عرضت Yandex Cloud كيف يعثر CatBoost على Heracleum sosnowskyi في صور الأقمار الصناعية

أظهرت Yandex Cloud كيفية أتمتت البحث عن حشيشة الدب قوقازي في الصور الفضائية باستخدام CatBoost. المشروع مناسب بشكل خاص بعد اللوائح الأكثر صرامة: اعتبارًا من 1 مارس 2026، يلتزم أصحاب الأراضي برصد انتشار هذا النبات.

لماذا هذا مهم

توقفت حشيشة الدب عن كونها مشكلة محلية لأصحاب الأكواخ الريفية منذ وقت طويل. إنها تستحوذ بسرعة على أراضٍ واسعة، وتزيح النباتات الأخرى، وتشكل مخاطر على الناس، وهذا هو السبب في أنها الآن استرعت انتباه المنظمين. عندما يتعلق الأمر بآلاف الهكتارات، فإن سير المنطقة سيرًا على الأقدام أو تحديد الصور يدويًا مكلف جدًا وبطيء.

توفر الصور الفضائية الحجم، لكن بدون أتمتة فإنها تتطلب الكثير من العمل اليدوي. في هذه النقطة بالذات، قامت Yandex Cloud مع طلاب مدرسة تحليل البيانات والحركة التطوعية "أوقفوا حشيشة الدب" بتجميع حالة ML عملية. حاولت الفريق ليس فقط التعرف على النبات في إطارات فردية، بل بناء عملية تقنية قابلة للتكرار يمكن نقلها إلى مهام الرصد عن بعد الأخرى.

هذا النهج مهم للبلديات والمبادرات البيئية وملاك الأراضي الذين يحتاجون إلى رصد دوري وليس فحص لمرة واحدة.

كيف يعمل خط الأنابيب

تعتمد الحل على خط أنابيب كلاسيكي لكن متقن بشكل جيد للرؤية الحاسوبية لبيانات الاستشعار عن بعد. أولاً، يتم توحيد الصور بصيغة GeoTIFF، ثم يتم استخراج الميزات منها، وبعدها يتعلم النموذج التمييز بين مناطق حشيشة الدب وبقية المنظر الطبيعي. يتم التركيز بشكل خاص على حقيقة أن النظام يعمل ليس فقط مع البكسلات الخام، بل أيضًا مع الميزات التي تساعد على التقاط البنية المميزة للنباتات بشكل أفضل.

• تطبيع وتحضير ملفات GeoTIFF
• تحديد مناطق تفشي حشيشة الدب على الصور الفضائية
• حساب ميزات اللون والطيفية، بما في ذلك مؤشر CIVE
• تدريب نموذج CatBoost لتصنيف المناطق
• نقل النهج إلى البحث عن أشياء أخرى، من قطع الغابات إلى الأطلال

"لن تكون هناك حاجة إلى مركز بيانات خاص بك—يمكن القيام بهذا في المنزل." بالنسبة للممارسين، هذا ربما يكون أهم جزء من القصة. أظهرت

Yandex Cloud بشكل أساسي أن هذه المشاريع لم تعد تتطلب بنية أساسية ضخمة أو فرقًا مكلفة من المتخصصين الضيقين في بيانات الأقمار الصناعية. إذا كان هناك إمكانية الوصول إلى الصور وتحديد ذو جودة عالية كافية، يمكن تجميع نموذج عامل في بيئة مضغوطة نسبيًا. وهذا يخفض حاجز الدخول للمجموعات البحثية الصغيرة والنشطاء البيئيين والفرق الإقليمية.

لماذا تم اختيار CatBoost

من أكثر الاستنتاجات إثارة للاهتمام من المادة أن ليست كل مهمة على الصور الفضائية تتطلب تلقائيًا شبكة عصبية. في حالة حشيشة الدب، أثبت تعزيز التدرج على الميزات المحضرة جيدًا أنه تنافسي جدًا. بالنسبة لمثل هذه السيناريوهات، هذا منطقي: البيانات غالبًا ما تكون محدودة الحجم، والتحديد مكلف، والقابلية للتفسير وسرعة التجارب مهمة بقدر أهمية الجودة النهائية.

يفوز CatBoost هنا بسبب دورة التدريب الأبسط ومتطلبات الحوسبة الأقل. بنفس القدر من الأهمية هو الاستنتاج الأوسع: يمكن تطبيق نفس المكدس ليس فقط على النباتات الغازية. تنص المادة مباشرة على أن هذا النهج مناسب لكشف قطع الغابات والهياكل المدمرة والأشياء الأخرى المرئية في الصور الجوية أو الفضائية.

بشكل أساسي، هذا يتعلق بقالب لـ ML الجيومكاني المطبق: جمع مجموعة بيانات موسومة، واختيار ميزات غنية بالمعلومات، وتدريب نموذج يتسع بعد ذلك إلى أراضٍ شاسعة.

ما الذي يعنيه هذا

قدمت Yandex Cloud ليس فقط تجربة تعليمية مع CatBoost، بل نموذجًا عمليًا إلى حد ما لرصد الأراضي. في خلفية المتطلبات الجديدة لأصحاب الأراضي، يمكن لمثل هذه الأدوات أن تنتقل بسرعة من عالم المشاريع البحثية إلى عمليات العمل المنتظمة للعمل والمناطق والخدمات البيئية.