نماذج الذكاء الاصطناعي عالية الدقة تصنف الخرائط الطبوغرافية بشكل أسرع من الطرق التقليدية

تواجه إندونيسيا، وهي دولة تضم أكثر من 17000 جزيرة تمتد على مساحة 1.9 مليون كيلومتر مربع، تحدياً بالغ الأهمية في إنشاء خرائط تفصيلية لدعم أهدافها التنموية.

مع تغطية 3% فقط من البلاد بخرائط طبوغرافية واسعة النطاق (بمقياس 1:5000)، فإن الأساليب التقليدية مثل الرسم المجسم اليدوي والمسوحات الميدانية بطيئة للغاية بحيث لا تلبي الاحتياجات الملحة للتخطيط الحضري وإدارة الكوارث والحفاظ على البيئة.

دراسة رائدة نُشرت في الاستشعار عن بعد يقدم مشروع عام 2025 حلاً: إطار عمل للتعلم العميق يقوم بأتمتة تصنيف الغطاء الأرضي باستخدام صور الأقمار الصناعية عالية الدقة للغاية.

تحدي رسم خريطة إندونيسيا تضاريس

إن مساحة إندونيسيا وتعقيدها يجعلان رسم الخرائط مهمة ضخمة. وتنتج وكالة المعلومات الجغرافية المكانية (BIG)، المسؤولة عن رسم الخرائط الوطنية، حالياً 13000 كيلومتر مربع من الخرائط الطبوغرافية سنوياً.

وبهذا المعدل، سيستغرق رسم خريطة للبلاد بأكملها أكثر من قرن. وحتى لو استثنينا المناطق الحرجية - التي تغطي ما يقرب من نصف مساحة إندونيسيا - فإن إكمال رسم خريطة المناطق المتبقية سيستغرق 60 عامًا.

يتعارض هذا التقدم البطيء مع الأولويات الوطنية مثل سياسة الخريطة الواحدة, تم إطلاق هذه السياسة في عام 2016 لتوحيد الخرائط في مختلف القطاعات وتجنب النزاعات المتعلقة باستخدام الأراضي. ويُعدّ توسيع نطاق هذه السياسة لتشمل خرائط بمقياس 1:5000 أمراً ضرورياً، ولكنه متأخر كثيراً عن الجدول الزمني المحدد.

الخرائط الطبوغرافية هي تمثيلات مفصلة للمعالم الطبيعية والبشرية على سطح الأرض، بما في ذلك الارتفاع (التلال والوديان) والمسطحات المائية والطرق والمباني والنباتات.

تُعدّ هذه الخرائط أدوات أساسية لتخطيط البنية التحتية، والاستجابة للكوارث، والرصد البيئي. وبالنسبة لإندونيسيا، يُعدّ إنشاء هذه الخرائط بمقياس 1:5000 (حيث يُعادل 1 سم على الخريطة 50 متراً على الأرض) أمراً بالغ الأهمية لتحقيق الدقة في مشاريع مثل بناء الطرق أو نمذجة الفيضانات.

بيانات الغطاء الأرضي, يشير مصطلح "الخرائط الطبوغرافية"، وهو نوع فرعي من الخرائط الطبوغرافية، إلى المواد الفيزيائية الموجودة على سطح الأرض، مثل الغابات والمناطق الحضرية والمياه. على عكس استخدام الأراضي (الذي يصف كيفية استخدام البشر للأرض، على سبيل المثال، المناطق السكنية أو الصناعية)، يركز على السمات القابلة للملاحظة.

تساعد خرائط الغطاء الأرضي الدقيقة الحكومات على تتبع إزالة الغابات، ومراقبة التوسع العمراني، وتقييم الإنتاجية الزراعية. تقليديًا، يقوم المحللون بتصنيف هذه المعالم يدويًا بكسلًا بكسلًا باستخدام الصور الجوية أو صور الأقمار الصناعية، وهي عملية تستغرق وقتًا طويلًا وعرضة للخطأ البشري.

فعلى سبيل المثال، قد يستغرق تحديد الطرق أو المباني الصغيرة في المناطق الحضرية المكتظة أيامًا من العمل الدقيق. وتعالج دراسة عام 2025 هذه المعضلة من خلال استبدال الجهود اليدوية بالذكاء الاصطناعي، وتحديدًا التعلم العميق، لأتمتة تصنيف الغطاء الأرضي.

تحليل صور الأقمار الصناعية المدعوم بالذكاء الاصطناعي 

ركز البحث على مدينة ماتارام، وهي منطقة حضرية صغيرة ولكنها متنوعة في جزيرة لومبوك، كحالة دراسية. استخدم الفريق صور الأقمار الصناعية لسلسلة الثريا منذ عام 2015، والتي تضمنت بيانات بانكروماتية عالية الدقة (0.5 متر) وبيانات متعددة الأطياف (2 متر).

تلتقط الصور أحادية اللون تفاصيل مكانية دقيقة بتدرج الرمادي، بينما توفر الصور متعددة الأطياف معلومات عن اللون والأشعة تحت الحمراء عبر نطاقات أطوال موجية محددة (مثل الأحمر والأخضر والأزرق والأشعة تحت الحمراء القريبة).

ولدمج هذه المزايا، استخدم الباحثون تقنية تُسمى "الدمج البانورامي"، والتي تدمج بيانات التدرج الرمادي عالية الدقة مع صور ملونة منخفضة الدقة. وقد أنتجت هذه العملية صورًا واضحة ودقيقة بتفاصيل دقيقة تصل إلى 0.5 متر، وهي مثالية لاكتشاف المعالم الصغيرة مثل الطرق أو المباني الفردية.

تُعد عملية تحسين وضوح الصورة أمرًا حيويًا لأنها تحافظ على المعلومات الطيفية الغنية للبيانات متعددة الأطياف مع تعزيز الوضوح المكاني، مما يضمن توافق الألوان بدقة مع السمات الفيزيائية.

بعد ذلك، استخرج الفريق معلومات إضافية من الصور لتحسين دقة التصنيف. وقاموا بحساب مؤشر اختلاف الغطاء النباتي الطبيعي (NDVI)، وهو مقياس لصحة النبات مستمد من انعكاس الأشعة تحت الحمراء القريبة (NIR) والضوء الأحمر.

تعكس النباتات الصحية المزيد من الأشعة تحت الحمراء القريبة وتمتص المزيد من الضوء الأحمر بسبب نشاط الكلوروفيل. الصيغة $\text{مؤشر الاختلافات الطبيعية المعززة}=(\text{الأشعة تحت الحمراء القريبة}-\text{أحمر})/(\text{الأشعة تحت الحمراء القريبة}+\text{أحمر})$ ينتج قيمًا تتراوح بين -1 و 1، حيث تشير القيم الأعلى إلى نباتات أكثر كثافة وصحة.

يُعدّ مؤشر NDVI أداةً بالغة الأهمية لتمييز الغابات والأراضي الزراعية والمساحات الخضراء الحضرية. فعلى سبيل المثال، ساعد هذا المؤشر في هذه الدراسة على التمييز بين المزارع الكثيفة والتربة الجرداء.

تحليل النسيج كانت هذه خطوة رئيسية أخرى. باستخدام طريقة إحصائية تسمى مصفوفة التواجد المشترك لمستويات الرمادي (GLCM)، قام الباحثون بتحديد الأنماط في الصور، مثل خشونة الحقول الزراعية مقابل نعومة الطرق المعبدة.

تعمل مصفوفة التباين الرمادي (GLCM) من خلال تحليل عدد مرات ظهور أزواج البكسلات ذات القيم المحددة والعلاقات المكانية (مثل التجاور الأفقي) في الصورة. ومن هذه المصفوفة، تُستخرج مقاييس مثل تجانس (تجانس قيم البكسل)،, مقابلة (تغيرات الشدة المحلية)، و إنتروبيا يتم حساب (عشوائية توزيع البكسل).

ساعدت مقاييس النسيج هذه نموذج الذكاء الاصطناعي على التمييز بين أنواع الغطاء الأرضي المتشابهة في المظهر - على سبيل المثال، التمييز بين الطرق الإسفلتية وبقع التربة الداكنة.

لتبسيط البيانات، قام الفريق بتطبيق تحليل المكونات الرئيسية (PCA), وهي تقنية تحدد الأنماط الأكثر أهمية في مجموعة البيانات. يقلل تحليل المكونات الرئيسية (PCA) من التكرار عن طريق تحويل المتغيرات المترابطة (مثل نطاقات النسيج المتعددة) إلى مجموعة أصغر من المكونات غير المترابطة.

في هذه الدراسة، قام تحليل المكونات الرئيسية (PCA) بتكثيف خمسة نطاقات نسيجية إلى مكونين رئيسيين مع الاحتفاظ بـ 95% من المعلومات الأصلية. وقد أدى ذلك إلى تبسيط مدخلات نموذج التعلم العميق، مما حسّن كلاً من الدقة والكفاءة الحسابية.

التعلم العميق باستخدام شبكة U-Net لتغطية الأراضي تضاريس

كان جوهر الدراسة نموذج التعلم العميق القائم على بنية U-Net، وهو نوع من الشبكات العصبية الالتفافية (CNN) المستخدمة على نطاق واسع في مهام تجزئة الصور.

سميت شبكة U-Net بهذا الاسم نسبة إلى تصميمها على شكل حرف U، وهي تتكون من جزأين رئيسيين: مشفر يقوم بتحليل الصورة لاستخراج الميزات الهرمية (مثل الحواف والقوام) ومفكك يقوم بإعادة بناء الصورة باستخدام تسميات على مستوى البكسل.

يستخدم المُشفِّر طبقات التفافية وتجميعًا لتقليل حجم الصورة، ما يسمح بالتقاط الأنماط العامة، بينما يقوم المُفكِّك بزيادة حجم البيانات لاستعادة الدقة المكانية. تحافظ وصلات التخطي بين طبقات المُشفِّر والمُفكِّك على التفاصيل الدقيقة، مما يُمكِّن من اكتشاف الحدود بدقة - وهي ميزة بالغة الأهمية لرسم خرائط الطرق الضيقة أو المباني ذات الأشكال غير المنتظمة.

استخدم النموذج بنية أساسية من ResNet34، وهي شبكة مدربة مسبقًا تشتهر بعمقها وكفاءتها. تنتمي ResNet34 إلى عائلة الشبكات المتبقية، التي تُدخل "وصلات مختصرة" لتجاوز الطبقات، مما يُخفف من مشكلة تلاشي التدرج (حيث تُعاني الشبكات العميقة من صعوبة التعلم بسبب تناقص التحديثات أثناء التدريب).

من خلال الاستفادة من قدرة ResNet34 على التعرف على الأنماط المعقدة من ImageNet (قاعدة بيانات صور ضخمة)، تطلب النموذج بيانات تدريب أقل ووقتًا أقل للتكيف مع صور الأقمار الصناعية.

تطلب تدريب النموذج 1440 بلاطة صور، كل منها 512 × 512 بكسل، تغطي ست فئات من الغطاء الأرضي: المباني والطرق والأراضي الزراعية والأراضي الجرداء والمزارع والمسطحات المائية.

احتوت مجموعة البيانات على اختلالات جوهرية؛ إذ شكلت الطرق والمسطحات المائية 3.7% و4.2% فقط من العينات على التوالي، بينما شكلت المباني والأراضي الزراعية أكثر من 25% لكل منهما. ورغم هذا التحدي، تم تدريب النموذج على مدى 200 دورة تدريبية - وهو توازن بين الدقة والتكلفة الحسابية - بحجم دفعة يبلغ 2 بسبب قيود الذاكرة.

أن حقبة يشير ذلك إلى تمريرة كاملة واحدة لبيانات التدريب عبر النموذج، بينما حجم الدفعة يحدد هذا الخيار عدد العينات التي تتم معالجتها قبل تحديث معلمات النموذج. يؤدي استخدام أحجام دفعات أصغر إلى تقليل استهلاك الذاكرة، ولكنه قد يبطئ عملية التدريب.

تحسين الخرائط باستخدام المعالجة المورفولوجية

حتى أفضل نماذج الذكاء الاصطناعي تُنتج أخطاءً، مثل تصنيف وحدات البكسل المعزولة بشكل خاطئ أو إنشاء حواف خشنة حول المعالم. ولمعالجة هذه المشكلة، طبّق الباحثون المعالجة المورفولوجية، وهي تقنية تُنعّم العيوب باستخدام عمليات مثل التآكل والتمدد.

يؤدي التآكل إلى إزالة طبقات رقيقة من البكسلات من حدود الكائنات، مما يؤدي إلى إزالة البقع الصغيرة المصنفة بشكل خاطئ، بينما يضيف التمدد بكسلات لتوسيع حدود الكائنات، مما يملأ الفجوات في المعالم الخطية مثل الطرق.

تعتمد هذه العمليات على عنصر هيكلي (مصفوفة صغيرة) ينزلق فوق الصورة لتعديل قيم البكسل. وقد تم تحديد الحجم الأمثل للنواة لهذه العمليات (5×5 بكسل) من خلال تحليل التباين الجزئي، وهو أسلوب إحصائي جغرافي يُستخدم لتحديد الأنماط المكانية في الصور.

يقيس التباين الجزئي مقدار اختلاف قيم البكسل عند المسافات المختلفة، مما يساعد في تحديد المقياس الذي تكون فيه ميزات النسيج (مثل تجمعات المباني) أكثر تميزًا.

الذكاء الاصطناعي يعزز سرعة ودقة رسم الخرائط

حقق النموذج دقة أولية قدرها 84% (درجة كابا = 0.79)، والتي ارتفعت إلى 86% (kappa = 0.81) بعد المعالجة اللاحقة. درجة كابا (معامل كابا لكوهين) يقيس مدى الاتفاق بين التصنيفات المتوقعة والفعلية، مع مراعاة الصدفة العشوائية.

تشير النتيجة 0.81 إلى اتفاق "شبه مثالي"، متجاوزة النطاق 0.61-0.80 الذي يعتبر "جيدًا". تم تصنيف المسطحات المائية والمزارع بدقة شبه مثالية (97% و96% على التوالي)، بينما وصلت الطرق - التي واجهت تحديات بسبب شكلها الخطي الرفيع وظلالها - إلى 85%.

حققت المباني والأراضي الزراعية أداءً جيدًا أيضًا، حيث بلغت قيم مقياس F1 فيها 88% و83% على التوالي. ويُعدّ مقياس F1، وهو المتوسط التوافقي للدقة والاستدعاء، مقياسًا يوازن بين النتائج الإيجابية الخاطئة والنتائج السلبية الخاطئة، مما يجعله مثاليًا لتقييم مجموعات البيانات غير المتوازنة.

كانت مكاسب الكفاءة أكثر وضوحاً. يستغرق رسم الخرائط المجسمة التقليدي، الذي يتضمن وضع علامات يدوية على المعالم في الصور الجوية ثلاثية الأبعاد، تسعة أيام لكل ورقة خريطة (5.29 كم²) للمباني والنباتات.

قلّص النهج المدعوم بالذكاء الاصطناعي الوقت اللازم لرسم الخرائط إلى 43 دقيقة لكل ورقة، أي بتحسن قدره 250 ضعفًا. استغرق تدريب النموذج 17 ساعة في البداية، ولكن بمجرد تدريبه، أصبح قادرًا على تصنيف مساحات شاسعة بأقل قدر من التدخل البشري. من شأن توسيع نطاق هذا النظام أن يسمح لإندونيسيا برسم خرائط لـ 9000 كيلومتر مربع سنويًا، مما يقلل وقت الإنجاز المتوقع من أكثر من قرن إلى 15 عامًا فقط.

رسم الخرائط بالذكاء الاصطناعي يعزز الاستدامة العالمية

تتجاوز آثار ذلك حدود إندونيسيا بكثير. يدعم التصنيف الآلي للغطاء الأرضي الجهود العالمية مثل أهداف الأمم المتحدة للتنمية المستدامة. فعلى سبيل المثال، يصبح تتبع إزالة الغابات (الهدف 15) أو التوسع الحضري (الهدف 11) أسرع وأكثر دقة.

في المناطق المعرضة للكوارث، مثل المناطق المعرضة للفيضانات، يمكن للخرائط الحديثة تحديد المجتمعات الضعيفة وتخطيط مسارات الإخلاء.

يستفيد المزارعون أيضاً؛ إذ تُمكّن بيانات الغطاء الأرضي الدقيقة من الزراعة الدقيقة، وتحسين استخدام المياه وإنتاجية المحاصيل من خلال مراقبة صحة التربة وإجهاد الغطاء النباتي عبر مؤشر NDVI.

مع ذلك، لا تزال هناك تحديات. يُبرز أداء النموذج على فئات البيانات الأقل تمثيلاً، مثل الطرق، الحاجة إلى بيانات تدريب متوازنة. يمكن أن تتضمن الأعمال المستقبلية التعلم بالنقل، وهي تقنية يتم فيها ضبط نموذج مُدرَّب مسبقًا على مهمة معينة (مثل التعرف العام على الصور) بدقة لتطبيق محدد (مثل اكتشاف الطرق في صور الأقمار الصناعية).

يقلل هذا من الحاجة إلى مجموعات بيانات ضخمة مصنفة، والتي تُعدّ مكلفة الإنشاء. ويمكن لاختبار بنى متقدمة مثل U-Net3+، التي تُحسّن تجميع الميزات عبر المقاييس، أو النماذج القائمة على المحولات (التي تتفوق في التقاط التبعيات بعيدة المدى في الصور) أن يُحسّن الدقة بشكل أكبر.

ومع ذلك، فإن دمج بيانات الليدار (الكشف الضوئي وتحديد المدى) أو الرادار يمكن أن يعزز النتائج أيضًا، خاصة في المناطق الغائمة حيث تواجه الأقمار الصناعية البصرية صعوبة.

الخلاصة: حقبة جديدة لعلوم المعلومات الجغرافية المكانية

تمثل هذه الدراسة نقطة تحول في رسم الخرائط الطبوغرافية. فمن خلال أتمتة تصنيف الغطاء الأرضي، بات بإمكان الدول إنتاج خرائط دقيقة بسرعة وبتكلفة أقل من أي وقت مضى. وبالنسبة لإندونيسيا، لا تُعد هذه التقنية مجرد ميزة إضافية، بل ضرورة لإدارة التوسع الحضري السريع، وحماية غاباتها، والاستعداد للكوارث المرتبطة بتغير المناخ.

مع تقدم الذكاء الاصطناعي وتكنولوجيا الأقمار الصناعية، أصبحت رؤية رسم الخرائط عالية الدقة في الوقت الفعلي في متناول اليد، مما يمكّن الحكومات والمجتمعات من بناء مستقبل أكثر استدامة.

المرجعحكيم، واي إف؛ تساي، إف. استخلاص الغطاء الأرضي باستخدام التعلم العميق من صور الأقمار الصناعية عالية الدقة جداً للمساعدة في إنتاج الخرائط الطبوغرافية واسعة النطاق. الاستشعار عن بعد 2025، 17، 473. https://doi.org/10.3390/rs17030473