تصنيف وفهم بنية السحب من خلال الصور القمرية باستخدام EfficientUNet

التغير المناخي كان موضوعًا مشتركًا ومحورًا للمناقشات والقرارات السياسية الحاسمة لسنوات عديدة. تلعب السحب الضحلة دورًا مهمًا في فهم مناخ الأرض، لكنها صعبة التفسير والتمثيل في نماذج المناخ. من خلال تصنيف هذه الهياكل السحابية، يصبح هناك احتمال أفضل لفهم البنيات الفيزيائية للسحب، مما سيحسن إنشاء نماذج المناخ، وبالتالي سيؤدي إلى توقع أفضل للتغير المناخي أو تحديث تنبؤات الطقس. تنظم السحب بأشكال مختلفة، مما يجعل بناء خوارزميات تقليدية قائمة على القواعد لفصل ميزات السحب أمرًا صعبًا. في هذا البحث، تم تنفيذ تصنيف أنماط تنظيم السحب باستخدام إصدار جديد ومُوسَّع من شبكة العصبيات المتكررة (Convolutional Neural Network - CNN) باسم EfficientNet كمُشفِّر (encoder) وشبكة UNet كمُفكِّك (decoder)، حيث عملتا كمستخرج للميزات وإعادة بناء الخريطة المميزة الدقيقة واستخدمتا كClassifier، مما سيساعد الخبراء على فهم كيف ستشكل السحب المناخ المستقبلي. أظهر استخدام نموذج التقسيم في مهمة التصنيف أنه مع وجود مُشفِّر جيد بجانب UNet، يمكن الحصول على أداء جيد من هذا المجموعة البيانات. تم استخدام معامل Dice كمعيار تقييم نهائي، والذي حقق درجة 66.26٪ و66.02٪ للتصنيفات العامة والخاصة (مجموعة الاختبار) في مسابقة Kaggle على التوالي.