HSICNet – ארכיטקטורת למידה עמוקה חדשה למיון תמונות הייפרספקטרליות בחישה מרחוק ובניטור סביבתי

מדוע תמונות לוויין חכמות יותר חשובות

מעקב אחר בריאות גידולים ועד גילוי זיהום מהחלל — לוויינים מודרניים רואים הרבה יותר מאשר אדום, ירוק וכחול. מצלמות הייפרספקטרליות מפרקות את האור למאות רצועות צבע זעירות, וחושפות טביעות אצבע עדינות של צמחים, קרקע, מים ובטון. הבעיה היא שהנתונים האלה עצומים, רעשניים וקשים לסימון, מה שמקשה על שימוש בזמן אמת. מאמר זה מציג את HSICNet, מערכת למידה עמוקה חדשה שנועדה ליישר סדר במורכבות הזו כדי שתמונות הייפרספקטרליות יוכלו להזין באופן אמין יותר יישומים בחקלאות, בערים ובניטור סביבתי.

לראות מעבר לצבע הרגיל

מיון תמונות הייפרספקטרליות הוא המשימה של החלטה, עבור כל פיקסל בתמונה, איזה סוג חומר הוא מציג — לדוגמה תירס מול סויה, אספלט מול דשא, או צמחים בריאים מול חולים. מאחר שחיישנים הייפרספקטרליים מודדים מאות אורך גל, הם מספקים גם מידע ספקטרלי עשיר (איך חומר מחזיר אור על פני צבעים) וגם מידע מרחבי (איך פיקסלים שכנים קשורים זה לזה). שיטות למידת מכונה מסורתיות ורשתות נוירונים מוקדמות מתקשות עם סוג נתונים זה: יש יותר מדי רצועות, רבות מהן מיותרות, ומעט יחסית תוויות אמת קרקע. מודלים מודרניים מבוססי תשומת לב וטרנספורמר יכולים לשפר דיוק, אך הם נוטים להיות כבדים, איטיים ורגישים לאימון יתר כאשר התוויות נדירות.

רשת דו-מסללית לצבע והקשר

HSICNet מתמודדת עם אתגרים אלה באמצעות ארכיטקטורה בעלת שני מסלולים שנבנתה במיוחד לנתונים הייפרספקטרליים. תחילה קוביית התמונה הגולמית מנוקתה על ידי הסרת רצועות רעש ודחיסה באמצעות ניתוח רכיבים עיקריים (PCA), ששומר על כמעט כל השונות המועילה תוך הורדת הממד. הנתונים שעברו עיבוד מוקדם מוזנים אז לשני מסלולים מקבילים. מסלול אחד משתמש בקונבולוציות חד־ממדיות לאורך הציר הספקטרלי כדי ללמוד חתימות צבע מדויקות עבור כל פיקסל. המסלול השני משתמש בקונבולוציות דו־ממדיות על גבי חתיכות תמונה קטנות כדי ללכוד מרקמים, צורות ותבניות — כמו גבולות שדות או רשתות דרכים — שמספקות הקשר מרחבי. על ידי הפרדת התפקידים האלה, המודל מקטין חישוביות ובכל זאת לומד גם ממה עשוי כל פיקסל וגם כיצד הוא משתלב בסביבתו.

לאפשר לרשת להתמקד במה שחשוב

לאחר חילוץ התכונות הספקטרליות והמרחביות, HSICNet אינה פשוטה מצמדת אותן יחד. במקום זאת היא מיישמת מודול מיזוג מבוסס תשומת לב בהשראת עיצובים של “סקוויז־אנד־אקסייט”. ממוצעים גלובליים על פני הערוצים משמשים להערכת עד כמה כל ערוץ תכונה אינפורמטיבי, והרשת לומדת סט משקלים שמגבירים ערוצים שימושיים ומדכאים ערוצים מיותרים או רעשניים. זה מייצר ייצוג דחוס וממוזג המדגיש תבניות ספקטרליות–מרחביות באמת מזהות. לבסוף, מסווג מחובר מלא קטן ממיר את התכונות הממוזגות האלה לתוויות כיסוי קרקע עבור כל פיקסל, והתוצאות מוערכות במדדים סטנדרטיים שעוקבים אחר דיוק כולל, איזון בין מחלקות והסכמה מול נתוני אמת קרקע.

כמה טוב זה עובד בעולם האמיתי?

המחברים בחנו את HSICNet על שלוש מערכות נתונים תקניות בשימוש נרחב המדמות משימות חישה מרחוק אמיתיות: Indian Pines (תערובת גידולים וצמחייה), Pavia University (משטחים עירוניים וצמחייה) ו‑Salinas (שדות חקלאיים ברזולוציה גבוהה). בכל השלוש HSICNet הגיעה לכ‑99% דיוק כולל ולהסכמה כמעט מושלמת עם תוויות הייחוס, תוך שהיא עוקפת קווים מנחים חזקים כגון מכונות וקטור תומך, יערות אקראיים, רשתות קונבולוציה תלת־ממדיות, רשתות שאריות והיברידים משופרי תשומת לב או מבוססי טרנספורמר. חשוב מכך, היא השיגה זאת עם הרבה פחות פרמטרים, זמן אימון נמוך יותר וחיזוי מהיר יותר לכל תמונה, מה שהופך אותה לאטרקטיבית לשימוש במכשירים בעלי כוח מחשוב מוגבל או לעיבוד כמעט בזמן אמת של נתוני לוויין ומזל”ט.

מדוע הגישה הזו מבטיחה

לא למומחה, HSICNet נראית כצינור יעיל ומדוד שלומד לקרוא את "טביעות האצבע" ההייפרספקטרליות של פני השטח של כדור הארץ מבלי להיעצר בפרטים מיותרים. על ידי צמצום הנתונים בחכמה, פיצול צבע והקשר למסלולים נפרדים ואז שילובם מחדש עם מיקוד נלמד למה שחשוב ביותר, המודל משיג גם דיוק גבוה וגם מהירות. שילוב זה מרמז שמערכות חישה מרחוק עתידיות יוכלו לסווג גידולים, למפות חומרים עירוניים או לנטר שינוי סביבתי ישירות מזרמי הייפרספקטרליים נכנסים, ולהביא מידע מדויק ומתוזמן יותר לחקלאים, מתכננים ומדענים סביבתיים.

ציטוט: Purnachand, K., Samrin, R., Guttikonda, J.B. et al. HSICNet a novel deep learning architecture for hyperspectral image classification in remote sensing and environmental monitoring. Sci Rep 16, 11166 (2026). https://doi.org/10.1038/s41598-026-40509-3

מילות מפתח: דימות הייפרספקטרלי, חישה מרחוק, למידה עמוקה, מיפוי כיסוי קרקע, ניטור סביבתי