تحسين تصنيف فئات الاستخدام/غطاء الأرض المتشابهة طيفياً باستخدام التعلم النقلي في المناطق الجافة

لماذا يهم هذا بشأن مشاهدنا المتغيرة

من توسع المدن إلى تقلص الحقول، يتغير نمط استخدامنا للأرض بسرعة، لا سيما في المناطق الجافة. تعتمد الحكومات والمخططون على صور الأقمار الصناعية لمتابعة هذه التغيرات، لكن في الصحارى والشبه الصحارى قد تبدو المدن والتربة العارية متشابهة للغاية من الفضاء. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي المتقدم، وبشكل خاص تقنية تُسمى التعلم النقلي، أن يُحسّن قدرتنا على تمييز أماكن سكن وبناء البشر في دلتا النيل بمصر — وهي معلومات تُعد أساسية لأمن الغذاء وحماية البيئة ونمو حضري أكثر أماناً.

التحدي في التمييز بين المدينة والصحراء

يشير استخدام الأرض إلى كيفية استغلال الناس للأرض—مثل المزارع أو المدن أو المناطق الصناعية—بينما يصف غطاء الأرض ما يوجد فعلياً على السطح، مثل المحاصيل أو المياه أو التربة العارية. حول العالم تتغير هذه الأنماط بفعل الضغوط السكانية والنمو الاقتصادي والتغيرات البيئية الناجمة عن النشاط البشري. في مناطق خصبة لكنها هشة مثل دلتا النيل، يلتهم الامتداد العمراني الأراضي الزراعية. لإدارة ذلك نحتاج خرائط دقيقة مستندة إلى صور الأقمار الصناعية. ومع ذلك، في المشاهد الجافة وشبه الجافة تعكس كل من البنى الخرسانية والتربة العارية الضوء بطرق متشابهة، مما يصعّب على الأساليب الحاسوبية التقليدية التمييز بينهما.

من الخرائط التقليدية إلى التعلم العميق

تعتمد أدوات الخرائط التقليدية، مثل مصنف الاحتمال الأقصى المُستخدم منذ زمن طويل، أساساً على مقارنة سطوع البكسلات في ألوان (أو نطاقات) مختلفة من صور الأقمار الصناعية. تعمل هذه الأدوات بشكل جيد إلى حد ما حيث تبرز النباتات الخضراء أو المياه بوضوح، لكنها تواجه صعوبة عندما تشترك فئتان من الأراضي في «توقيع طيفي» شبه متطابق — كما يحدث مع المناطق المبنية والأرض العارية في المناطق الجافة. أدت التطورات السابقة إلى إضافة تعلّم الآلة ومؤشرات خاصة للاستفادة بشكل أفضل من بيانات الأقمار الصناعية، لكن حتى هذه الأساليب غالباً ما تسيء تسمية المدن كأراضٍ قاحلة أو العكس عندما يكون المشهد مستوٍ وجاف ونادر النبات.

تعليم الذكاء الاصطناعي التعلم من منطقة والتكيف مع أخرى

تعامل المؤلفون مع هذه المشكلة في دلتا النيل، مع التركيز على الشريط الشمالي الساحلي المعقد حيث تتشابك المزارع والمدن والأراضي الرطبة والمسطحات المائية والأراضي العارية بشكل وثيق. استخدموا صوراً متاحة مجاناً بدقة متوسطة (بكسلات بحجم 30 متر) من القمر الصناعي لاندسات 8، معالجَة عبر منصة Google Earth Engine. ونظراً لأن فئات الأرض في هذه المنطقة غير متوازنة — حيث توجد بكسلات من بعض الأنواع أكثر بكثير من غيرها — بنوا أولاً مجموعة بيانات «تدريب تمهيدي» أكثر توازناً من جزء آخر من الدلتا. درَّبوا أربعة نماذج حديثة لتقسيم الصور (Resnet50-Unet، Resnet50-FPN، Resnet50-PSPNet، وUnet++) أولاً على هذه المجموعة المتوازنة ليتعلموا أنماط الحقول والمياه والمدن والأراضي العارية بصفة عامة. ثم نُقِّحت نفس النماذج على بيانات الشمال غير المتوازنة، وهو نهج معروف باسم التعلم النقلي.

خرائط أكثر وضوحاً بنماذج أذكى

قيّم الفريق كل نموذج باستخدام مقاييس تنظر في مدى تطابق الفئات المتوقعة مع الخرائط المرجعية التي تحقق فيها خبراء، مع إيلاء اهتمام خاص للتوازن بين المناطق المفقودة والإنذارات الكاذبة. تفوقت جميع نماذج التعلم العميق بوضوح على طريقة الاحتمال الأقصى التقليدية. وكان أفضل أداء إجمالاً نموذج Resnet50-FPN، الذي حقق درجة F1 عالية (0.877) ومؤشر تقاطع الى اتحاد (0.792)، ما يشير إلى توافق قوي مع الخرائط المرجعية. تكمن قوته في استخدام تصميم «هرمي» يفحص المشهد على مقاييس متعددة، مما يمكّنه من التقاط الأنماط الواسعة والتفاصيل الدقيقة مع الحفاظ على أشكال الأجسام. وعلى الرغم من التعقيد الإضافي، أنتجت نماذج الذكاء الاصطناعي نتائج في أجزاء من الثانية لكل رقعة صورة، أسرع بكثير من الساعات التي تتطلبها الطريقة التقليدية.

ماذا يعني هذا للناس والكوكب

بالنسبة لغير المتخصصين، الرسالة بسيطة: يمكن للذكاء الاصطناعي الأذكى تحويل صور الأقمار الصناعية المتاحة مجاناً إلى خرائط أكثر موثوقية عن أماكن نمو المدن وتراجع الأراضي الزراعية، حتى في المشاهد القاسية والغبارية حيث يبدو السطح متشابهًا من الفضاء. من خلال إظهار أن التعلم النقلي والشبكات العميقة متعددة المقاييس مثل Resnet50-FPN يمكنها فصل المناطق المبنية عن التربة العارية بدقة في دلتا النيل، يشير هذا العمل إلى سبل أفضل لمراقبة التوسع العمراني، وتخطيط استخدام الأراضي بشكل مُستنير، وحماية الأراضي الزراعية الحيوية في المناطق الجافة حول العالم.

الاستشهاد: Farag, N.H., Abdelhafiz, D., Abdrabo, M.A. et al. Enhancing the classification of spectrally similar land use/land cover classes using transfer learning in arid regions. Sci Rep 16, 7729 (2026). https://doi.org/10.1038/s41598-026-38540-5

الكلمات المفتاحية: استخدام الأرض وغطاء الأرض, الاستشعار عن بُعد, التعلم العميق, دلتا النيل, التوسع الحضري