تطبيق التعلم التبايني الذاتي المراقب الهرمي في مطابقة نقل المجال لصور الاستشعار عن بُعد متعددة النمط

رؤية الأرض بعيون مختلفة

الأقمار الصناعية للطقس، ومهمات الرادار، والكاميرات عالية الدقة في الفضاء تنظر جميعها إلى نفس الكوكب بطرق مختلفة تمامًا. هذه التنوعية تُعد ميزة لمهام مثل تتبّع الفيضانات، ورسم خرائط المدن، أو مراقبة الغابات—إذا استطعنا محاذاة الصور بشكل موثوق. الورقة المختصرة هنا تقدّم طريقة جديدة في الذكاء الاصطناعي تُعلّم الحواسيب مطابقة هذه الرؤى المختلفة للأرض بدقة أكبر وبجهد أقل من حيث وسم البيانات اليدوي، مما يفتح الباب أمام مراقبة بيئية أسرع وأكثر متانة.

لماذا تصعب مطابقة الصور المختلفة

صور الاستشعار عن بُعد تأتي من أنواع عديدة من الحساسات: كاميرات بصرية ترى كما ترى أعيننا، وأنظمة رادار تقيس خشونة السطح، وأجهزة متعددة الطيف تلتقط فروقًا لونية دقيقة. لأن كل حساس «يرى» بطريقة مختلفة، فقد يظهر نفس المبنى أو السفينة أو الحقل بشكل مختلف تمامًا من صورة إلى أخرى—محَبَّب في الرادار، حاد في البصري، أو مصبوغ بألوان غير اعتيادية في المشاهد متعددة الطيف. أساليب المطابقة التقليدية تعتمد إما على ميزات بصرية مصممة يدويًا أو على تعلم عميق خاضع للمراقبة الكاملة ويتطلب كميات هائلة من البيانات الموسومة بعناية. كلا النهجين يفشلان غالبًا عندما يكون فجوة المظهر بين الحساسات كبيرة، أو عندما تكون الأمثلة الموسومة نادرة، كما يحدث كثيرًا أثناء الكوارث أو في المناطق النائية.

طريقة طبقية لتعليم الحواسيب المقارنة

يقترح المؤلفون طريقة تُدعى التعلم التبايني الذاتي المراقب الهرمي (HSSCL)، التي تغيّر طريقة تعلم الشبكة العصبية لمقارنة الصور. بدلًا من الاكتفاء بملخّص واحد لكل صورة، تستخرج الشبكة معلومات على ثلاث مستويات: تفاصيل دقيقة مثل الحواف والملمس، وأنماط متوسطة المقياس مثل الطرق ومخططات المباني، وأنماط عريضة مثل تخطيطات المدن أو أنواع استخدام الأرض. في كل مستوى، يشجّع النظام أن تصبح الميزات من حساسات مختلفة والتي تصوّر نفس المنطقة أكثر تشابهًا، بينما يدفع الميزات من مناطق غير ذات صلة لتبتعد. يتم هذا التدريب «التبايني» من دون وسوم بشرية: يستخدم النموذج أزواج الصور المعروفة من حساسات مختلفة لنفس الموقع، بالإضافة إلى أمثلة مماثلة يتم العثور عليها تلقائيًا، لبناء فهم غني لما يعنيه «نفس المكان» عبر الأنماط المختلفة.

تنقية الضوضاء والحفاظ على الهندسة

بيانات الاستشعار عن بُعد في العالم الحقيقي فوضوية—صور الرادار تحتوي تشويش نقطي، والصور البصرية قد تكون مغبشة، وقد تكون جميعها غير مصطفة ببضعة بكسلات. يواجه HSSCL هذا بالتقسيم الأولي للصور إلى كتل صغيرة وتطبيق تنقية ضوضاء مُفصَّلة، مما يساعد الشبكة على التركيز على البنية المعنوية بدلًا من التذبذبات العشوائية. ثم يُدخل ميزات الكتل المختلفة إلى مكوّن مبني على الرسم البياني يعامل كل منطقة كعقدة ويربط المناطق القريبة والتي تبدو متشابهة. من خلال العمل على هذا الرسم البياني، تقوّي شبكة عصبية بيانية متخصصة الاتساق الهندسي للمطابقات، مما يجعل من المرجح أن تتطابق الطرق مع الطرق والمباني مع المباني، حتى في ظروف صعبة.

التكيّف عبر مجموعات البيانات والظروف

لضمان أن تعمل الطريقة خارج إطار معيار واحد، يضمّن المؤلفون مخطط تعلمهم في نموذج نقل مجال. هذا المكوّن يضيق بشكل صريح الفجوة بين الخصائص الإحصائية للميزات من حساسات ومجموعات بيانات مختلفة، بحيث يمكن تطبيق نموذج درّب على منطقة أو جهاز واحد على أخرى مع فقدان دقة ضئيل. اختُبِر النهج على أربع مجموعات بيانات عامة تشمل صورًا متعددة الطيف عالمية، أزواج رادار-بصري عالية الدقة، مشاهد استخدام أرض، وصور سفن؛ وتجاوزت الطريقة الجديدة عدة قواعد أساسية متقدمة. حسّنت الدقة والاستدعاء ومقياس F1 بحوالي 20 نقطة مئوية، وسرّعت المطابقة بأكثر من 20%، وعزّزت دقة كشف العيوب بطريقة شبيهة بالفيديو—وهو أمر مهم لرصد التغيرات مع الزمن—بأكثر من 40%. كما أظهرت الطريقة مقاومة أقوى للضوضاء وللانزياحات بين ظروف التدريب والنشر.

ماذا يعني هذا للمراقبة في العالم الحقيقي

من منظور القارئ العام، تُظهر الدراسة كيف يمكن تدريب الحواسيب للتعرّف على «هذا هو نفس المكان» عبر صور لا تشبه بعضها البعض للعين البشرية. من خلال التعلم على مستويات تفصيلية متعددة، وتنقية الضوضاء، والتكيّف صراحةً مع حساسات ومناطق جديدة، يجعل أسلوب HSSCL من الأسهل دمج تيارات بيانات الأقمار الصناعية المتعددة في صورة متماسكة. وهذا بدوره يمكن أن يساعد فرق الطوارئ على محاذاة صور الرادار والبصري بسرعة أكبر بعد عاصفة، ومساعدة المخططين على تتبّع كيف تتغير المدن أو الغابات عبر السنوات، ودعم تتبّع السفن المستمر في البحر. ومع أن المؤلفين يشيرون إلى أن الضوضاء الشديدة والتشوهات الكبيرة لا تزال تشكل تحديات، فإن عملهم يقدم مسارًا واعدًا وعمليًا نحو مطابقة أسرع وأكثر موثوقية للعديد من العيون التي لدينا في المدار.

الاستشهاد: Li, Y., Luo, Z., Zhu, G. et al. Application of hierarchical self-supervised contrastive learning in domain adaptation matching of multimodal remote sensing image. Sci Rep 16, 6445 (2026). https://doi.org/10.1038/s41598-026-37312-5

الكلمات المفتاحية: الاستشعار عن بُعد, الصور متعددة النمط, التعلم الذاتي المراقب, التعلم التبايني, نقل المجال