نقدّم استراتيجية جديدة لتعلم استخلاص ميزات ذات معنى معنويًا من الصور الجوية. بدلًا من التصنيف اليدوي للصور الجوية، نقترح التنبؤ بـ (ميّزات معنوية مشوّشة) تُستخلص تلقائيًا من صور أرضية متوازية المكان. تتكون بنية الشبكة من صورة جوية كمدخل، حيث يتم استخلاص الميزات باستخدام شبكة عصبية متعددة الطبقات، ثم تُطبَّق تحويل متكيف لتحويل هذه الميزات إلى منظور مستوى الأرض. نستخدم نهج التعلّم من الطرفين (end-to-end) لتقليل الفرق بين تقسيم المعنى المستخلص مباشرةً من الصورة الأرضية، والتقسيم المعنوي المُتوقّع استنادًا فقط إلى الصورة الجوية. نُظهر أن النموذج المُدرّب باستخدام هذه الاستراتيجية، دون تدريب إضافي، قادر بالفعل على التصنيف المعنوي التقريبي للصور الجوية. علاوةً على ذلك، نُثبت أن تحسين هذا النموذج (fine-tuning) يمكن أن يُحقّق تقسيمًا معنويًا أكثر دقة من استراتيجيتين أساسيتين (baseline) لبدء التدريب. نستخدم شبكتنا لمعالجة مهمة تقدير الموقع الجغرافي والاتجاه الجغرافي لصورة أرضية. وأخيرًا، نُظهِر كيف يمكن استخدام الميزات المستخرجة من صورة جوية لتخيل منظر دائري واقعي على مستوى الأرض.