استنادًا إلى 2500 كيلومتر مربع من البيانات الواقعية، اقترح فريق جامعة بكين للمعلمين نموذج StarFusion لتحقيق تنبؤ بالصور ذات الدقة المكانية العالية
بفضل موجة العلم والتكنولوجيا، تشهد الزراعة التقليدية تحولاً ذكياً.باعتبارها "عيون وآذان" الزراعة الحديثة، تجمع الاستشعار عن بعد الزراعي بيانات الاستشعار عن بعد من منصات مثل الأقمار الصناعية والطائرات بدون طيار، وتستخدم على نطاق واسع لمراقبة ظروف نمو المحاصيل، واستخدام الأراضي وتغيرات الغطاء، وظروف الآفات والأمراض، وإدارة موارد المياه، وتطور البيئة الزراعية.يمكن أن يوفر الاستشعار عن بعد الزراعي لصناع القرار رؤى عميقة وفي الوقت الحقيقي، مما يضمن دقة المعلومات واستشراف القرارات.
ومع ذلك، فإن تطبيق بيانات الاستشعار عن بعد في الزراعة يتطلب عادة دقة مكانية عالية وملاحظات متكررة. ونتيجة لعوامل مثل فترة إعادة زيارة صور الأقمار الصناعية البصرية وتلوث السحب، فإن قدرة القمر الصناعي على مراقبة نمو المحاصيل تتأثر بشدة في كثير من الأحيان.
من أجل الحصول على صور مركبة ذات دقة مكانية وزمانية عالية، تم تطوير العديد من طرق الاندماج المكاني الزمني، ولكن الطرق الحالية تركز بشكل أساسي على دمج بيانات الأقمار الصناعية ذات الدقة المكانية المنخفضة والمتوسطة من حيث تطوير النموذج والتحقق منه. عندما يتعلق الأمر بدمج الصور ذات الدقة المكانية المتوسطة والعالية، فإن تطبيقها لا يزال يواجه تحديات مختلفة.
لحل هذه المشاكل،اقترح فريق تشين جين من مختبر الدولة الرئيسي لعمليات سطح الأرض وبيئة الموارد في جامعة بكين للمعلمين نموذجًا معماريًا للاندماج المنفصل المكاني الزمني ثنائي التيار يسمى StarFusion.يجمع هذا النموذج بين طريقة STF التقليدية والتعلم العميق، مما يمكنه التغلب على المشكلة التي تتطلبها معظم خوارزميات التعلم العميق الحالية من صور سلسلة زمنية HSR للتدريب وتحقيق التنبؤ الكامل بالصور عالية الدقة المكانية.
أبرز الأبحاث:
* يدمج برنامج StarFusion بيانات القمر الصناعي Gaofen-1 وSentinel-2 لتوليد صور عالية الدقة الزمنية والمكانية
* تحافظ StarFusion على دقة اندماج عالية وتفاصيل مكانية جيدة من خلال الجمع بين طريقة الدقة الفائقة القائمة على التعلم العميق مع نموذج الانحدار الجزئي لأقل المربعات واستخدام وظائف الخسارة المرجحة للحافة واللون
* أظهر نموذج StarFusion أداءً عامًا أفضل وقابلية نقل زمنية أفضل من طرق الاندماج الزماني المكاني التقليدية وطرق التعلم العميق القائمة على 3 مواقع تجريبية مختلفة
عنوان الورقة:
https://doi.org/10.34133/remotesensing.0159
عنوان تنزيل مجموعة البيانات:
https://go.hyper.ai/LGmkW
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
مجموعة البيانات: استنادًا إلى مقاطعتين في مقاطعة شاندونغ، والاستخدام المتكامل لبيانات الأقمار الصناعية Gaofen-1 وSentinel-2
صممت الدراسة تجارب تقييم شاملة باستخدام مجموعات البيانات من الأقمار الصناعية Gaofen-1 وSentinel-2، حيث يغطي كل منهما نفس المنطقة الجغرافية.
* مكان الدراسة
وأُجريت الدراسة في مقاطعتي فيشيان ويونتشنغ بمقاطعة شاندونغ، وتغطي مساحة تبلغ حوالي 2567 كيلومترًا مربعًا مع مجموعة متنوعة من أنواع الغطاء الأرضي. ولضمان تنوع المناظر الطبيعية، حددت الدراسة ثلاث مناطق فرعية كمواقع تجريبية. وتتكون هذه المناطق من مزيج من الأراضي الزراعية والمسطحات المائية والطرق والمباني، كما أظهرت التنوعات في المناظر الطبيعية داخل المنطقة اختلافات واضحة.
* معالجة البيانات مسبقًا
كما هو موضح في الجدول أدناه، تستخدم هذه الدراسة بشكل أساسي القمر الصناعي Gaofen-1 لإنتاج صور واضحة نسبيًا بدقة 2 متر، وتستخدم القمر الصناعي Sentinel-2 لإنتاج صور خشنة نسبيًا بدقة 10 أمتار. بعد ذلك قامت الدراسة بمحاذاة وتصحيح صور Sentinel-2 جغرافيًا لتتوافق مع بيانات Gaofen-1 بدقة مكانية تبلغ 2 متر.
من أجل تنسيق الخصائص الطيفية لـ Gaofen-1 و Sentinel-2، استخدمت هذه الدراسة نموذج انحدار خطي، مع أخذ كل نطاق من بيانات Sentinel كمتغير تابع والنطاق المقابل لبيانات Gaofen-1 كمتغير مستقل، وبناء نموذج انحدار أحادي المتغير، ثم تطبيق المنحدر والتقاطع للنموذج المبني على كل بكسل من صورة Gaofen-1 في كل نطاق. وتضمن عملية التجهيز هذه أن صورة Gaofen-1 المحولة تعكس بشكل وثيق الاستجابة الطيفية لـ Sentinel-2، وبالتالي تقليل عدم التطابق الطيفي بينهما بشكل فعال.
StarFusion: تكامل نموذجي لـ SRGAN وPLSR، مع إضافة وظيفة ترجيح ECW
كما هو موضح في الشكل أدناه، يقوم StarFusion بدمج بيانات Gaofen-1 المكتسبة في التاريخ الأساسي (T1) مع بيانات Sentinel-2 المكتسبة في التاريخ الأساسي (T1) وتاريخ التنبؤ (T2).استنادًا إلى البيانات التي تم جمعها، تقوم StarFusion بدمج نموذجي الاندماج SRGAN (Grad-SRGAN-STF) وPLSR في بنية اندماج منفصلة مكانية زمنية ثنائية التيار، مما يمكن أن يبرز مزايا النموذجين.
في جزء نموذج الانحدار الجزئي للمربعات الصغرى (PLSR)، أنشأت هذه الدراسة نموذج علاقة الانحدار متعدد المتغيرات بدرجات أعلى من الحرية بناءً على افتراض الثبات على المقياس، وبالتالي التنبؤ بالتغيرات الزمنية بشكل أكثر دقة. نظرًا للدقة المكانية المنخفضة لصور Sentinel-2 مقارنة بصور Gaofen-1، صممت هذه الدراسة أيضًا نموذج خريطة التدرج SRGAN (Grad-SRGAN) للتعامل مع مهمة خفض الحجم من الصور الخشنة إلى الصور الدقيقة.
علاوة على ذلك، اقترحت هذه الدراسة أيضًا نموذج SRGAN-STF مع خريطة التدرج (Grad-SRGAN-STF).كما هو موضح في الشكل أدناه، يعتمد Grad-SRGAN-STF على أداء النقل الزمني ويتكون بشكل أساسي من ثلاثة أجزاء:
1) المولد: يتكون من معاملين متوازيين لخشونة السطح SR (خشونة السطح)، أحدهما لجمع صورة الانعكاس الخشنة (Ref-SR) والآخر لجمع صورة التدرج الخشنة (Grad-SR).
2) المميز: تم تصميم اثنين من المميزين المستقلين DRef وDGrad لتحديد ما إذا كانت صورة الانعكاس وخريطة التدرج الناتجة حقيقية أم مزورة، على التوالي.
3) دالة الخسارة: تتكون من جزأين: فقدان المحتوى والخسارة المعادية. دالة الخسارة للمولد Ref-SR و Grad-SR هي المجموع المرجح لخسارة المحتوى والخسارة المعادية. ومن بينها، يمكن استخدام فقدان المحتوى لتقييم الفرق بين الصورة المتوقعة والصورة المرجعية، ويمكن للخسارة المعادية قياس احتمالية التعرف على الصورة المولدة بواسطة المميز كصورة حقيقية.
والأهم من ذلك،كما صممت الدراسة أيضًا دالة وزن جديدة تسمى وزن الحافة واللون (ECW). يجمع ECW بين قدرة استعادة التفاصيل المكانية القوية لطريقة SRGAN وتقدير التباين الزمني الدقيق لطريقة PLSR، ويمكنه تقديم تنبؤات أكثر دقة.
نتائج البحث: أداء StarFusion هو الأفضل، وGrad-SRGAN هو الأكثر مساهمة
التجربة الأولى: يتمتع StarFusion بأفضل دقة في التفاصيل المكانية مقارنة بالخوارزميات الأخرى
لتقييم فعالية StarFusion، قارنت هذه الدراسة StarFusion مع خوارزميات تمثيلية أخرى (STARFM وFSDAF وFit-FC وFIRST وSRGAN) استنادًا إلى صور Gaofen-1 وSentinel-2 الملتقطة في تاريخين مختلفين في 3 مناطق فرعية، مع التركيز على عوامل مثل دقة توليد الصور المتوقعة والتفاصيل المكانية.
وتظهر النتائج في الشكل أدناه.تظهر الصورة التي تنبأت بها طريقة StarFusion (الشكل G أدناه) تشابهًا كبيرًا مع الصورة المرجعية (الشكل A أدناه)، مما يدل على دقة التفاصيل المكانية المتفوقة.على النقيض من ذلك، فإن الصور التي تم إنشاؤها بواسطة STARFM، وFSDAF، وFit-FC، وFIRST، وSRGAN تظهر جميعها بعض البقع من المناطق الضبابية، كما أن حدود المجال ليست واضحة بما فيه الكفاية.
بالإضافة إلى ذلك، يوضح الرسم التخطيطي APA التالي أيضًا أنهتتمتع طريقة StarFusion بقدرة نقل مكانية قوية دون فقدان كبير للدقة أو التفاصيل المكانية.ومن الجدير بالذكر أن StarFusion يقع بصريًا على حافة النطاق "الجيد"، لكنه لا يقع ضمن هذا النطاق، مما يشير إلى أن أداءه لا يزال لديه مجال للتحسين في المستقبل.
التجربة الثانية: يتنبأ StarFusion بأفضل جودة للصورة على مدى فترة زمنية طويلة
نظرًا لأن المنطقة الفرعية 3 تحتوي على ميزات طبيعية معقدة، تخطط هذه الدراسة لاستخدام صور من تواريخ أساسية مختلفة (T1، T2، T3) للمنطقة وخرائط التدرج الخاصة بها للتنبؤ بصور عالية الدقة لـ T4. وفي الوقت نفسه، قامت الدراسة أيضًا بتدريب نموذجي GradSRGAN (Grad-SRGAN-Multi) وStarFusion (StarFusion-Multi) ومقارنة أدائهما.
توصلت الدراسة إلى أنه عندما يكون تاريخ التنبؤ قريبًا من تاريخ المعيار، تعمل جميع طرق الاندماج بشكل جيد، ولكن عندما تزيد الفترة الزمنية، تنخفض جودة الصورة الخاصة بـ STARFM وFSDAF وFit-FC وFIRST وSRGAN، ويحدث تشويش وتشويه اللون. تحافظ StarFusion على التفاصيل المكانية الجيدة ودقة الألوان عند إدخال أزواج الصور ذات تواريخ أساسية مختلفة، متفوقة على الطرق الخمس الأخرى.
أيضًا،يحقق StarFusion-Multi وGrad-SRGAN-Multi أداءً أفضل عند تدريبهما باستخدام أزواج متعددة من الصور مقارنة بتدريب زوج واحد، ويتفوق StarFusion-Multi باستمرار على Grad-SRGAN-Multi من حيث RMSE وهامش روبرتس.
التجربة الثالثة: Grad-SRGAN يساهم بشكل أكبر في StarFusion
أخيرًا، أجرت هذه الدراسة أيضًا دراسة استئصال في المنطقة الفرعية 1 لإثبات مساهمة كل جزء في طريقة StarFusion المقترحة، بما في ذلك Grad-SRGAN وPLSR وECW.وتظهر النتائج أن إدخال وظائف Grad-SRGAN وPLSR وECW يساعد جميعها على تحسين دقة الاندماج. من حيث مساهمتها، كان لتقديم Grad-SRGAN أكبر مساهمة، يليه دالة الترجيح ECW وPLSR.
الذكاء الاصطناعي يساعد الاستشعار عن بعد الزراعي على دخول عصر القيادة الذكية
مع التطور المستمر لتكنولوجيا الذكاء الاصطناعي، أصبحت الزراعة الرقمية تدريجيا اتجاها جديدا في التنمية الزراعية. إن صناعة الاستشعار عن بعد عبر الأقمار الصناعية الزراعية تمر بمرحلة حرجة من التحول التدريجي من النموذج التقليدي المعتمد على البيانات إلى النموذج القائم على الذكاء الاصطناعي باعتباره جوهرها. يتزايد عدد الشركات التي تنشر وتتنافس في هذا المجال.
على سبيل المثال،استخدمت شركات الذكاء الاصطناعي التي تمثلها شركة SenseTime نماذجها الأساسية واسعة النطاق التي طورتها بشكل مستقلتم إطلاق نموذج الاستشعار عن بعد الكبير "SenseTime Land" للذكاء الاصطناعي في مجال الاستشعار عن بعد، مما يحقق الأتمتة والذكاء وتطبيع قطع الأراضي الصالحة للزراعة، وتحديد المحاصيل وتحديد العناصر غير الحبوب. أيضًا،استخدمت شركات التكنولوجيا العملاقة مثل هواوي نظام Ascend AI لمساعدة جامعة ووهان في بناء LuoJiaNet، وهو إطار عمل خاص للتفسير الذكي لصور الاستشعار عن بعد، وLuoJiaSET، وهي مكتبة عينات الاستشعار عن بعد.تسريع التفسير التلقائي لصور الاستشعار عن بعد وتمكين التطبيق الواسع النطاق لتكنولوجيا الاستشعار عن بعد الذكية في الصناعات مثل الزراعة والموارد الطبيعية.
وفي المجال الأكاديمي، بالاعتماد على المختبر الوطني الرئيسي لعلوم الاستشعار عن بعد الذي تم إنشاؤه بشكل مشترك من قبل معهد تطبيقات الاستشعار عن بعد التابع للأكاديمية الصينية للعلوم وجامعة بكين للمعلمين،لقد برز في بلدي عدد كبير من النخب الصناعية، ومن بينهم مؤلف هذه المقالة، البروفيسور تشين جين، وهم يقدمون تدريجيا مساهمات مهمة في تطوير وتقدم تكنولوجيا الاستشعار عن بعد الزراعية.
وفي وقت مبكر من عام 1988، أنشأ المختبر نظام الإبلاغ السريع للاستشعار عن بعد الزراعي العالمي (Cropwatch). وبناءً على بيانات الاستشعار عن بعد ومراقبة الأرض، يستطيع النظام تقييم نمو المحاصيل والعائدات وغيرها من المعلومات ذات الصلة على المستويين الوطني والعالمي بشكل مستقل. وبمساعدة تقنية الذكاء الاصطناعي، أطلق المختبر عددًا من الإنجازات في الفترة الماضية، بما في ذلك طريقة استشعار عن بعد ثلاثية الأبعاد للغابات البصرية عالية الدقة تعتمد على خوارزمية AGAR، ونظام مراقبة الحرائق عبر الأقمار الصناعية والإنذار المبكر باستخدام خوارزمية الذكاء الاصطناعي للاستشعار عن بعد، وما إلى ذلك.
إن تطبيق الذكاء الاصطناعي في الاستشعار عن بعد الزراعي لا يحسن كفاءة ودقة الإنتاج الزراعي فحسب، بل يوفر أيضًا دعمًا فنيًا قويًا للتنمية المستدامة للزراعة. ومن المتوقع أن يصبح تطبيق الذكاء الاصطناعي في الاستشعار عن بعد الزراعي أكثر شمولاً، مما يوفر المزيد والمزيد من الحلول لمراقبة أمراض النبات والآفات، وتقييم ظروف نمو المحاصيل والعائدات، والإدارة الفعالة وتحسين الإنتاج الزراعي، وما إلى ذلك.
وأخيرًا، أوصي بنشاط المشاركة الأكاديمية!
تمت دعوة تشو زيي، باحث ما بعد الدكتوراه في معهد العلوم الطبيعية بجامعة شنغهاي جياو تونغ والمركز الوطني شنغهاي للرياضيات التطبيقية، إلى البث المباشر الثالث لـ Meet AI4S. انقر هنا لتحديد موعد لمشاهدة البث المباشر!
https://hdxu.cn/6Bjomhdxu.cn/6Bjom
