أطلقت شركة Google DeepMind برنامج AlphaEarth Foundations، وهو عبارة عن خريطة عالمية يتم إنشاؤها عند الطلب لأول مرة
مع تطور تكنولوجيا الأقمار الصناعية، أصبح البشر قادرين على رصد الأرض في وقت شبه آني. ومع ذلك، ورغم غنى بيانات الاستشعار عن بُعد الهائلة ومتعددة الوسائط والمُحدّثة باستمرار بالمعلومات، إلا أنها تُطرح تحديات جديدة - فمصادر البيانات متناثرة، وصيغها مختلفة، واستخدامها معقد. وقد أصبح دمج هذه المعلومات المتناثرة في منظور متسق وقابل للاستخدام للأرض تحديًا رئيسيًا يواجه العلماء وصانعي السياسات. ويستجيب أحدث إصدار من جوجل ديب مايند، AlphaEarth Foundations، رسميًا لهذا التحدي. ويمكن اعتبار هذا النموذج بمثابة "قمر صناعي افتراضي".دمج بيانات مراقبة الأرض على مستوى PB،تُولّد هذه التقنية المبتكرة تضمينًا رقميًا للأرض يُمكن معالجته بكفاءة بواسطة أنظمة الحوسبة. كما تُوفر منظورًا عالميًا غير مسبوق لقضايا رئيسية مثل الرصد الزراعي، وحماية البيئة، والتوسع العمراني، وإدارة موارد المياه.
* رابط الورقة:
البيانات شديدة الدمج تقلل من مساحة التخزين
الابتكار الأساسي لمؤسسات AlphaEarth هوإنه يحل مشكلتين أساسيتين في بيانات الاستشعار عن بعد: الأولى هي التحميل الزائد بالمعلومات، والثانية هي عدم اتساق البيانات.ولتحقيق هذه الغاية، يجمع النموذج المعلومات من عشرات المصادر العامة للبيانات، بما في ذلك صور الأقمار الصناعية البصرية، وبيانات الرادار، والمسح الضوئي ثلاثي الأبعاد، ومحاكاة المناخ، وما إلى ذلك، ويدمج ويحلل هذه البيانات متعددة المصادر لأداء نمذجة عالية الدقة للأراضي والمناطق الساحلية العالمية في وحدات 10 أمتار × 10 أمتار.
ويتمثل الابتكار الأساسي للنظام في قدرته على إنشاء ملخصات مضغوطة للغاية لكل مربع، وهو ما يتطلب 1/16 فقط من مساحة التخزين مقارنة بأنظمة الذكاء الاصطناعي الأخرى، مما يقلل بشكل كبير من تكلفة التحليل على مستوى الكوكب.
بمعنى آخر، حقق هذا النموذج "إنشاء خرائط عالمية حسب الطلب" لأول مرة. لا يحتاج الباحثون إلى انتظار مرور أقمار صناعية محددة فوق رؤوسهم أو مواجهة صعوبات تقليدية كالغطاء السحابي. يمكنهم الحصول فورًا على خرائط أرضية واضحة ومنظمة ومتماسكة من خلال متجهات التضمين في AlphaEarth Foundations.
الأداء يتفوق على الموديلات الأخرى في جميع الجوانب
يوضح الشكل أدناه مبدأ عمل AlphaEarth Foundations. يُفهرس النظام أي نقطة زمنية عن طريق استخراج إطارات ذات عينات غير منتظمة من تسلسل فيديو. يُساعد هذا النموذج على بناء رؤية مستمرة للموقع مع تفسير كمية كبيرة من بيانات القياس.
للتحقق من أداء AlphaEarth Foundations، أجرى فريق البحث اختبارات مقارنة دقيقة. أظهرت التجارب أن النموذج حقق أداءً جيدًا في فترات زمنية ومهام مختلفة، سواءً كانت تحديد استخدام الأراضي أو تقدير خصائص السطح. وعلى وجه الخصوص، أظهر AlphaEarth Foundations كفاءة تعلم ممتازة في غياب البيانات المصنفة.معدل الخطأ المتوسط أقل بـ 24% من النماذج الأخرى.
هذه الميزة تجعل النظام أداةً لا غنى عنها في البحث العلمي والخدمة العامة. على سبيل المثال، في الإكوادور، يستطيع النموذج اختراق الغطاء السحابي الدائم لتصوير مراحل نموّ الأراضي الزراعية المختلفة بدقة. في القارة القطبية الجنوبية، حتى في المناطق ذات التردد المنخفض جدًا لتصوير الأقمار الصناعية، يستطيع النموذج استعادة بنية السطح بشكل موثوق. في كندا، يستطيع تصوير الاختلافات في استخدام الأراضي الزراعية بتفاصيل تتجاوز حتى تلك المرئية بالعين المجردة.
يحتوي كل تضمين على 64 مكونًا، والتي تتوافق مع الإحداثيات على الكرة ذات الأبعاد الـ 64
واحدة من أكبر مجموعات بيانات تضمين AI Earth المتوفرة حاليًا
لتعزيز التبني على نطاق أوسع، أصدرت جوجل المجموعة السنوية لمتجهات التضمين التي تنتجها مؤسسات AlphaEarth على منصة Google Earth Engine، تحت اسم "مجموعة بيانات تضمين الأقمار الصناعية". تغطي هذه المجموعة أكثر من 1.4 تريليون نقطة تضمين حول العالم سنويًا، مما يجعلها واحدة من أكبر مجموعات بيانات تضمين AI Earth المتاحة.
على مدار العام الماضي، قامت أكثر من 50 منظمة، بما في ذلك جهات أكاديمية وحكومية ومنظمات غير ربحية، بتجربة مجموعة البيانات. ويُعد أطلس النظم البيئية العالمية مثالاً رائداً، إذ يهدف إلى إنشاء أول مصدر تصنيف منهجي للنظم البيئية في العالم. وباستخدام بيانات ألفا إيرث، نجح الأطلس في تصنيف مناطق بيئية لم تُصنف سابقًا إلى فئات مثل "الأراضي الشجرية الساحلية" و"الصحراء شديدة الجفاف"، مما يوفر أساسًا علميًا للدول لتحسين جهودها في الحفاظ على البيئة واستعادتها.
وقال نيك موراي، مدير مختبر علم البيئة العالمي بجامعة جيمس كوك: "إن هذه المجموعة من البيانات تعمل على إحداث ثورة في فهمنا للنظم البيئية غير المرسومة على الخرائط، وهي أمر بالغ الأهمية لإعطاء الأولوية للمناطق المحمية".
في البرازيل، تستخدم منظمة MapBiomas البيئية مجموعة البيانات هذه للتعمق في استخدام الأراضي الزراعية والتغير البيئي، لا سيما في المناطق البيئية الرئيسية مثل الأمازون. وصرح مؤسس المشروع، تاسو أزيفيدو، قائلاً: "بفضل هذه الأداة، حققنا نقلة نوعية في دقة وسرعة وتغطية الخرائط. أصبحنا الآن قادرين على إنجاز أمور كانت مستحيلة في السابق".
في المستقبل، قد لا يقتصر استخدام هذه التقنية على الخرائط الثابتة فحسب، بل قد تُستخدم أيضًا في توجيه تحذيرات الكوارث في الوقت الفعلي، ومحاكاة تغير المناخ، وإدارة الأمن الغذائي، وغيرها من القضايا العالمية. كما أعلنت جوجل أنها ستواصل تحسين النموذج وتوسيع نطاق بياناته وحدود تطبيقه.