Space2Ground 2.0: A Multi-Source Dataset and Framework for Agricultural Monitoring through Fusion of Street-Level and Satellite Imagery
تقدم هذه الورقة Space2Ground 2.0، وهو إطار عمل وقاعدة بيانات متعددة المصادر تدمج صور الأقمار الصناعية مع الصور الملتقطة على مستوى الشارع والموسومة جغرافياً لتعزيز المراقبة الزراعية الدقيقة والقابلة للتوسع والمقاومة للسحب من خلال تحسين تصنيف المحاصيل على مستوى القطع الأرضية.
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 فهم لغز عملاق وغير مرئي لمزارع العالم. لعقود من الزمن، استخدم العلماء الأقمار الصناعية لالتقاط صور لهذه المزارع من الفضاء. الأمر يشبه النظر إلى غابة من مروحية: يمكنك رؤية الأشكال الكبيرة والألوان، لكن لا يمكنك معرفة ما إذا كانت شجرة معينة مريضة أو ما إذا كان المزارع يزرع البذور الصحيحة. بالإضافة إلى ذلك، غالبًا ما تحجب السحب الرؤية، مما يترك فجوات في الصورة. ومن ناحية أخرى، إذا مشيت عبر الحقول، يمكنك رؤية كل ورقة وعشبة ضارة، لكن المشي في كل مزرعة على الأرض سيستغرق وقتاً طويلاً وسيكلف ثروة. تقع هذه الورقة البحثية في المنتصف تماماً بين هذه الفجوة. فهي تطرح سؤالاً بسيطاً: ماذا لو استطعنا الجمع بين "رؤية عين الطائر" للأقمار الصناعية و"الرؤية من مستوى الأرض" للصور التي يلتقطها الناس أثناء قيادة السيارات؟ الهدف هو إنشاء خريطة فائقة القدرة تساعد الحكومات والمزارعين على معرفة ما ينمو أين بالضبط، دون الحاجة لإرسال إنسان إلى كل حقل.
قرر الباحثون وراء هذه الدراسة، بقيادة إياسون تساردانييدس وفريقه، اختبار هذه الفكرة في قبرص. لقد بنوا نظاماً يسمى Space2Ground 2.0. فكر في الأمر كوكالة تحريات آلية ضخمة تقوم بفرز جبل من الصور الفوضوية. بدأوا بأكثر من 900,000 صورة من مستوى الشارع التقطتها السيارات أثناء التجول في أنحاء قبرص خلال موسم النمو لعام 2022. تم رفع هذه الصور إلى منصة تسمى Mapillary، حيث يشارك الناس صور الشوارع. ولكن هنا تكمن المشكلة: معظم تلك الصور هي مجرد طرق أو سيارات أو مبانٍ، وليست مزارع.
لإصلاح ذلك، أنشأ الفريق مسار عمل ذكي لتنقية البيانات. أولاً، استخدموا الرؤية الحاسوبية لتصفية أي شيء ليس مزرعة، محتفظين فقط بالصور التي تظهر المحاصيل أو التربة. أدى هذا إلى تقليص المجموعة إلى حوالي 505,904 صورة. بعد ذلك، تصرفوا كنقاد فن صارمين، حيث استخدموا الذكاء الاصطناعي للتخلص من الصور الضبابية أو منخفضة الجودة، تاركين 472,648 صورة. ثم قاموا بالجزء الصعب: تحديد المزرعة التي تنتمي إليها كل صورة. بما أن السيارات كانت تسير على طرق بجانب الحقول، استخدم النظام اتجاه الكاميرا لـ "إسقاط" خط رؤية على الخريطة، وربط الصورة بقطعة الأرض الزراعية المحددة التي كانت تنظر إليها. وبعد عمليات فرز نهائية لإزالة التكرارات والأخطاء الغريبة، انتهى بهم المطاف بمجموعة منتقاة تضم 46,050 صورة عالية الجودة مرتبطة بـ 8,581 قطعة أرض زراعية مختلفة.
حدث السحر الحقيقي عندما اختبروا مجموعة البيانات الجديدة هذه. حاولوا تحديد المحاصيل التي تنمو في تلك الـ 8,581 قطعة أرض باستخدام ثلاث طرق مختلفة:
- الأقمار الصناعية فقط: باستخدام صور الفضاء فقط (Sentinel-1 و Sentinel-2).
- مستوى الشارع فقط: باستخدام صور السيارات فقط.
- المزيج: الجمع بين المصدرين.
كانت النتائج رائعة. كانت صور الأقمار الصناعية هي اللاعب الأفضل بمفرده، حيث حددت المحاصيل بشكل صحيح بنسبة 78.90% من المرات. أما صور مستوى الشارع وحدها فكانت أضعف قليلاً، حيث أصابت الهدف بنسبة 70.17% تقريباً. وهذا منطقي لأن السيارة قد تلتقط صورة أو اثنتين فقط للحقل، مما يفوت التغييرات التي تحدث على مدار موسم كامل. ومع ذلك، عندما جمع الفريق بين المصدرين، قفز الأداء بشكل ملحوظ. فقد عزز أفضل مزيج (وهي طريقة تسمى "الدمج المتأخر" أو late fusion) الدقة لتصل إلى 84.12%.
يشير هذا إلى أنه بينما تعد الأقمار الصناعية رائعة في رؤية الصورة الكبيرة وتتبع التغييرات بمرور الوقت، فإن صور مستوى الشارع تضيف طبقة حاسمة من التفاصيل — مثل رؤية ملمس الأوراق أو الطريقة المحددة لزراعة المحصول — وهي تفاصيل قد تفقدها الأقمار الصناعية أحياناً. وجد المؤلفون أن هذا المزيج يساعد الكمبيوتر على تقديم تخمينات أفضل، خاصة بالنسبة للمحاصيل الصعبة التي تبدو متشابهة من الفضاء.
كما تشير الورقة البحثية إلى بعض القيود. نظرًا لأن الصور التُقطت من الطرق، فقد فُقدت بعض المزارع البعيدة عن الشارع أو المختبئة خلف الأشجار. أيضاً، يعتمد النظام على السجلات الرسمية للمزارعين لمعرفة ما يجب أن يكون موجوداً هناك، وأحياناً لا تكون تلك السجلات مثالية. رغم هذه العقبات، تظهر الدراسة أن استخدام الصور التي يشاركها الجمهور من السيارات هو وسيلة قوية ومنخفضة التكلفة لتحسين كيفية مراقبتنا للزراعة. إنها خطوة نحو مستقبل يمكننا فيه مراقبة إمداداتنا الغذية عن كثب باستخدام مزيج من تكنولوجيا الفضاء والصور اليومية التي نلتقطها أثناء القيادة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.