A Radiometrically-Agnostic SegFormer Framework for Water Segmentation inC-Band SAR Imagery

تُعد المياه شريان الحياة لكوكبنا، ومع ذلك فإن الجزء العذب والمتاح منها يمثل جزءًا ضئيلًا من الإجمالي، مما يجعل إدارتها بعناية ضرورة عالمية. ولحماية النظم البيئية ودعم المجتمعات البشرية، يجب على العلماء معرفة موقع المياه بدقة وكيف يتغير هذا الموقع بمرور الوقت. لعقود من الزمن، كانت الأداة الأساسية لهذه المهمة هي الصور الفضائية البصرية، التي تلتقط صورًا للأرض تمامًا كما تفعل الكاميرا. ومع ذلك، فإن هذه الكاميرات لديها نقطة عمياء كبيرة: فهي لا تستطيع الرؤية من خلال السحب، ولا تعمل في الليل. وبما أن الأنماط الجوية ودوران الأرض يحجبان الرؤية باستمرار، فإن الاعتماد فقط على المستشعرات البصرية يترك فجوات في فهمنا لموارد المياه. ولحل هذه المشكلة، لجأ الباحثون إلى نوع مختلف من مستشعرات الأقمار الصناعية يسمى رادار الفتحة الاصطناعية (SAR). وخلافًا للكاميرا التي تنتظر ضوء الشمس، تقوم أقمار SAR بإرسال موجات راديو نشطة وتستمع إلى الصدى الذي يرتد منها. وهذا يسمح لها برسم خرائط للسطح ليلًا أو نهارًا، وفي أي طقس، مما يوفر رؤية مستمرة لأنهار العالم وبحيراته ومناطق الفيضانات.

يكمن التحدي في تقنية الرادار هذه في أن البيانات الخام التي تنتجها معقدة وتختلف اعتمادًا على القمر الصناعي المستخدم تحديدًا. فالأقمار الصناعية المختلفة ترسل إشارات بطرق مختلفة قليًا، ويمكن أن تغير طريقة معالجة البيانات سطوع الصورة، مما يجعل من الصعب على الحواسيب التعرف على نهر في صورة ما إذا كانت قد تدربت فقط على صورة أخرى. ولتجسير هذه الفجوة، طور فريق من الباحثين في المركز الوطني للاستشعار عن بعد طريقة جديدة لتحديد المياه تلقائيًا في صور الرادار هذه. لقد أنشأوا نظامًا حاسوبيًا لا يرتبك بسبب الإعدادات المحددة للقمر الصناعي أو نوع الإشارة التي يستقبلها. وبدلاً من الاعتماد على قواعد جامدة، يتعلم النظام فهم شكل وسياق المناظر الطبيعية، مما يسم يسمح له برصد المياه بدقة سواء كانت الصورة قادمة من قمر صناعي أوروبي أو هندي، وبغض النظر عن كيفية معايرة البيانات.

بنى الباحثون نظامهم باستخدام نوع حديث من الذكاء الاصطناعي يُعرف باسم "محول الرؤية" (Vision Transformer). وبينما كانت أنظمة الرؤية الحاسوبية القديمة تنظر إلى الصور في قطع صغيرة ومعزولة، فإن هذا النهج الجديد يسم يسمح للحاسوب بالنظر إلى المشهد بأكمله، وفهم كيف يتصل نهر ضيق ببحيرة أكبر أو كيف يتناسب مستنقع داخل وادٍ. ولإنجاح ذلك، دمج الفريق صور الرادار مع البيانات الطبوغرافية، التي توفر خريطة رقمية لارتفاع الأرض ومنحدرها. ومن خلال تغذية الحاسوب بكل من صورة الرادار وشكل التضاريس، منحوه سياقًا أغنى بكثير للعمل به. وكان جزء رئيسي من نجاحهم هو تقنية حيث قاموا بتطبيع البيانات لكل مشهد على حدة. وهذا يعني أن الحاسوب يعدل سطوع وتباين كل صورة يراها لتناسب نطاقًا قياسيًا، مما يعلم النموذج فعليًا تجاهل الخصائص الفريدة للمستشعر والتركيز فقط على المعالم الفعلية للأرض. هذه الاستراتيجية تجعل النظام "محايدًا راديومتريًا"، مما يعني أنه يعمل بنفس الكفاءة على أنواع مختلفة من بيانات الرادار دون الحاجة إلى إعادة تدريبه لكل قمر صناعي جديد.

لاختبار فكرتهم، درب الفريق نظامهم على مجموعة ضخمة من الصور العالمية من القمر الصناعي (Sentinel-1)، ثم اختبروه ببيانات من القمر الصناعي الهندي (EOS-04)، وهو أداة مختلفة تمامًا ذات خصائص مختلفة. وقارنوا بين نسختين من نظامهم: نسخة أصغر وأخف وزنًا، وأخرى أكبر وأكثر تعقيدًا. وكانت النتائج مفاجئة؛ إذ لم يؤدِّ النموذج الأكبر، الذي يمتلك قدرة حوسبية أعلى، بشكل أفضل من النموذج الأصغر. في الواقع، حققت النسخة الخفيفة درجة دقة أعلى، حيث حددت المياه بدقة في 95.8 بالمائة من حالات الاختبار، بينما وصلت النسخة الأكبر إلى 95.2 بالمائة. والأهم من ذلك، كان النموذج الأصغر أسرع بنسبة تقارب 48 بالمائة في معالجة كل صورة. تشير هذه النتيجة إلى أنه بالنسبة لمهمة محددة مثل العثور على المياه، فإن النظام الأكثر كفاءة وانسيابية هو الأفضل من النظام الضخم والثقيل. لم يساعد التعقيد الإضافي للنموذج الأكبر في تحسين رؤيته؛ بل تسبب فقط في إبطائه.

أثبت النظام متانة ملحوظة عند مواجهة سيناريوهات واقعية صعبة. فقد نجح في تحديد الأنهار الصغيرة والمتعرجة وشبكات المياه المعقدة التي غالبًا ما تربك الطرق التقليدية. حتى أنه تمكن من تمييز المياه المغطاة بطبقة رقيقة من الجليد. وبينما يغير الجليد طريقة ارتداد موجات الرادار، مما يجعل السطح يبدو مختلفًا عن المياه المفتوحة، استخدم النظام المناظر الطبيعية المحيطة وشكل المسطح المائي لتحديدها كـ مياه بشكل صحيح. هذه القدرة على النظر لما وراء الإشارة المباشرة وفهم السياق الأوسع تمثل قفزة نوعية للأمام. كما اختبر الباحثون ما إذا كان النظر إلى نفس المنطقة عدة مرات من زوايا مختلفة قليلاً سيحسن النتائج. ووجدوا أنه في حين أن نهج "المسارات المتعددة" هذا قدم تحسنًا طفيفًا في الدقة، إلا أن المكسب كان صغيرًا جدًا لدرجة أن طريقة "المسار الواحد" الأسرع تعد كافية للمراقبة واسعة النطاق.

في النهاية، يوضح هذا العمل أن الحل الأكثر قوة ليس دائمًا هو الأكثر تعقيدًا. فمن خلال تصميم نظام مرن بما يكفي للتعامل مع مستشعرات مختلفة وفعال بما يكفي لمعالجة البيانات بسرعة، أنشأ الباحثون أداة جاهزة للاستخدام في العالم الحقيقي. يوفر الإطار الذي طوروه طريقة موثوقة لرسم خرائط للمسطحات المائية في العالم باستمرار، بغض النظر عن الغطاء السحابي أو الوقت من اليوم. وهذه القدرة ضرورية لتحقيق الأهداف العالمية المتعلقة بالإدارة المستدامة للمياه، مما يوفر وسيلة عملية وعالية الدقة لمراقبة المورد الأكثر حيوية لكوكبنا. وتؤكد الدراسة أنه مع النهج الصحيح، يمكن للذكاء الاصطناعي التغلب على التناقضات التقنية لبيانات الأقمار الصناعية لتوفير رؤية واضحة وغير منقطعة للمياه التي تدعم الحياة على الأرض.