🤖 machine learning

Beyond Binary Rooftop Mapping: A Four-Class Deep Learning Framework for Green Roof Potential Assessment from Open Swiss Geospatial Data

تقدم هذه الدراسة إطار عمل للتعلم العميق مفتوح المصدر بالكامل، يتكون من أربع فئات، ويستفيد من البيانات الجيومكانية السويسرية المتاحة علنًا لرسم خرائط متزامنة للأسطح الخضراء القائمة، والألواح الشمسية، والأسطح ذات إمكانات التشجير في مدينة برن، مما يوفر للمخططين الحضريين أدلة شاملة لاستراتيجيات التكيف مع المناخ.

المؤلفون الأصليون: Htet Yamin Ko Ko

نُشر 2026-07-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Htet Yamin Ko Ko

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 المدينة كأنها إسفنجة خرسانية عملاقة تمتص حرارة الشمس طوال اليوم، محولةً أحياءنا إلى أفران بحلول فترة الظهيرة. هذا التأثير المعروف بـ "الجزيرة الحرارية الحضرية" يجعل المدن غير مريحة، ويضغط على شبكات الطاقة لدينا، ويضر بصحتنا. ولتبريد الأجواء، يتطلع مخططو المدن إلى الأعلى حرفياً؛ فهم يريدون تحويل الأسطح المسطحة إلى حدائق. ولكن قبل أن يتمكنوا من زراعة بذرة واحدة، يحتاجون إلى خريطة. إنهم بحاجة لمعرفة: أي الأسطح خضراء بالفعل؟ وأيها مغطى بالألواح الشمسية؟ وأيها مسطح بما يكفي لاستيعاب حديقة؟ وأيها شديد الانحدار أو ذو أشكال غريبة بحيث لا يصلح أبداً ليكون حديقة؟ هذه هي معضلة "رسم خرائط الأسطح". لفترة طويلة، امتلك العلماء أدوات للعثق عن الحدائق الموجودة أو الألواح الشمسية الموجودة، لكنها كانت تشبه المحققين الذين لا يستطيعون حل سوى نصف القضية؛ إذ لم يكن بمقدورهم سرد القصة الكاملة لسقف مبنى ما في جولة واحدة، كما اعتمدت العديد من أدواتهم على خرائط سرية وباهظة الثمن لا تستطيع المدن العادية تحمل تكلفتها.

هنا يأتي دور دراسة جديدة من برن، سويسرا، تعمل كأنها محقق ذكي ومفتوح المص المصدر لخرائط الأسطح. فقد أخذ الباحثون أداة ذكاء اصطناعي موجودة تسمى "Roofpedia" وقاموا بتطويرها بشكل جذري. فبدلاً من مجرد سؤال "هل هذا السقف أخضر أم لا؟"، علموا الذكاء الاصطناعي كيفية تصنيف الأسطح إلى أربع فئات متميزة: الأسطح الخضراء الموجودة (تلك التي تقوم بالتبريد بالفعل)، الأسطح الخضراء المحتملة (الأسطح المسطحة والفارغة الجاهزة لتكون حديقة)، الأسطح الشمسية (المغطاة بالألواح)، وغير المناسبة (شديدة الانحدار أو غريبة الشكل بالنسبة لحديقة). وللقيام بذلك، لم يستخدموا صور أقمار صناعية سرية وباهظة الثمن، بل استخدموا "مجموعة أدوات سحرية" من البيانات العامة والمجانية من الحكومة السويسرية، بما في ذلك الصور الجوية عالية الدقة والخرائط ثلاثية الأبعاد التي توضح شكل الأرض والمباني.

قام الفريق بتدريب ذكائه الاصطناعي على مجموعة بيانات تضم ما يقرب من 10,000 مبنى في برن. ووجدوا أن الذكاء الاصطناعي استطاع بنجاح تعلم كيفية رصد هذه الأنواع الأربعة المختلفة من الأسطح، محققاً مستوى عالٍ من الدقة في تدريبه. ومع ذلك، عندما اختبروه على مبانٍ جديدة لم يسبق له رؤيتها، أصاب الذكاء الاصطناعي حوالي 78% من البكسلات بشكل صحيح. قد يبدو هذا وكأنه تقدير "جيد" (درجة B)، لكن الباحثين يشيرون إلى أن هذا يعد قفزة هائلة للأمام لأن المهمة أصعب بكثير من المحاولات السابقة. فالأدوات القديمة كان عليها فقط الاختيار بين خيارين (أخضر أو غير أخضر)، وهو ما يشبه سؤال اختيار من متعدد بإجابتين، بينما يتعين على هذه الأداية الجديدة الاختيار من بين أربعة خيارات، وهو ما يشبه امتحاناً أكثر صعوبة بكثير.

كان أحد الاكتشافات الأكثر إثارة للاهتمام هو أن نوع الصورة المستخدمة كان أقل أهمية مما قد تعتقدون. فقد كان أداء الذكاء الاصطناعي متساوياً سواء باستخدام الصور القياسية عالية الدقة أو باستخدام الصور التي تتضمن نطاقاً خاصاً من "الأشعة تحت الحمراء القريبة" (الذي يساعد عادة في رصد النباتات). في الواقع، كانت الصور الخاصة ضبابية بعض الشيء، مما جعل من الصعب على الذكاء الاصطناعي رؤية الحواف الحادة للمباني. كما اختبرت الدراسة طريقتين مختلفتين لتحديد ما يطلق على مبنى كامل إذا كان سطحه يحتوي على مزيج من الميزات. أعطت إحدى الطريقتين الأولوية للألواح الشمسية، بينما اختارت الأخرى الميزة التي تغطي أكبر مساحة. ووجدوا أن هذا الاختيار وحده يمكن أن يغير العدد النهائي للأسطح الشمسية بنسبة تقارب الضعف!

تخلص الورقة البحثية إلى أنه على الرغم من أن الذكاء الاصطناعي ليس مثالياً — فهو يخلط أحياناً بين السقف العاري المغطى بالطحالب وبين الحديقة الحقيقية، أو يخطئ بين السقف المعدني المضلع والألواح الشمسية — إلا أنه أول نظام مفتوح المصدر قادر على رسم خرائط الفئات الأربع جميعها في آن واحد باستخدام البيانات المجانية فقط. ويشير الباحثون إلى أن هذه الأداة يمكن أن تساعد مدناً مثل برن في التخطيط لأماكن وضع الأسطح الخضراء الجديدة لتبريد المدينة. كما يلاحظون أن النسخ المستقبلية يمكن أن تصبح أفضل حتى باستخدام بيانات الأشجار ثلاثية الأبعاد لمنع الذكاء الاصطناതി من الارتباك بسبب الظلال. في النهاية، تثبت هذه الدراسة أننا لسنا بحاجة إلى بيانات سرية وباهظة الثمن للبدء في بناء مستقبل أكثر برودة واخضراراً؛ كل ما نحتاجه هو نهج ذكي، مفتوح، ومرح قليًلا للنظر إلى أسطحنا.

أبحاث مشابهة