة وغير منتظمة، وتكون محجوبة بالظلال أو النباتات الكثيفة.
ندرة البيانات: هناك نقص في مجموعات البيانات الموسومة محلياً والتي تتناسب مع الظروف الزراعية في منطقة حوض البحر الأبيض المتوسط.
قصور النماذج الحالية: تواجه طرق اكتشاف الأشياء التقليدية التي تعتمد على "صناديق المرساة" (anchor boxes) (وهي قوالب صناديق محددة مسبقاً) صعوبة في التعامل مع تيجان الأشجار الكثيفة والمتداخلة والمتفاوتة الأحجام الموجودة في هذه المناظر الطبيعية المجزأة.

2. المنهجية: بنية ResAF-Net

يقترح المؤلفون ResAF-Net، وهو إطار عمل مخصص للتعلم العميق مصمم خصيصاً لاكتشاف الأشجار عبر الأقمار الصناعية في البيئات محدودة الموارد. تدمج البنية أربع وحدات رئيسية:

المُشفّر (ResNet-50 + ASPP):
- يستخدم هيكلاً خلفياً من نوع ResNet-50 مدرب مسبقاً لاستخراج الميزات الهرمية، والذي تم اختياره لتوازنه بين الأداء والكفاءة الحسابية مقارنة بالنماذج الأثقل القائمة على الـ Transformer.
- يدمج وحدة التجميع الهرمي الفراغي ذو الاتساع (ASPP) في المرحلة النهائية (C5) لتجميع المعلومات السياقية متعددة المقاييس، مما يعالج تحدي اكتشاف الأشجار بأحجام متفاوتة ويحسن ثراء الميزات.
دمج الميزات (FPN):
- يستخدم شبكة هرم الميزات (FPN) لتوحيد خرائط الميزات ذات أبعاد القنوات المختلفة في بُعد موحد واحد.
- يتضمن عمليات تنعيم لتعزيز اكتشاف الأشجار الصغيرة والمتوسطة الحجم.
تكرير الانتباه (الانتباه الذاتي متعدد الرؤوس):
- يتم إدراج وحدة انتباه ذاتي متعدد الرؤوس (Multi-Head Self-Attention) مبتكرة قبل رأس الاكتشاف.
- تعمل هذه الوحدة على إعادة وزن الميزات ديناميكياً لتضخيم إشارات الأشجار البارزة مع كبح ضجيج الخلفية.
- تتضمن ترميزات موضعية ثنائية الأبعاد قابلة للتعلم (تضمينات الصف والعمود) بدلاً من الترميزات الجيبية الثابتة، مما يوفر مرونة أكبر للأبعاد المكانية المتغيرة لهرم الميزات.
رأس اكتشاف خالٍ من المرساة (FCOS):
- يستبدل الكشف التقليدي القائم على المرساة برأس متعدد القوامات كامل (FCOS).
- يعامل الاكتشاف كمهمة تنبؤ لكل بكسل، حيث يتنبأ بـ:
  1. درجات التصنيف: احتمالية وجود مركز شجرة.
  2. إزاحات الانحدار: المسافات إلى حدود صندوق الإحاطة ( $l, t, r, b$ ).
  3. المركزية (Centerness): درجة تشير إلى مدى قرب البكسل من مركز الصندوق، وتستخدم لكبح التنبؤات منخفضة الجودة.
- دالة الخسارة: يتم تحسينها باستخدام مجموع مرجح من خسارة التركيز (Focal Loss) للتصنيف، و (Generalized IoU) للانحدار، و (Binary Cross-Entropy) للمركزية. تم إعطاء وزن أعلى لخسارة الانحدار ( $\lambda_{reg}=2.0$ ) لإعطاء الأولوية لتحديد المواقع الدقيق للتيجان الصغيرة والمجزأة.

3. المساهمات الرئيسية

أول تطبيق خالٍ من المرساة لتيجان الأشجار: يعد هذا أول عمل يختبر طرق اكتشاف الأشياء الخالية من المرساة خصيصاً لتحديد تيجان الأشجار، مما أظهر مرونة فائقة في التعامل مع المظلات الكثيفة وغير المنتظمة مقارنة بالطرق القائمة على المرساة.
التكامل مع البيانات العقارية الرسمية: تقدم الدراسة أول نظام يدمج المراقبة القائمة على التعلم العميق مع بيانات GeoMolg (البيانات العقارية الرسمية لوزارة الحكم المحلي الفلسطينية)، مما يسمح بالتحليل على مستوى القطعة والمجتمع.
التحسين للموارد المحدودة: تم تصميم النموذج ليعمل بكفاءة على الأجهزة المحدودة (مثل وحدة معالجة رسومات واحدة من فئة المستهلك)، مع الحفاظ على حساسية عالية، مما يجعل نشره ممكناً في المناطق النامية.
النشر العملي: تجاوز المؤلفون النمذجة النظرية لبناء تطبيق نظم معلومات جغرافية (GIS) قائم على الويب يقوم بتصور أعداد الأشجار عبر المشاهد، وقطع الأراضي الفردية، والمجتمعات بأكملها.

4. النتائج التجريبية

تم تدريب النموذج على معيار MillionTrees (باستخدام 10 مصادر عالية الجودة، بإجمالي حوالي 10,000 صورة وحوالي 700,000 تسمية توضيحية) وتم تقييمه على مجموعة تحقق مستبعدة.

مقاييس الأداء:
- الاستدعاء (Recall): 82% (يتفوق بشكل كبير على خط الأساس DeepForest بنسبة 53% و SAM3 بنسبة 20.6%).
- mAP@0.50: 63.03%.
- mAP@0.50:0.95: 35.47%.
- الدقة (Precision): 13.89% (تُعزى الدقة المنخفضة إلى الإيجابيات الكاذبة في التضاريس المعقدة، لكن الاستدعاء العالي يضمن تغطية شاملة).
كفاءة التدريب: وصل النموذج إلى التقارب المستقر خلال 18 حقبة (epoch) على بطاقة NVIDIA GeForce RTX 3060 (ذاكرة فيديو 12 جيجابايت).
التحقق من الواقع:
- على مستوى المشهد: اكتشف 6,184 شجرة في عرض واحد، مع التمييز الصحيح بين الأراضي الزراعية المزروعة والأشجار.
- على مستوى القطعة: نجح في اكتشاف 384 شجرة في قطعة أرض محددة معروف باحتوائها على حوالي 410 أشجار، رغم جودة الصورة المنخفضة ووجود سلاسل حجرية.
- على مستوى المجتمع: رسم خرائط لـ 6,641 شجرة عبر قرية زاغة، مما وفر مؤشرات عالية المستوى للتخطيط على مستوى المجتمع.

5. الأهمية والأثر

أداة سياسات استراتيجية: يوفر النظام بديلاً قابلاً للتوسع ومنخفض التكلفة للإحصاءات الزراعية التقليدية، مما يوفر رؤى قائمة على البيانات لصناع القرار في المناطق التي تكون فيها المراقبة الجوية مقيدة.
الأمن الغذائي والمرونة: من خلال تمكين المراقبة الدقيقة للأصول الزراعية (أشجار الزيتون، اللوز، والنخيل)، يدعم هذا البرنامج التخطيط الأفضل لاستخدام الأراضي ويساعد في التخفيف من آثار تجزئة الأراضي وتغير المناخ.
القابلية للتوسع: يسمح تكامل نظم المعلومات الجغرافية القائم على الويب لأصحاب المصلحة بالعمل بمقاييس مختلفة (من المزارعين الأفراد إلى المخططين الوطنيين)، مما يسهل الانتقال من جمع البيانات اليدوي إلى الجرد الآلي المدعوم بالذكاء الاصطناعي.
الإمكانات المستقبلية: يضع الإطار الأساس لمهام مستقبلية مثل تحديد الأنواع، وتقدير ارتفاع الأشجار، وإنشاء مجموعة بيانات مخصصة ومحققة بشرياً للمشهد الفلسطيني.