نماذج الأساس للاستشعار عن بُعد: كيف نكيّف الذكاء الاصطناعي مع بيانات الأقمار الصناعية

تتناول دراسة نُشرت على arXiv في صورة فصل مراجعة تطبيق نماذج الأساس (foundation models) على رصد الأرض عبر الأقمار الصناعية ومستشعرات الطائرات.

ما هي نماذج الأساس للاستشعار عن بُعد

نماذج الأساس للاستشعار عن بُعد (Remote Sensing Foundation Models، واختصارًا RSFM) هي نماذج كبيرة جرى تدريبها على أرشيفات من صور الأقمار الصناعية والصور الجوية. وبخلاف نماذج الرؤية الحاسوبية التقليدية التي تتعلم من صور القطط والوجوه، ترى نماذج RSFM الكوكب نفسه: المدن والحقول والغابات والغيوم والمحيطات.

مثال على ذلك: تريد توقع محصول القمح في منطقة بعينها. فبدلًا من بناء نموذج من الصفر لهذه المهمة وحدها، تأخذ نموذج RSFM مدرَّبًا مسبقًا على صور الأقمار الصناعية، وتكيّفه مع مهمتك، فيبدأ النموذج بالعمل لأنه يتقن أصلًا قراءة بيانات الأقمار الصناعية.

لماذا لا ينجح نموذج الأساس العام

تكمن المشكلة في أن بيانات الأقمار الصناعية تختلف فيزيائيًا عن الصور الفوتوغرافية العادية.

• مستشعرات مختلفة وأطوال موجية مختلفة (الأشعة تحت الحمراء، والأحمر، والأزرق، والمدى الموجي القصير)
• تشوهات جوية: الغيوم والضباب الخفيف والهباء الجوي تغيّر ما يراه القمر الصناعي
• دقة مكانية منخفضة (من 10 إلى 100 متر للبكسل الواحد، وليس كما في صور الهاتف الذكي)
• قيود زمنية: يمر القمر الصناعي فوق الموقع مرة كل بضعة أيام، لذا يجب التقاط اللحظة المناسبة
• فيزياء القياس: الانعكاس الطيفي يخضع لقوانين الفيزياء، وليس لأنماط عشوائية في بيانات التدريب

لا يوجد نموذج عام واحد يعمل بالكفاءة نفسها في جميع مهام رصد الأرض. فنتائج معايير الأداء (البنشمارك) متضاربة. النموذج A أفضل في توقع الإنتاج الزراعي، والنموذج B أفضل في تصنيف أنواع المباني. والسبب أن كل نموذج RSFM جرى تطويره لمجموعة بيانات بعينها، ونقل المعرفة بين المهام يتطلب ضبطًا إضافيًا.

أمثلة: متى يكون التكييف حاسمًا

توقع الطحالب الضارة. تتعلم الشبكة العصبية توقع تفشي الطحالب السامة في البحيرات والبحار. والخصائص الطيفية وحدها لا تكفي، إذ يلزم أخذ القناع الطيفي في الاعتبار، فهو يحدد أين بالضبط في الصورة ينبغي البحث عن الازدهار الطحلبي. ويتطلب ذلك إخفاءً مستنيرًا بالفيزياء (physics-informed masking): على النموذج أن يفهم لا الأنماط فحسب، بل أيضًا الفيزياء التي تفسّر سبب ظهور الطحالب هناك.

اختيار محطات الرصد. مهمة أخرى: أين نضع محطة أرصاد جديدة لمراقبة البيئة؟ النموذج المكيَّف والمدرَّب بالتعلم المعزز (reinforcement learning) قادر على اختيار المواقع التي توفر أقصى قدر من المعلومات عن المناخ وحالة الطبيعة.

ما التالي

الجيل القادم من نماذج RSFM ينبغي ألا يُقيَّم بمقاييس الدقة المعتادة (accuracy وF1) فقط، بل أيضًا وفق ما يلي:

• التكييف الخاص بالنمط (modality): يجب أن ينتقل النموذج جيدًا إلى أنواع جديدة من المستشعرات وأطوال موجية جديدة
• المعقولية الفيزيائية: يجب أن تتوافق التمثيلات داخل الشبكة العصبية مع الفيزياء الفعلية لقياسات الأقمار الصناعية، لا مع الأنماط في البيانات فحسب

وهذا يعني أن نماذج RSFM ستُبنى مستقبلًا مع مراعاة المجال المعرفي نفسه، أي الفيزياء وعلم الفلك وعلم المناخ، إلى جانب التعلم الآلي.

ماذا يعني ذلك

في المجالات المتخصصة المعقدة (رصد الأرض، الطب، المحاكاة العلمية) ليست نماذج الأساس حلًا سحريًا. فمجرد وجود نموذج كبير مدرَّب على مليارات المعاملات لا يكفي. المطلوب هو التكييف مع فيزياء المهمة، ومع خصوصية البيانات، ومع القيود الواقعية. والخطوة التالية في الذكاء الاصطناعي ليست مزيدًا من المعاملات فحسب، بل مزيدًا من المعنى الفيزيائي.