Sen2GF3Floods: مجموعة معيارية متعددة المصادر للفيضانات مع توصيف مزدوج الزمن وتعلم نشط

لماذا تعتبر خرائط الفيضانات الأكثر ذكاءً مهمة

تُعدّ الفيضانات من أكثر الكوارث الطبيعية تدميراً، ومع ذلك لا تزال فرق الطوارئ تكافح لتحديد مدى انتشار المياه بدقة عندما تفيض الأنهار أو تغمر الأمطار الغزيرة المدن. تعرض هذه المقالة Sen2GF3Floods، مجموعة جديدة واسعة النطاق من صور الأقمار الصناعية وخرائط فيضان جاهزة للحواسيب، مصممة لمساعدة الذكاء الاصطناعي على تتبُّع مياه الفيضانات بسرعة وموثوقية. من خلال مزج أنواع مختلفة من مشاهد الأقمار الصناعية الملتقطة قبل وبعد الكوارث، وباستخدام طريقة ذكية لتوسيم المناطق المغطاة بالمياه توفر في التكاليف، تهدف هذه العمل إلى جعل خرائط الفيضانات عالية الجودة في الزمن الحقيقي متاحة على نطاق أوسع.

رصد المياه من الفضاء بطرق جديدة

لطالما اعتمدت خرائط الفيضانات من الفضاء على نوعين رئيسيين من بيانات الأقمار الصناعية. تُظهر الصور البصرية، الشبيهة بالصور الفوتوغرافية المفصّلة للغاية، الأنهار والحقول وكتل المدن بوضوح—لكن السحب والأمطار الغزيرة قد تمنع الرؤية بالضبط عند حدوث الفيضانات. أما صور الرادار، التي تُنشأ عبر انعكاس إشارات ميكروويف عن الأرض، فبإمكانها رؤية ما وراء السحب وتعمل ليلاً ونهاراً، لكنها عادة ما تكون مُزعجة أكثر ويصعب على الأشخاص تفسيرها. يجمع الباحثون خلف Sen2GF3Floods بين نقاط قوة النوعين: صور بصرية واضحة التُقطت قبل الفيضان وصور رادار التُقطت أثناء الحدث. توفر الصور البصرية لقطة مفصّلة للمظهر الطبيعي للطبيعة، بينما تكشف صور الرادار أين تنتشر المياه بالفعل عند وقوع الكارثة.

بناء مكتبة غنية لأحداث الفيضانات

لكي تكون مفيدة لتقنيات الذكاء الاصطناعي الحديثة، يجب أن تكون مجموعة بيانات الفيضانات كبيرة ومتنوعة وموسومة بعناية—وهذا بالضبط ما تقدمه Sen2GF3Floods. تجمع المجموعة رقعاً من الأقمار الصناعية من تسعة أحداث فيضان كبرى عبر الصين، تشمل أنهاراً ومزارع ومدناً وجبالاً. لكل موقع، جمع الفريق أربع نطاقات لونية من أقمار Sentinel-2 البصرية الأوروبية ونطاقين راداريين من مهمة Gaofen-3 الصينية، كل ذلك بدقة 10 أمتار. قُطعت هذه الصور إلى أكثر من 21,000 بلاطة صغيرة يمكن لنماذج التعلم الآلي معالجتها. تأتي كل بلاطة مع خريطة بسيطة تُشير إلى أي البكسلات كانت مغمورة بالمياه وأيها لم تكن، حتى تتمكن الخوارزميات من تعلم الفروق الدقيقة بين المياه الدائمة والفيضانات المؤقتة والظلال والأرض الجافة.

إتاحة الحاسوب للمساعدة في تحديد ما يجب أن يوسمه الخبراء

أحد اختناقات السرعة في إنشاء مثل هذه المجموعات هو رسم محيطات الفيضانات بدقّة يدوياً. لتقليل هذا العبء، صمّم المؤلفون نهج توصيف ثلاثي المراحل بوقت مزدوج. أولاً، أنشأوا تلقائياً خريطة تقريبية للمياه الدائمة من الصورة البصرية قبل الفيضان وخريطة أخرى من صورة الرادار بعد الفيضان، ثم قارنوا بينهما لتقدير مكان ظهور مياه جديدة. بعد ذلك، قام الخبراء البشر بتحسين هذه الخرائط التقريبية باستخدام صور خلفية عالية الدقة، مصححين المناطق الصعبة مثل حقول الأرز والقنوات الضيقة. أخيراً، درّبوا شبكة تجزئة—وهي نموذج متقدّم للتعرّف على الأنماط—لتوقّع الفيضانات فوق البلاطات غير الموسومة وقياس مدى عدم اليقين في توقعاتها. أُعيدت فقط تلك البلاطات «الصعبة» التي عانى فيها النموذج إلى الخبراء لوضع الوسوم بعناية. سمح هذا التكرار من التدريب وقياس عدم اليقين والتصحيح المستهدف للفريق بتوسيع المجموعة مع الحفاظ على العمل اليدوي تحت السيطرة.

اختبار مدى تعلم الآلات من البيانات

بعد تجميع مجموعة البيانات، قيّم الباحثون عدة نماذج رائدة لتجزئة الصور، بما في ذلك U-Net وU-Net++ وDeepLabV3+ وDANet وSegFormer. أدت النماذج أداءً جيداً عبر اللوحة، مصنّفةً غالبية البكسلات بشكل صحيح والتقاطها لكل من سهول الفيضانات الواسعة وفروع الأنهار الدقيقة. قدّم U-Net++ أفضل توازن عام بين الدقة والشمولية. كما استكشفت التجارب أسئلة أعمق: كم عدد البلاطات الموسومة اللازمة فعلاً قبل أن تتوقف الدقة عن التحسّن بشكل ملحوظ؟ أي تركيبات من النطاقات البصرية والرادارية تعمل بشكل أفضل؟ وهل يمكن لنموذج مدرّب على رادار Gaofen-3 أن ينتقل إلى رادار آخر مثل Sentinel-1 دون إعادة تدريب من الصفر؟ تُظهر النتائج أن استخدام كل من النطاقات اللونية والقريبة من الأشعة تحت الحمراء البصرية مع قناتين راداريتين يعطي أقوى خرائط للفيضانات، وأن الأداء يستقر تقريباً عندما تتوفر حوالي ألف بلاطة موسومة، وأن النماذج المدربة على Gaofen-3 يمكن تطبيقها بالفعل على Sentinel-1 بنتائج واعدة.

ماذا يعني هذا لاستجابة الفيضانات في المستقبل

بعبارة بسيطة، يوفّر مشروع Sen2GF3Floods «صالة تدريب» عالية الجودة للذكاء الاصطناعي المخصّص لاكتشاف الفيضانات. من خلال دمج مشاهد واضحة للمنطقة قبل الفيضان مع لقطات رادارية أثناء الحدث، وباستخدام مخطط تعلم نشط يركّز جهد الخبراء حيث يكون له أكبر أثر، بنى المؤلفون مجموعة بيانات تتيح لأجهزة الحاسوب التعرف على الفيضانات بسرعة وبموثوقية عبر تضاريس متعددة. ينبغي أن يساعد هذا الأساس مديري الطوارئ والعلماء على إنتاج خرائط فيضان سريعة للمناطق الواسعة مع جهد يدوي أقل، حتى عندما تحجب الغيوم السماء أو عندما يجب أن تأتي البيانات من أقمار صناعية مختلفة. مع الوقت، قد يحوّل توسيع هذا النهج إلى المزيد من المدن والمناطق الزراعية تدفقات الأقمار الصناعية إلى أدوات عملية شبه فورية لحماية الأشخاص والبُنى التحتية من ارتفاع المياه.

الاستشهاد: Chen, W., Zhu, Y., Han, W. et al. Sen2GF3Floods: A Benchmark Multi-Source Flood Dataset with Dual-Temporal and Active Learning Annotation. Sci Data 13, 540 (2026). https://doi.org/10.1038/s41597-026-06929-6

الكلمات المفتاحية: رسم خرائط الفيضانات, الاستشعار عن بُعد, صور الأقمار الصناعية, التعلّم العميق, الاستجابة للكوارث