إطار تعلّم عميق لاكتشاف الحفر وتحديدها على القمر والمريخ

لماذا تهم الحفر استكشاف الفضاء

عندما ننظر إلى القمر أو المريخ عبر تلسكوب، تروي وجوههما المملوءة بالحفر قصة مليارات السنين من الاصطدامات الكونية. كل حفرة تسجل تصادماً شكّل سطح العالم وتاريخه. لكن هناك عددًا هائلاً من الحفر بحيث يستحيل على البشر فهرستها يدويًا. تستكشف هذه الورقة كيف يمكن للذكاء الاصطناعي الحديث أن يكتشف هذه الحفر ويصنفها تلقائيًا في صور الأقمار الصناعية، مما يساعد العلماء على فهم التاريخ الكوكبي وحتى التخطيط لهبوط أكثر أمانًا للبعثات المستقبلية.

قراءة ندوب الأسطح الكوكبية

الحفر الناجمة عن الاصطدامات ليست مجرد حفر دائرية في الأرض. يكشف حجمها وشكلها ودرجة تآكلها عن مدى تكرار اصطدام الصخور بالكوكب، وكيف تطورت قشرته، وأي المناطق قد تكون جيولوجيًا شابة أو قديمة. تقليديًا، كان العلماء يحددون الحفر عن طريق فحص الصور يدويًا، وهي مهمة بطيئة ومرهقة ومعرضة لاختلافات في آراء البشر. حاولت الأساليب الحاسوبية المبكرة المساعدة بالبحث عن الحواف أو الأنماط الدائرية، لكنها كانت تُعاني عندما يتغير الإضاءة أو التضاريس أو حجم الحفر. مع التعلّم العميق الحديث، يمكن لأجهزة الحاسوب أن تتعلم مباشرة من الأمثلة، متعرّفة على أنماط دقيقة يصعب التقاطها بقواعد مصممة يدويًا.

تعليم الحواسيب على اكتشاف الحفر

يقدّم المؤلفون نظامًا حاسوبيًا من خطوتين يبحث عن الحفر على القمر والمريخ. أولًا، يقوم نموذج سريع بمسح صور أقمار صناعية كبيرة ويقترح أماكن محتملة لوجود الحفر. ثانيًا، تقوم نماذج أكثر تخصصًا بالتكبير في تلك المناطق لتقرر ما إذا كانت الحفر صغيرة أو متوسطة أو كبيرة. لتدريب هذه الأنظمة، جمع الفريق صورًا عالية الدقة من مهام ناسا مع صور قمرية مقدمة من المجتمع، ثم صنّفوا مئات الحفر يدويًا بعناية. كما قسّموا الحفر إلى ثلاث مجموعات حسب قطرها وأنشأوا مجموعات بيانات بصيغ مختلفة حتى يتمكن كل نوع من النماذج من التعلم بفعالية.

كيف تقارن نماذج الذكاء الاصطناعي المختلفة

تركّز الدراسة على ثلاثة نماذج شائعة في التعلّم العميق، كل منها يلعب إلى نقاط قوة مختلفة. نظرَت شبكة عصبية تلافيفية تقليدية (CNN) إلى قصاصات صغيرة من الصور مركّزة على كل حفرة على حدة. قامت عائلة نماذج تعرف باسم YOLO بمسح الصور الكاملة ورسم مربعات حول الحفر في تمريرة واحدة، مما يجعلها جذابة للاستخدام في الوقت الحقيقي أو على نطاق واسع. استُخدم نموذج أعمق يسمى ResNet-50، المستعار من تمييز الصور العامة، لاختبار ما إذا كانت الطبقات الأكثر تعقيدًا قادرة على التقاط تفاصيل أدق. كما جرّب الباحثون طريقتين لإدخال الصور إلى YOLO: استخدام الصور الكاملة جدًا مباشرة، وتقطيعها إلى مربعات متداخلة حتى لا تُفَوّت الحفر الصغيرة.

ما الذي نجح أفضل على القمر والمريخ

تفوقت كل نموذج في أجزاء مختلفة من المشكلة. كانت شبكة CNN جيدة بشكل ملحوظ في التعرف على الحفر الصغيرة، خاصة عندما تكون شائعة في بيانات التدريب، لكنها واجهت صعوبة مع الحفر الأكبر والأندر، مما يُظهر أهمية توازن الفئات. قدّم YOLO أداءً أكثر توازنًا عبر الحفر الصغيرة والمتوسطة والكبيرة، متعاملًا بشكل معقول مع تحدي تعدد أحجام الحفر على كل من القمر والمريخ. أظهر ResNet-50 دقة عالية للحفر الكبيرة—فعندما كان يشير إلى حفرة، غالبًا ما يكون ذلك صحيحًا—لكنه ما زال يفوّت العديد من الأمثلة، خاصة في مجموعات الأحجام الممثلة تمثيلاً ضعيفًا. بشكل عام، ثبت أن مزيج كاشف سريع بالإضافة إلى مصنّفين موجهين أكثر فاعلية من أي نموذج منفرد.

لماذا يهم هذا للبعثات المستقبلية

بالنسبة لغير المتخصص، الرسالة الأساسية هي أن الذكاء الاصطناعي قادر الآن على مسح أرشيفات ضخمة من الصور الكوكبية وإنتاج خرائط لحجوم ومواقع الحفر بشكل موثوق—وهو أمر مستحيل تنفيذه يدويًا على نفس النطاق. يحوّل هذا الإطار الآلي الصور الخام للمناظر القمرية والمريخية إلى تقارير مُنظَّمة تلخّص عدد الحفر من كل حجم في منطقةٍ ما. تساعد مثل هذه الخرائط الباحثين على تجميع تاريخ الاصطدامات لهذه العوالم وتحديد المناطق الواعدة أو الخطرة للهبوط والمركبات الجوالة. رغم أن الدراسة الحالية استخدمت مناطق صغيرة نسبيًا ولا تزال تواجه مشكلة عدم توازن البيانات، فإنها تمهد الطريق لمسوح أكثر ذكاءً وشمولًا ستدعم الجيل التالي من الاستكشاف الآلي والبشري.

الاستشهاد: Ma, Y., Guo, J., Yu, Z. et al. Deep learning framework for crater detection and identification on the Moon and Mars. npj Space Explor. 2, 19 (2026). https://doi.org/10.1038/s44453-026-00036-x

الكلمات المفتاحية: حفر قمرية, سطح المريخ, التعلّم العميق, تكوّن الحفر بفعل الاصطدام, خرائط كوكبية