تقسيم الصور الجوية باستخدام التمهيد متعدد المستويات بناءً على خوارزمية تحسين نورس الصقر متعددة الاستراتيجيات

رؤية أوضح من السماء

الصور الجوية الملتقطة بالطائرات والطائرات من دون طيار والأقمار الصناعية تدعم بهدوء قراراتنا اليومية: أين يمكن بناء منازل جديدة، مدى سرعة انتشار حريق بري، أو أي الحقول تحتاج إلى ري. لكن لتحويل فوضى البكسلات إلى خرائط مفيدة، يجب أن "تفهم" الحواسيب أولاً ما يحتويه كل تصوير. يقدم هذا المقال طريقة جديدة لجعل تلك الفهم أسرع وأكثر دقة، عبر تعليم خوارزمية مستوحاة من أسلوب صيد النورس البحري (osprey) لتقسيم الصور الجوية إلى مناطق ذات دلالة.

لماذا يهم تقسيم الصور

قبل أن تُستخدم صورة جوية لتوجيه التخطيط العمراني أو الاستجابة للكوارث، يجب تقسيمها إلى أجزاء: ماء، مبانٍ، طرق، غابات، وهكذا. هذه الخطوة، المسماة التجزئة، تشبه رسم صفحات تلوين بعناية فوق المشهد بحيث يصبح كل نوع من المناطق منطقة منفصلة. إحدى الاستراتيجيات الشائعة هي "التمهيد"، الذي يقرر قيم قطع في السطوع أو اللون بحيث تنتمي البكسلات على جانب واحد من القَطع إلى مجموعة، والبقية إلى مجموعة أخرى. للمشاهد التفصيلية، تستخدم الحواسيب العديد من قيم القطع في وقت واحد — ما يُسمى التمهيد متعدد المستويات — لتشق الصورة إلى طبقات متعددة. القيام بذلك جيدًا أمر معقد، لأن الحاسوب يجب أن يبحث عبر عدد هائل من قيم القطع المحتملة لإيجاد تلك التي تفصل الميزات الواقعية بأفضل شكل.

صيادون مستوحون من الطبيعة داخل الحاسوب

لمعالجة ذلك البحث، يبني المؤلفون على طريقة تحسين جديدة نسبيًا مستلهمة من كيفية صيد نورس الصقر للأسماك. في خوارزمية تحسين النورس الأساسية، يمثل كل "نورس" حلًا تجريبيًا — مجموعة من قيم التمهيد — يحلق فوق منظر رياضي من الاحتمالات. أثناء الاستكشاف، تتجول هذه النوارس الرقمية على نطاق واسع، موجهة بواسطة "فرائس" واعدة (حلول أخرى جيدة). أثناء الاستغلال، تقوم بحركات أصغر وأكثر حذرًا بالقرب من أفضل المواقع التي وُجدت حتى الآن، محاولة تحسينها. يساعد هذا التوازن الطبيعي الخوارزمية على تجنب الوقوع في اختيار ضعيف للقيم، لكن النسخة الأصلية قد تستقر مبكرًا وتفوت خيارات أفضل.

إضافة حيل جديدة للصيد

يقترح المؤلفون نسخة معدلة، MOOA، تمنح النوارس الافتراضية استراتيجيات إضافية. إحداها آلية "المُجتذِبان المزدوجان": بدل أن تُجذب النورس نحو أفضل حل واحد فقط، تُوجَّه كل نورس بواسطة أفضل حل شخصي لها وبواسطة أفضل حل عالمي عثرت عليه المجموعة. هذا السحب المزدوج يساعد على موازنة الاستكشاف الجريء لمناطق جديدة مع التحسين الحذر للنقاط الجيدة المعروفة. إضافة ثانية هي بحث عشوائي ديناميكي، نوع من الضبط المحلي الدقيق الذي يسمح أحيانًا للنوارس بإجراء دفعات صغيرة وذكية حول أفضل قيم التمهيد الحالية. معًا، تساعد هذه الاستراتيجيات السرب على الاستكشاف على نطاق واسع في البداية ثم التركيز على مجموعات قيم القطع الأكثر وعدًا.

الاختبار على مشاهد جوية حقيقية

للاطلاع على ما إذا كانت هذه الحيل مجدية، طبق الباحثون MOOA على ست عشرة صورة جوية حقيقية من مجموعة بيانات عامة، تُظهر سواحل ومدنًا ومناطق زراعية وغابات بدقة ثابتة. لكل صورة، طلبوا من الخوارزمية العثور على قيم التمهيد وفق مبدأين شائعين — طريقة أوتسو، التي تُفضِّل التباين القوي بين المجموعات، وطريقة كابور، التي تعظم محتوى المعلومات في توزيع البكسلات. قارنوا MOOA بعدة محسنِّين مستوحين من الطبيعة وبالطريقة الأصلية للنورس عند أعداد مختلفة من المقاطع. باستخدام مقاييس جودة شائعة تقيس مدى حفظ التفاصيل ومدى تقارب الصورة المجزأة من الأصل، أنتج MOOA باستمرار تجزئات أوضح وأكثر وفاءً. كما حقق نتائج قوية مع الحفاظ على زمن حسابي منافس أو أفضل من البدائل.

ما الذي يعنيه هذا للاستخدامات اليومية

بعبارات بسيطة، الطريقة الجديدة المستندة إلى نورس الصقر أفضل في تقرير أين "نرسم الخطوط" داخل المشاهد الجوية المعقدة. عبر اختيار قيم القطع في السطوع واللون بشكل أكثر موثوقية، تنتج صورًا مجزأة تحافظ على البنى الهامة — سواحل، حقول، مبانٍ — من دون إضافة ضوضاء أو فقدان ميزات دقيقة. هذا يجعل المهام اللاحقة، مثل عد السفن، تتبع امتداد الفيضانات، أو رسم استخدام الأراضي، أكثر موثوقية. بينما يشير المؤلفون إلى أن التعرف على الأجسام الصغيرة وتسريع الكود لم يزلَا تحديين قائمين، تُظهر نتائجهم أن استراتيجيات البحث المستوحاة بعناية من الطبيعة يمكن أن تشكّل بديلًا قويًا وفعالًا للأنظمة الأثقل للتعلُّم العميق في كثير من أنواع تحليل الصور الجوية.

الاستشهاد: Abd Elaziz, M., Al-Betar, M.A., Ewees, A.A. et al. Aerial image segmentation using multilevel thresholding based on multi strategy Osprey optimization algorithm. Sci Rep 16, 9095 (2026). https://doi.org/10.1038/s41598-025-07217-w

الكلمات المفتاحية: تقسيم الصور الجوية, التمهيد متعدد المستويات, التحسين الاستدلالي, الاستشعار عن بعد, تحليل الصور