تتعاون فرق Google في مجال الذكاء الاصطناعي على الأرض، مع التركيز على ثلاث نقاط بيانات أساسية وتعزيز قدرات التفكير الجغرافي المكاني من خلال 64%.

لطالما كان استكشاف الإنسان للقوانين الزمنية والمكانية للأرض المحرك الأساسي لتطوير العلوم البيئية والجغرافيا. فمن الاعتماد على الملخصات التجريبية للظواهر الطبيعية إلى التنبؤات الجوية المدعومة بتكنولوجيا الحاسوب، قفز الإدراك البشري لنظام الأرض من النوعي إلى الكمي. ومنذ القرن الحادي والعشرين، أصبحت تقنيات مثل الاستشعار عن بُعد عبر الأقمار الصناعية، وشبكات الاستشعار الأرضية، وقواعد البيانات الديموغرافية العالمية أكثر نضجًا، مما أدى إلى نمو هائل في البيانات الجغرافية المكانية. تغطي هذه البيانات معلومات متعددة الأبعاد مثل البيئة الجيوفيزيائية، والأنشطة البشرية، وديناميكيات الكوارث، وأصبحت أساسًا رئيسيًا للتقييمات الإقليمية، وتخصيص الموارد، وبحوث المناخ. في هذا السياق،لقد برز الذكاء الاصطناعي الجغرافي المكاني (GeoAI) كجسر مهم يربط بين "بيانات الأرض" و "الرؤى العلمية".

ومع ذلك، فإن الزيادة الكبيرة في البيانات تؤدي أيضًا إلى ظهور "حواجز تعقيد" شديدة.من جهة، تتزايد البيانات الجغرافية المكانية بالمليارات يوميًا، بأنواع متنوعة، ودقة بيانات متفاوتة، وفترات زمنية متفاوتة. علاوة على ذلك، يُلاحظ تناثر البيانات في بعض المناطق النائية. من جهة أخرى، غالبًا ما تقتصر النماذج المتخصصة التقليدية على مهام فردية، وتواجه صعوبة في دمج المعلومات من مصادر متعددة. وهذا يؤدي إلى انخفاض الكفاءة التحليلية وضعف التعميم، مما يجعلها غير قادرة على تلبية متطلبات السيناريوهات المعقدة، مثل الاستجابة للكوارث عبر المناطق، والتنبؤ بالصحة العامة متعدد العوامل. على الرغم من تحول الذكاء الاصطناعي الجغرافي إلى "نموذج أساسي معمم"، إلا أن الحلول الحالية لا تزال تفتقر إلى التعاون متعدد الوسائط وإمكانية الوصول الشامل.

وردا على التحديات المذكورة أعلاه،تعاونت Google Research مع Google X وGoogle Cloud وفرق أخرى لاقتراح نظام التفكير الذكي الجغرافي "Earth AI".يُنشئ النظام مجموعة من نماذج الذكاء الاصطناعي الجغرافي المتوافقة، مُطوّرًا نماذج أساسية متخصصة حول ثلاثة أنواع أساسية من البيانات: الصور، والسكان، والبيئة. تتكيف هذه النماذج بدقة مع الاحتياجات التحليلية عبر أبعاد متنوعة. ومن خلال أداة الاستدلال المُدعّمة بنظام جيميني، يُتيح النظام تعاونًا عميقًا متعدد النماذج واستدلالًا مشتركًا متعدد الخطوات. يُخفّض النظام بشكل كبير من صعوبة الوصول إلى البيانات من خلال تفاعل اللغة الطبيعية، مما يُمكّن حتى المستخدمين غير الخبراء من إجراء تحليلات آنية متعددة التخصصات، مما يُطوّر أبحاث نظام الأرض من مجرد "تجميع البيانات" إلى "رؤى عالمية عملية".

وتحمل نتائج البحث ذات الصلة عنوان "الذكاء الاصطناعي للأرض: إطلاق العنان للرؤى الجغرافية المكانية باستخدام النماذج الأساسية والتفكير عبر الوسائط"، وقد تم نشر النسخة الأولية على arXiv.

أبرز الأبحاث:

حقق نموذج الاستشعار عن بُعد الأساسي لهذا البحث نتائج متطورة في مهام مثل كشف كائنات المفردات المفتوحة واسترجاع البيانات عبر الأنماط من الصفر. علاوة على ذلك، تم التحقق من صحة نموذج ديناميكيات السكان بشكل مستقل لتحسين التطبيقات العملية في قطاعي التجزئة والصحة العامة بفعالية، كما تم تطويره لدعم تضمين السلاسل الزمنية بدقة شهرية.

* يدمج هذا البحث نماذج التصوير والنماذج الديموغرافية والبيئية لبناء إطار تنبؤ متعدد الوسائط أكثر فعالية. تُظهر الأدلة التجريبية أن هذا النهج المدمج يتفوق بشكل ملحوظ على نتائج أي تحليل لنموذج واحد في مهام التصنيف والتنبؤ المتعددة في العالم الحقيقي.

* يطبق هذا البحث التفكير الجغرافي المكاني المعقد القائم على الوكيل: يمكن للوكيل المنطقي الذي يحركه برنامج Gemini تفكيك الاستعلامات الجغرافية المعقدة تلقائيًا، وإرسال أدوات متعددة النماذج، وعرض سلاسل منطقية شفافة، وتوليد استنتاجات متماسكة في النهاية.

عنوان الورقة:
https://doi.org/10.48550/arXiv.2510.18318

قم بمتابعة الحساب الرسمي والرد "Earth AI" للحصول على ملف PDF كامل

نظام بيانات الذكاء الاصطناعي للأرض: بناء الأساس للتحليل الجغرافي المكاني متعدد الوسائط

يعتمد أساس تدريب Earth AI على ثلاثة أنواع من مجموعات البيانات الجغرافية المهنية لتحليل نظام الأرض، مما يدعم التفسير المتعمق للصور والسكان والبيئة.

وفيما يتعلق بمعالجة بيانات الصور، يدمج النظام مجموعات بيانات الاستشعار عن بعد متعددة واسعة النطاق.تحتوي قاعدة بيانات RS-Landmarks على 18 مليون صورة جوية وأقمار صناعية مزودة بأوصاف نصية عالية الجودة؛ وتستخدم قاعدة بيانات RS-WebLI مُصنِّفات لفحص أكثر من 3 ملايين صورة استشعار عن بُعد مفتوحة من الإنترنت، مع إمكانية التوسع إلى مئات المليارات؛ وتوفر قاعدة بيانات RS-Global 30 مليون صورة تغطي مساحات شاسعة من اليابسة حول العالم بدقة تتراوح بين 0.1 و10 أمتار، وتغطي الفترة من عام 2003 إلى عام 2022. تُشكل هذه المجموعات البياناتية مجتمعةً الأساسَ لتطوير نماذج خاصة بالاستشعار عن بُعد وتحسينها، مثل نماذج الرؤية واللغة، واكتشاف الكائنات باستخدام المفردات المفتوحة، والتعلم باستخدام لقطات قليلة، ونماذج البنية الأساسية المُدرَّبة مسبقًا.

من حيث تحليل ديناميكيات السكان،تدمج مجموعة البيانات بشكل عميق ثلاثة أنواع من المعلومات: البيئة المبنية والعناصر الطبيعية والسلوك البشري، وتستخدم تقنية الشبكة العصبية البيانية لتوليد تضمينات إقليمية موحدة. وقد حقق النظام توسعين رئيسيين بناءً على البيانات الأصلية لسنة واحدة للولايات المتحدة: في البعد المكاني، تم توسيع التغطية لتشمل 17 دولة بما في ذلك أستراليا والبرازيل والهند، وتمت مواءمة دلالات البحث من خلال الرسوم البيانية المعرفية لتحسين قدرات التعرف على الأنماط عبر اللغات والوطنية. وقد تم فتح التضمينات الثابتة ذات الصلة لبحوث النمذجة الوبائية؛ وفي البعد الزمني، تم إنشاء تسلسل تضمين ديناميكي شهري من يوليو 2023 حتى الوقت الحاضر. يغطي نظام الوسم التجريبي مجموعة واسعة من المؤشرات مثل الصحة والاقتصاد الاجتماعي والبيئة، ويدمج بيانات الزيارات الشهرية الوبائية على مستوى المقاطعة من منصة Yale PopHIVE. كما يجمع التقييم الإقليمي الأوروبي أيضًا بيانات NUTS المستوى 3 من المكتب الإحصائي الأوروبي.

تدمج البيانات البيئية ثلاثة أنواع من مصادر المعلومات: الطقس، والمناخ، والكوارث الطبيعية. وتوفر تنبؤات جوية على مدار الساعة، وتوقعات يومية لمدة عشرة أيام، استنادًا إلى عمليات رصد متعددة المصادر ونماذج التعلم الآلي، ورصد الفيضانات والتنبؤ بها في الوقت الفعلي، استنادًا إلى بيانات المحطات المقاسة، ونظامًا تجريبيًا للتنبؤ بالأعاصير يعتمد على شبكات عصبية عشوائية، يُولّد 50 مسارًا محتملًا، ويمكنه التنبؤ بشدتها، ودوائر الرياح، ونقاط الهبوط قبل 15 يومًا.

لا توفر مجموعات البيانات المنظمة والموحدة هذه الدعم للتحليل المستقل في مجالات مختلفة فحسب، بل تحقق أيضًا تعاونًا عميقًا بين الوسائط من خلال وكلاء التفكير الموجهين من Gemini.يُتيح هذا النظام إجراء تحليل شامل، بدءًا من تحليل استعلامات اللغة الطبيعية المعقدة وصولًا إلى دمج المعلومات متعددة المصادر. كما يُرسي أساسًا متينًا للبيانات يُتيح للمستخدمين غير المحترفين الوصول مباشرةً إلى إمكانيات التحليل الجغرافي المكاني المعقدة من خلال واجهات اللغة الطبيعية أو الخرائط.

الذكاء الاصطناعي للأرض: نحو إطار تعاوني متعدد الوسائط للتحليل الذكي لأنظمة الأرض

Earth AI عبارة عن مجموعة من نماذج الذكاء الاصطناعي الجغرافية المتوافقة مع الهدف الأساسي المتمثل في "الفهم التعاوني المتعدد الوسائط لنظام الأرض".من خلال تحقيق تنسيق المكونات من خلال وكلاء استدلال جغرافي مكاني مُخصصين، وبناء نظام مُعمم قائم على نماذج أساسية (FMs) ونماذج لغوية واسعة (LLM)، يتجاوز هذا النظام قيود النماذج أحادية الغرض، ويُمكنه توليد رؤى عملية لمجموعة واسعة من القضايا الكوكبية. يتمحور نظامه الأساسي حول "ثلاثة أنواع من النماذج الأساسية + آلية تعاون النماذج + تنسيق الوكلاء".

في مجال تحليل الصور، يُركز برنامج Earth AI على النماذج الأساسية للاستشعار عن بُعد. ويتمثل هدفه الأساسي في معالجة التحديين الرئيسيين الشائعين في بيانات الاستشعار عن بُعد: ندرة التعليقات التوضيحية واختلاف توزيع الصور، وتوفير الدعم الفني لفهم دلالات البيانات وتحليل أهداف سيناريوهات رصد الأرض بكفاءة.كما هو موضح في الشكل أدناه، يستخرج النموذج صورًا جويةً وأقمارًا صناعيةً احترافيةً من خرائط جوجل، ويدمجها مع بيانات وصفية جغرافية مكانية، مثل المواقع والمعالم، ثم يُدخلها في نموذج جيميني. يُولّد النموذج بعد ذلك تعليقات تركيبية تُطابق بدقة محتوى الصورة من خلال توجيهات مُخصصة. كما يدمج صور الاستشعار عن بُعد WebLI مع التعليقات التوضيحية النصية، بالإضافة إلى مجموعات بيانات تجزئة الاستشعار عن بُعد وكشف الأجسام المُسمّاة يدويًا. تُوفر هذه البيانات متعددة المصادر دعمًا عالي الجودة للعينات لتدريب ثلاثة نماذج أساسية مسبقًا: مُشفّر ViT المُدرّب مسبقًا، ونموذج الرؤية واللغة (VLM)، ونموذج كشف الأجسام بالمفردات المفتوحة (OVD).

من بينها، يُدرَّب نموذج اللغة البصرية بناءً على مجموعة بيانات مُخصَّصة، وتُبنى مساحة فهم دلالي مُوحَّدة من خلال تحسين ارتباط السمات بين الصور والنصوص. يعتمد نموذج كشف كائنات المفردات المفتوحة على بنية مُحسَّنة للمُحوِّل، حيث تُعالَج سمات الصور والنصوص بواسطة وحدتين مُستقلَّتين على التوالي. يستخرج مُرمِّز المُحوِّل البصري أولًا السمات الأساسية من الصور الضخمة من خلال التعلُّم الذاتي الإشراف، ثم يُحسِّن قابلية تكيُّف النموذج وأدائه في مهام مُحدَّدة من خلال تحسين مُشترك متعدد المهام. في رابط التطبيق الفعلي، استخدم الباحثون مُباشرةً نموذجي VLM وOVD لمهام التصنيف (التصنيف) والكشف (الكشف) والاسترجاع (الاسترجاع) الخاصة بهما، وضبطوا مُرمِّز ViT (الضبط الدقيق) للحصول على أفضل أداء SOTA في المهام المُحدَّدة اللاحقة.

من حيث تحليل السكان، يأخذ Earth AI النموذج الأساسي لديناميكيات السكان باعتباره جوهره، ويتبع مبادئ دمج المعلومات متعددة المصادر وحماية الخصوصية، ويدمج البيانات حول البيئة المبنية، والظروف الطبيعية، والسلوك البشري، ويولد تضمينات إقليمية موحدة من خلال الشبكات العصبية البيانية.

كما هو موضح في الشكل أدناه، من أجل اختراق قيود نموذج واحد،يستخدم Earth AI "تكامل المحاذاة المكانية + التمثيل" لتحقيق التعاون متعدد النماذج:تُربط مخرجات النماذج المختلفة بوحدة جغرافية موحدة، وتُدمج تمثيلاتها. على سبيل المثال، تُكمل معلومات الصور والتضاريس والمناخ من نموذج AlphaEarth الأساسي إشارات النشاط البشري من نموذج السكان، وذلك لبناء صورة إقليمية شاملة. يعمل النموذج على مرحلتين: تتضمن المرحلة الأولى تدريبًا دون اتصال بالإنترنت، وتشفير تضمينات إقليمية مُدمجة باستخدام بيانات جغرافية مكانية مثل الخرائط، واتجاهات البحث، والظروف البيئية؛ بينما تستخدم المرحلة الثانية تضمينات مُدربة مسبقًا للضبط الدقيق الديناميكي، ودعم المهام اللاحقة مثل الاستيفاء، والاستقراء، والدقة الفائقة، والتنبؤ الآني.

لحل المشكلات الجغرافية المكانية المعقدة متعددة الخطوات، طورت Earth AI أداة الاستدلال الجغرافي المكاني المُدارة بواسطة Gemini. تعتمد هذه الأداة على مجموعة أدوات تطوير وكلاء Google (ADK)، حيث تدمج قدرات الاستدلال العامة مع أربع وظائف احترافية: تحليل الصور، والبيانات الديموغرافية، ومحاكاة البيئة، والنمذجة المكانية الزمنية. كما توفر أدوات داعمة لمعالجة البيانات الجغرافية المكانية، وإنشاء الأكواد البرمجية، والوصول إلى بيانات Earth Engine.

كما هو موضح أدناه،ويتبع عملها المنطق الأساسي المتمثل في "تحليل الاستعلامات - تفكيك المهام - استدعاء الأدوات - تلخيص النتائج".من خلال عملية استجابة مُحسّنة تكراريًا وذات حلقة مغلقة (التفكير والتخطيط ← استدلال البيانات/النموذج/تدريب النموذج ← التأمل والاستعادة)، يُمكنها التعامل مع ثلاثة أنواع من الاستعلامات المُعقدة: استقصاء الحقائق المُعقد، والاستعلام التحليلي والعلائقي، والاستعلام التنبؤي. يُمكن للمستخدمين، الذين يتفاعلون عبر لغة طبيعية أو واجهة خريطة، الاستعلام عن حقائق بسيطة، بالإضافة إلى إنجاز مهام مُعقدة مثل تتبع توزيع المرافق الحيوية خلال الأحداث التاريخية، وتوقع المناطق عالية الخطورة والهشاشة الاجتماعية. وهذا يُدعم احتياجات صنع القرار، بدءًا من التحليل بأثر رجعي وصولًا إلى التخطيط الاستشرافي.

تم تحقيق أداء SOTA في العديد من المعايير العامة، محققًا تحسنًا بمقدار 64% على Gemini 2.5 Pro.

يُنظّم النظام التجريبي لـ Earth AI حول ثلاثة مستويات: أداء النموذج الفردي، والتعاون بين النماذج المتعددة، والاستدلال الوكيل. ويُقيّم بشكل منهجي نموذجين أساسيين، هما الصور والسكان، وأدائهما الشامل في التطبيقات المتكاملة والاستدلال الجغرافي المكاني.

خلال مرحلة التحقق من أداء النموذج الفردي، أظهر النموذج القائم على الصور أداءً متميزًا في مهام متعددة. حقق نموذج الرؤية واللغة، القائم على بنيات SigLIP2 وMaMMUT، أداءً متطورًا في مهام التصنيف واسترجاع النصوص من الصفر عبر معايير عامة متعددة، مع بعض المقاييس التي تُضاهي حتى نماذج المحادثة العامة ذات المعلمات الأكبر. حقق نموذج كشف المفردات المفتوح نقاط وصول (mAP) لاختبارات اللقطة الصفرية بلغت 31,831 نقطة وصول (TP3T) و29,391 نقطة وصول (TP3T) على مجموعتي بيانات DOTA وDIOR، على التوالي. بعد التعلم من بضع نقاط (TP3T) باستخدام 30 عينة فقط لكل فئة، تحسنت نقاط الوصول (mAP) بشكل أكبر لتتجاوز 531 نقطة وصول (TP3T)، متفوقةً بشكل كبير على الطرق الحالية. حقق نموذج العمود الفقري المدرب مسبقًا تحسنًا متوسطًا بلغ 14.931 TP3T عبر 13 مهمة لاحقة تغطي التصنيف والكشف والتجزئة مقارنةً بخط الأساس للتدريب المسبق لـ ImageNet، كما سجل أرقام أداء قياسية جديدة في مهام مثل تصنيف FMOW وتجزئة FLAIR.

يُظهر نموذج ديناميكيات السكان الأساسي أداءً قويًا في مهام الاستيفاء المكاني والتنبؤ الزمني. كما هو موضح في الشكل أدناه،يحافظ تضمينها العالمي على أداء R² مستقرًا في مهمة التنبؤ بالمتغيرات المفقودة في منطقة 20% ويتحقق من قابلية النقل الجيدة في اختبارات التعميم عبر البلاد.بناءً على عمليات التضمين الديناميكية الشهرية المُعدّة بدءًا من يوليو 2023، كان متوسط الخطأ المطلق في التنبؤات المُستقرأة لزيارات غرف الطوارئ لمرضى كوفيد-19 والإنفلونزا أقل بكثير من متوسط الخطأ المطلق في عمليات التضمين الثابتة، مع ميزة ملحوظة بشكل خاص خلال ذروة تفشي الأمراض في الخريف والشتاء. كما أكد التحقق من صحة النموذج من قِبل جهة خارجية قابلية تطبيقه وفعاليته في سيناريوهات واقعية.

في تجربة تعاونية متعددة النماذج، أدى دمج ديناميكيات السكان مع نموذج AlphaEarth الأساسي إلى تحسين دقة التنبؤ بشكل كبير.عند التنبؤ بدرجات مخاطر الكوارث التي حددتها الوكالة الفيدرالية لإدارة الطوارئ (FEMA) في مناطق التعداد السكاني الأمريكية، حقق نموذج الاندماج تحسنًا متوسطًا في R² بمقدار 111 TP3T مقارنةً بالنماذج الفردية. وعند التنبؤ بـ 21 مؤشرًا صحيًا لمراكز السيطرة على الأمراض والوقاية منها (CDC)، تفوق النموذج على نموذج السكان ونموذج AlphaEarth وحدهما بمقدار 71 TP3T و431 TP3T على التوالي. علاوة على ذلك، أظهر النظام قدرته على دمج توقعات الأعاصير مع نماذج السكان للتنبؤ بأضرار الممتلكات الناجمة عنها، والتعاون مع توقعات السلاسل الزمنية ونماذج الطقس للتحذير من خطر الكوليرا في جمهورية الكونغو الديمقراطية، محققًا انخفاضًا في RMSE بمقدار 341 TP3T مقارنةً بالنموذج الأساسي.

تم تقييم قدرات وكيل الاستدلال الجغرافي المكاني باستخدام مجموعات أسئلة وأجوبة موحدة واختبارات سيناريوهات الأزمات. في مجموعة التقييم المكونة من 100 سؤال، حقق الوكيل درجة إجمالية قدرها 0.82، وهو تحسن قدره 64% مقارنةً بـ Gemini 2.5 Pro و110% مقارنةً بـ Flash، على التوالي. كان أداء الوكيل قويًا بشكل خاص في مهام الاستدلال التحليلي. في الاختبارات التي شملت 10 سيناريوهات استجابة للأزمات، تفوق الوكيل باستمرار على النظام الأساسي في درجات مقياس ليكرت، بعد جولات متعددة من التحسين التكراري، مما يُظهر فعاليته وموثوقيته في التعامل مع مهام الاستدلال الجغرافي المكاني المعقدة ومتعددة الخطوات.

الاختراقات التكنولوجية وممارسات تطبيق الاستخبارات الجغرافية المكانية

مع التركيز على الاتجاه التكنولوجي الأساسي الذي تقوده Earth AI، تعمل المجتمعات الأكاديمية والصناعية العالمية معًا لتعزيز الذكاء الجغرافي المكاني من ابتكار الخوارزميات إلى التنفيذ المنهجي القائم على السيناريوهات، وبناء نظام بيئي تكنولوجي متعدد المستويات ومنسق للغاية تدريجيًا.

في طليعة الأبحاث، أصبح الفهم الموحد للوسائط المتعددة إنجازًا هامًا. ومن خلال إطار عمل EarthMind، الذي طُوّر بالتعاون بين جامعة ترينتو (إيطاليا)، والجامعة التقنية في ميونيخ (ألمانيا)، والجامعة التقنية في برلين (ألمانيا)، ومعهد INSAIT للأبحاث في بلغاريا، قامت فرق بحثية ببناء نظام فهم موحد متعدد التفاصيل وأجهزة الاستشعار لسيناريوهات الاستشعار عن بُعد.

عنوان الورقة:EarthMind: نحو مراقبة الأرض متعددة الحبيبات ومتعددة المستشعرات باستخدام نماذج متعددة الوسائط كبيرة الحجم

رابط الورقة:https://doi.org/10.48550/arXiv.2506.01667

بالإضافة إلى ذلك، أطلقت شركة "وورلد لابز"، التي أسسها البروفيسور فاي فاي لي من جامعة ستانفورد، مؤخرًا نسخة تجريبية محدودة من نموذجها للذكاء المكاني "ماربل" عبر منصة X. يركز هذا النموذج على تقنية توليد العوالم ثلاثية الأبعاد، حيث يبني مشاهد ثلاثية الأبعاد ثابتة وقابلة للاستكشاف بحرية من خلال صورة أو نص واحد.

وفيما يتعلق بالتطبيقات الصناعية، تعمل الشركات بشكل نشط على دمج الذكاء الجغرافي في أنظمة الأعمال الأساسية. تعاونت شركة NVIDIA وUAE G42 لإنشاء منصة Earth-2.بالاعتماد على الذكاء الاصطناعي التوليدي لبناء نظام عالي الدقة للتنبؤ بالطقس، من خلال التعاون بين النموذج العالمي FourCastNet وهندسة CorrDiff، يمكن تحقيق ناتج دقيق من توقعات وطنية على ارتفاع 2 كيلومتر إلى توقعات الطقس على مستوى المدينة على ارتفاع 200 متر، وضغط عمليات المحاكاة التقليدية التي تستغرق عدة ساعات إلى دقائق، مما يحسن بشكل كبير قدرات التحذير والاستجابة للطقس المتطرف. نموذج أساسي للذكاء الاصطناعي الجغرافي مفتوح المصدر تم إصداره بشكل مشترك من قبل IBM وناسا.هذا النموذج، المُدرَّب على بيانات أقمار صناعية واسعة النطاق من مشروع ناسا المُنسَّق Landsat Sentinel-2، ويستخدم إطار عمل مُشتركًا متعدد المهام للتحسين، يدعم مجموعة متنوعة من التطبيقات، بما في ذلك رصد تغير المناخ، والتتبع الديناميكي لإزالة الغابات، وتقدير غلة المحاصيل. وفيما يتعلق بتحسين النموذج، لم يُحسِّن كفاءة التدريب بمقدار 15% فحسب، بل حقق أيضًا تحسنًا في الأداء بمقدار 15% باستخدام نصف البيانات المُعلَّقة فقط.

من الابتكار الأكاديمي إلى الممارسة الصناعية، يُدمج الذكاء الجغرافي المكاني في فهم الإنسان وصنع القرار المتعلق بنظام الأرض بعمق واتساع غير مسبوقين. ومع الاختراقات المستمرة في التقنيات الرئيسية، مثل الاندماج متعدد الوسائط، والنمذجة عبر المقاييس، وتعاون الوكلاء، من المتوقع أن تلعب الأطر التحليلية، مثل الذكاء الاصطناعي الأرضي، دورًا محوريًا أكثر في مواجهة التحديات الكوكبية، مثل الاستجابة للمناخ، والوقاية من الكوارث والسيطرة عليها، وإدارة الموارد، مما يدفع عجلة التطور المنسق للعلوم والإدارة المجتمعية.

روابط مرجعية:
1. https://mp.weixin.qq.com/s/XeZdQbMvvnQId6PLWM7K1A
2. https://mp.weixin.qq.com/s/WdIq1SToGa3jmVlbGZsy8w
3. https://mp.weixin.qq.com/s/C3XqmCooqwch1JyAXCnYlQ
4. https://mp.weixin.qq.com/s/ix0r3lwiqE18gYxvJupr0g