A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote
تقدم هذه الورقة طريقة قائمة على الشبكة العصبية التلافيفية لتحديد تشكيلات "ثيرموكارست" في وسط ياكوتيا باستخدام صور الأقمار الصناعية، محققة دقة تصنيف عالية (0.94–0.96) عبر أربعة أنواع من المناظر الطبيعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في المناظر الطبيعية المتجمدة الشاسعة في شمال روسيا، ليست الأرض صلبة كما تبدو. فخلف السطح تكمن التربة الصقيعية، وهي تربة ظلت متجمدة لآلاف السنين. ومع ذلك، مع ارتفاع درجة حرارة المناخ، بدأت هذه الأرض المتجمدة في الذوبان، مما أدى إلى عملية تُعرف باسم "ثيرموكارست" (thermokarst). فعندما يذوب الجليد داخل التربة، تنهار الأرض، مما يخلق تضاريس فوضوية من الحفر الغائرة، والمنخفضات، والأحواض المليئة بالمياه. وفي وسط ياكوتيا، وهي منطقة في شرق سيبيريا، غالبًا ما تتخذ هذه التكوينات مظهرًا هندسيًا مميزًا، يشبه رقعة من الأشكال المضلعة التي تمتد عبر التندرا. ويتسارع هذا التحول بشكل كبير، حيث تتشكل معالم جديدة في غضًا لا يتجاوز خمسة وعشرين إلى ثلاثين عامًا. وبينما حدثت هذه التغييرات بشكل طبيعي لآلاف السنين، فإن معدل الاحترار الحالي يدفع بها للأمام بسرعة غير مسبوقة، مما يهدد البنية التحتية ويغير النظم البيئية. وتعد مراقبة هذه التحولات أمرًا بالغ الأهمية، لكن الحجم الهائل للمناظر الطبيعية يجعل من الصعب على البشر تتبع كل تغيير بالعين المجردة وحدها.
ولمعالجة هذا التحدي، طور فريق من الباحثين من جامعة شمال شرق الفيدرالية وعدة معاهد علمية روسية طريقة جديدة لمراقبة تغير الأرض المتجمدة. لقد لجأوا إلى صور الأقمار الصناعية، مستخدمين نفس النوع من الخرائط عالية الدقة الموجودة في تطبيقات الملاحة اليومية، ولكن مع تطبيق شكل متطور من التعلم الحاسوبي لتحليلها. وبدلاً من أن ينظر إنسان إلى شاشة ويحاول رصد منخفض ما، قام الباحثون بتدريب برنامج حاسوبي على التعرف على الأنماط البصرية لتكوينات الثيرموكارست تلقائيًا. كان الهدف هو تعليم الآلة التمييز بين أربعة أنواع محددة من المناظر الطبيعية: المناطق التي تحتوي على هذه التكوينات الذائبة، والحقول المفتوحة، والغابات، والمسطحات المائية. ومن خلال القيام بذلك، كانوا يأملون في ابتكار أداة يمكنها مسح مساحات شاسعة من براري سيبيريا وتحديد العلامات المبكرة لانهيار الأرض قبل أن تصبح كارثية.
بدأ الباحثون ببناء مكتبة من الصور لتعليم حاسوبهم. فقد أنشأوا أداة عبر الإنترنت سمحت لهم باختيار وتصنيف آلاف الصور المربعة الصغيرة المأخوذة من خرائط الأقمار الصناعية بسرعة. جاءت هذه الصور من منطقتين محددتين في ياكوتيا تشتهران بوجود العديد من سمات الثيرموكارست. وقد جمعوا أكثر من عشرة آلاف صورة، وقسموها إلى أحجام مختلفة لمعرفة أي منها سيعمل بشكل أفضل مع الحاسوب. كانت بعض الصور صغيرة، بقياس 70 في 70 بكسل، بينما كانت أخرى أكبر بحجم 128 في 128 بكسل. ولضمان تعلم الحاسوب بشكل صحيح، تحققوا من العديد من بقع الثيرموكارست باستخدام الطائرات بدون طيار (الدرونز)، حيث حلقوا على ارتفاع منخفض فوق التضاريس للتأكد مما كانت تراه الأقمار الصناعية. أدى هذا التحضير الدقيق إلى إنشاء مجموعة أمثلة قوية، أو ما يسمى بمجموعة بيانات التدريب، والتي يمكن للحاسوب دراستها لتعلم الفرق بين الغابة، والحقل، والبحيرة، وبقعة الأرض الذائبة.
بمجرد تجهيز البيانات، بنى الفريق "دماغًا رقميًا"، يُعرف بالشبكة العصبية التلافيفية (convolutional neural network)، للقيام بعملية التعرف. هذا النوع من البرامج الحاسوبية مصمم لمعالجة الصور تمامًا كما يعمل العين والدماغ البشري معًا؛ فهو ينظر إلى الصورة ويقسمها إلى طبقات، باحثًا عن الأشكال والأنماذج البسيطة أولاً، ثم يجمع تلك الأجزاء البسيطة للتعرف على الأنماط المعقدة. اختبر الباحثون العديد من النسخ المختلفة لهذا الدماغ الرقمي، وغيروا عدد الطبقات والطريقة التي يعالج بها المعلومات. أرادوا العثور على البنية المحددة التي يمكنها تحديد تكوينات الثيرموكارست بأعلى دقة ممكنة. وأجروا تجارب عديدة، حيث قاموا بتغذية الحاسوب بآلاف الصور ومراقبة مدى جودة تعلمه لتصنيفها إلى الفئات الصحيحة.
أظهرت النتائج أن الحاسوب يمكنه بالفعل تعلم رصد هذه التكوينات بدقة ملحوما. فبعد اختبار العديد من التصاميم المختلفة، حدد الباحثون ثلاثة نماذج محددة حققت أفضل أداء. تمكنت هذه النماذج الأعلى أداءً من تحديد تكوينات الثيرموتارست بشكل صحيح في حوالي 94 إلى 96 بالمائة من الحالات التي اختُبرت فيها. وتعد هذه الدرجة من الدقة مهمة لأنها تعني أن النظام يمكنه التمييز بشكل موثوق بين العلامات الدقيقة للأرض الذائبة وبين معالم المناظر الطبيعية الأخرى. كان الحاسوب جيدًا بشكل خاص في التمييز بين الغابة والبحيرة، لكنه واجه صعوبة أحيانًا في التمييز بين تكوين الثيرموكارست والحقل المفتوح. وهذا الارتباك منطقي، حيث يمكن لكليهما أن يبدو كأرض مسطحة ومفتوحة من الأعلى، وأشار الباحثون إلى أن هذا يعكس الصعوبة الواقعية في التمييز بين هذه الميزات دون فحص وثيق.
تخلص الدراسة إلى أن هذه الطريقة توفر أداة جديدة قوية لمراقبة القطب الشمالي المتغير. فمن خلال استخدام صور الأقمار الصناعية والبرامج الحاسوبية المدربة، يمكن للعلماء الآن مسح مناطق واسعة من وسط ياكوتيا بشكل أسرع وأكثر اتساقًا من ذي قبل. إن البرنامج الذي طوره الفريق جاهز للاستخدام في المراقبة الآلية، بشرط تحديث بيانات التدريب والتحقق منها باستمرار. ورغم أن النظام ليس مثاليًا ولا يزال يرتكب أخطاءً عرضية، إلا أن قدرته على تحقيق مثل هذه الدقة العالية تشير إلى أن التعلم الآلي يمكن أن يلعب دورًا حيويًا في تتبع التدهور السريع للتربة الصقيعية. يتيح هذا النهج للباحثين إبقاء عينهم قريبة من الأرض المتجمدة، مما يوفر وسيلة لفهم والاستجابة للتغيرات المتسارعة في واحدة من أكثر البيئات حساسية على وجه الأرض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.