LoCA يجمع بين Sentinel-1 وSentinel-2 ويفوز في 68,8% من المقارنات أمام SatCLIP

تحوّل مشفّرات الإحداثيات مثل SatCLIP وGeoCLIP الزوج (خط العرض، خط الطول) إلى متجه يُستخدم لاحقًا في التنبؤ بالحرائق وتقدير المناخ ورسم خرائط استخدام الأراضي وإحصاء التنوع الحيوي. وقد أدّت هذه المشفّرات أداءً جيدًا، لكن لم يشرح أحد حتى الآن بوضوح سبب ذلك، ولا كيفية إضافة مصدر بيانات ثانٍ إليها. واقترحت مجموعة من الباحثين بقيادة Panagiotis Koromilas نظرية ومخططًا عمليًا باسم LoCA (Location Contrastive Alignment). وفي 17 مهمة فاز النموذج في 68,8% من جميع المقارنات الثنائية مع خمسة منافسين حديثين.

مبرهنة البُعدين

النتيجة النظرية الرئيسية غير مريحة للمجال بأكمله. فأي مشفّر إحداثيات ليبشيتزي ينتج مخرجات ببُعد داخلي لا يتجاوز 2، بغض النظر عن البنية المعمارية وعرض نطاق الترددات. فالمدخل نفسه ثنائي البُعد. ويترتب على ذلك أن دالة الخسارة التبايُنية في هذه الصياغة تظل أعلى بصرامة من حدّها الأمثل المقارب، ولا تبلغ الحد الأدنى.

والصورة التجريبية مشابهة. فإذا دُرّب مشفّر الصور ومشفّر الإحداثيات معًا من الصفر، ينهار تباين التضمينات المشترك إلى رتبة منخفضة جدًا. فلماذا تعمل إذن النماذج الشبيهة بـ SatCLIP؟ يفسّر المؤلفون ذلك بأن مشفّر الإحداثيات يتعلم الاقتراب من مشفّر صور مجمَّد. ويؤدي هذا المشفّر دور منظِّم للتباين المشترك، ويحدد هدفًا عالي الرتبة «ينطبق» عليه مشفّر الإحداثيات.

مستشعران، شرطان للهدف

هذه الحيلة معروفة مع وسيط واحد. أما مع عدة وسائط فالأمر أكثر تعقيدًا: إذ ينبغي أن تحصل النقطة الواحدة على الخريطة على عدة واصفات في وقت واحد، وقد تتعارض هذه الواصفات فيما بينها. وصاغ المؤلفون شرطين للمنظِّم:

• المحاذاة المشتركة بين الوسائط. لا تستطيع المحوّلات (adapters) التوفيق بين مشفّرات دُرّبت مسبقًا بصورة مستقلة، ولذلك يجب محاذاة الأهداف مسبقًا.
• رتبة فعالة عالية. يرث مشفّر الإحداثيات طيف هدفه، والهدف الفقير يعطي تضمينات فقيرة.

كيف يعمل LoCA

المخطط من مرحلتين.

• المرحلة 1. يُدرَّب مشفّرا Sentinel-1 (الرادار) وSentinel-2 (البصري) معًا بالتعلم التبايُني. والناتج هدف متعدد الوسائط ومتوافق المحاذاة وعالي الرتبة.
• المرحلة 2. تُجمَّد مشفّرات الصور. ويُدرَّب مشفّر الإحداثيات ومشفّر البيانات الوصفية الجدولية بوصفهما محوّلي إسقاط، باستخدام التعلم التبايُني متعدد المناظير (multi-view).

ولا حاجة إلى الصور عند الاستدلال، فالإحداثيات تكفي. وهذا مهم في التطبيق العملي: فلا تُشترط مشاهد فضائية حديثة، ويُحسب التضمين لنقطة على الخريطة.

أمام من، وبأي نتيجة

قورن LoCA بخمسة مشفّرات حديثة:

• SatCLIP؛
• GeoCLIP؛
• GT-Loc؛
• AlphaEarth؛
• Copernicus-FM.

شملت الاختبارات 17 مهمة من ستة مجالات: land cover، والتنبؤ بحرائق الغابات، والمناخ، والجيوفيزياء، والمؤشرات الاجتماعية والاقتصادية، والتنوع الحيوي. والنتائج:

• حقق LoCA أكبر عدد من الانتصارات على مستوى المهام؛
• جاء ضمن أفضل نموذجين في 11 مهمة من أصل 17؛
• هو النموذج الوحيد الذي تفوّق على كل واحد من النماذج الأخرى في معظم المهام؛
• فاز في 68,8% من المقارنات الثنائية على مستوى المهام؛
• تستخدم تضميناته 62% من الأبعاد، بينما يبلغ هذا المؤشر لدى SatCLIP نسبة 35%.

يتسق الرقم الأخير مع النظرية. فكلما ارتفعت الرتبة الفعالة للهدف، استخدم التضمين الفضاء بصورة أكمل. وتقلّ الأبعاد غير المستغلة.

أين يفيد ذلك

عادةً ما تُضاف التضمينات الجغرافية إلى النماذج الجدولية والزمنية بوصفها سمات إضافية. وبالنسبة إلى الفرق التي تتنبأ بالحرائق أو الغلة الزراعية أو المؤشرات الاقتصادية بحسب المناطق، فهذه طريقة للحصول على «إحساس بالمكان» دون تخزين الصور ومعالجتها. فرادار Sentinel-1 يرى عبر الغيوم ويُظهر الرطوبة وبنية السطح، أما بصريات Sentinel-2 فتعطي الطيف الخاص بالنباتات. ويمنح الجمع بينهما في نقطة واحدة سمة أغنى مما يوفره أي من المستشعرين منفردًا.

والخلاصة العملية للمطورين: عند إضافة وسائط جديدة ينبغي الانتباه أولًا إلى رتبة الهدف واتساقه، لا إلى حجم مشفّر الإحداثيات. وقد وُعد بنشر الشيفرة والأوزان المدرَّبة مسبقًا في المستودع github.com/eleannavali/LoCA، وسيُظهر التحقق المستقل على مهام خاصة مدى انتقال نسبة 68,8% خارج مجموعة المؤلفين المكوّنة من 17 اختبارًا.