שיפור סיווג מחלקות שימוש/כיסוי קרקע עם חתימה ספקטרלית דומה באמצעות למידה בהעברה באזורים צחיחים

מדוע זה חשוב לנוף המשתנה שלנו

מעירוניות מתרחבת ועד שדות שמתכווצים — אופן השימוש בקרקע משתנה במהירות, בעיקר באזורים יבשים. רשויות ומתכננים מסתמכים על תמונות לוויין כדי לעקוב אחר שינויים אלה, אבל במדבר ובחצי מדבר ערים ואדמה חשופה עלולות להיראות דומות מאוד מהחלל. המחקר הזה מראה כיצד אינטיליגנציה מלאכותית מתקדמת, ובפרט טכניקה שנקראת למידה בהעברה, יכולה לחדד את התמונה של היכן אנשים גרים ובונים בדלתא של הנילוס במצרים — מידע התומך בבטחון מזון, בהגנה על הסביבה ובצמיחה עירונית בטוחה יותר.

האתגר של להבחין בין עיר למדבר

שימוש בקרקע מתאר כיצד אנשים מנצלים את הקרקע — כגון חקלאות, יישובים או אזורי תעשיה — בעוד שכיסוי קרקע מתאר מה נמצא פיזית על פני השטח, כמו גידולים, מים או אדמה חשופה. ברחבי העולם דפוסים אלה משתנים בגלל לחץ אוכלוסייה, צמיחה כלכלית ושינויים סביבתיים מונעים על ידי האדם. באזורים פוריים אך שבירים כמו דלתא הנילוס, ההתפשטות העירונית חודרת לשטחים חקלאיים. כדי לנהל זאת אנחנו זקוקים למפות מדויקות המבוססות על תמונות לוויין. עם זאת, בנופים צחיחים וחצי־צחיחים גם בטון וגם אדמה יבשה משקפים אור בדומה, מה שמקשה מאוד על שיטות מחשוב מסורתיות להבדיל ביניהם.

ממיפוי קלאסי ללמידה עמוקה

כלי מיפוי מסורתיים, כמו הממיין בהתבסס על סבירות מרבית (Maximum Likelihood) שמשמש זמן רב, משווים בעיקר את הבהירות של פיקסלים בצבעים (או ברצועות) שונות של תמונות לוויין. כלים אלה פועלים היטב במקום שבו צמחייה ירוקה או מים בולטים בבירור, אך נתקלים בקושי כאשר שני סוגי קרקע חולקים "חתימה ספקטרלית" כמעט זהה — כמו אזורים בנויים ואדמה חשופה באזורים יבשים. התקדמויות קודמות הוסיפו למידה חישובית ומדדים מיוחדים כדי להשתמש טוב יותר בנתוני הלוויין, אך אפילו שיטות אלה לעיתים טוות תוויות שגויות והגדירו ערים כקרקע חשופה או להפך, כשהשטח שטוח, יבש ודל בצמחייה.

לתת למכונה ללמוד מאזור אחד ולהסתגל לאחר

המחברים טיפלו בבעיה זו בדלתא הנילוס, מתוך התמקדות ברצועה הצפונית החופית המורכבת שבה שדות, יישובים, ביצות, גופי מים ואדמה חשופה ערוכים בעכביש. הם השתמשו בתמונות ברזולוציה בינונית חופשיות לשימוש (פיקסל של 30 מטר) מלוויין Landsat 8, שעובדו דרך Google Earth Engine. מאחר שמחלקות הקרקע באזור זה לא מאוזנות — יש הרבה יותר פיקסלים של סוגים מסוימים מאשר אחרים — הם בנו תחילה קבוצת "קדם־אימון" מאוזנת יותר מחלק אחר של הדלתא. ארבעה מודלים מודרניים לקטע תמונה (Resnet50-Unet, Resnet50-FPN, Resnet50-PSPNet ו־Unet++) אומנו תחילה על קבוצת האימון המאוזנת כדי ללמוד דפוסים כלליים של שדות, מים, ערים ואדמה חשופה. אותם מודלים אופיינו בהמשך על הנתונים הצפוניים הלא־מאוזנים — גישה הידועה כלמידה בהעברה.

מפות חדות יותר עם מודלים חכמים יותר

הצוות העריך כל מודל באמצעות מדדים הבוחנים עד כמה סוגי הקרקע החזויים תואמים למפות ייחוס שנבדקו על ידי מומחים, תוך התמקדות מיוחדת באיזון בין אזורים שנפספסו לאיתותים שגויים. כל מודלי הלמידה העמוקה ניצחו בבירור את שיטת סבירות מרבית המסורתית. המודל המצטיין הכולל היה Resnet50-FPN, שהשיג ציון F1 גבוה (0.877) ו־Intersection over Union של 0.792, דבר שמצביע על התאמה חזקה למפות הייחוס. חוזקו נעוץ בעיצוב "פירמידה" הבוחן את הסצנה בסקאלות מרובות, מה שמאפשר לו להבחין גם בתבניות רחבות וגם בפרטים דקים תוך שמירה על צורת האובייקטים. למרות המורכבות הנוספת, מודלי ה־AI הניבו תוצאות בשברירי שנייה לפרץ תמונה, הרבה יותר מהר מהשעות שנדרשות בשיטה המסורתית.

מה זה אומר לאנשים ולכוכב הלכת

ללא מומחים, המסר פשוט: AI חכם יותר יכול להפוך תמונות לוויין זמינות בחינם למפות אמינות בהרבה של אזורים שבהם הערים מתרחבות והשדות נסוגים, אפילו בנופים קשים ומאובקים שבהם הקרקע נראית מטעה דומה מהחלל. בהדגמה של שלמידה בהעברה ורשתות עמוקות רב־סקלתיות כמו Resnet50-FPN יכולות להבחין באופן אמין בין אזורים בנויים לאדמה חשופה בדלתא של הנילוס, עבודה זו מצביעה על דרכים טובות יותר לניטור התפשטות עירונית, לתכנון שימושי קרקע מושכל יותר ולהגנה משופרת על קרקעות חקלאיות חיוניות באזורים צחיחים ברחבי העולם.

ציטוט: 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

מילות מפתח: שימוש בקרקע וכיסוי קרקע, חישה מרחוק, למידה עמוקה, דלתא הנילוס, התרחבות עירונית