الرؤية الحاسوبية في الجيولوجيا: إعادة تعريف علوم الأرض

يُعد رصد العلامات المبكرة للتغير في المشهد، سواء أكانت تحولات في التكوينات الصخرية أم حركات سطحية طفيفة أم تغيرات في التضاريس، جزءًا أساسيًا من الأبحاث الجيولوجية. وقد اعتمد الجيولوجيون تقليديًا على العمل الميداني والتحليل اليدوي لملاحظة هذه التغيرات وتفسيرها.

على الرغم من فاعلية هذه الأساليب، فإنها قد تستغرق وقتًا طويلًا وتواجه قيودًا عند اكتشاف الأنماط الدقيقة في مساحات شاسعة. ولدعم هذه الجهود وتعزيزها، يعتمد الجيولوجيون على نحو متزايد على التقنيات المدعومة بالذكاء الاصطناعي مثل الرؤية الحاسوبية.

تتيح الرؤية الحاسوبية، أو الذكاء الاصطناعي للرؤية، للآلات تفسير المعلومات المرئية من العالم الحقيقي وفهمها. ومن الأسباب الرئيسية لاستخدام الذكاء الاصطناعي للرؤية في الجيولوجيا النمو السريع لكمية البيانات المرئية وازدياد تعقيدها.

تعيد الأقمار الصناعية آلاف الصور يوميًا، وتلتقط الطائرات المسيّرة مشاهد مفصلة لمناطق واسعة، كما ينشئ الباحثون في المختبرات صورًا مجهرية عالية الدقة لعينات صخرية صغيرة. ويؤدي ذلك كله إلى إنتاج كم هائل من البيانات المرئية. وتسهل الرؤية الحاسوبية فرز هذه المعلومات كلها واستخراج الأنماط المفيدة والغنية بالدلالات.

فعلى سبيل المثال، يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لتحليل صور الأقمار الصناعية ولقطات الطائرات المسيّرة والصور المختبرية في الجيولوجيا. وتدعم الرؤى المستخلصة من هذا النوع من التحليل مهامًا مثل تحديد أنواع الصخور ورسم خرائط التضاريس ومراقبة التغيرات في طبيعة الأرض بمرور الوقت.

في هذه المقالة، سنلقي نظرة فاحصة على كيفية مساعدة الرؤية الحاسوبية في علم الجيولوجيا للباحثين على اكتساب فهم أعمق لكوكبنا.

دور الذكاء الاصطناعي والرؤية الحاسوبية في الجيولوجيا#

قبل أن نتعمق في تطبيقات الرؤية الحاسوبية المتنوعة في الجيولوجيا، لنتوقف قليلًا لفهم دور الذكاء الاصطناعي للرؤية في هذا المجال والمواضع الأشد احتياجًا إليه.

غالبًا ما يلزم تحليل البيانات المرئية التي يجمعها الجيولوجيون بسرعة ودقة لدعم الأبحاث واتخاذ القرارات. ويمكن لهذه البيانات أن تكشف أنماطًا جيولوجية مهمة. فحتى التغيرات الطفيفة جدًا في المشهد الطبيعي أو التكوينات الصخرية قد تنذر بتحولات أكبر.

فعلى سبيل المثال، قد تشير الشقوق الدقيقة على سطح منحدر إلى عدم استقرار المنحدرات واحتمال حدوث انهيارات أرضية. وعلى الرغم من صعوبة اكتشافها يدويًا، تستطيع الرؤية الحاسوبية تحديد هذه التغيرات الدقيقة بسرعة وموثوقية.

الشكل 1. أمثلة على الشقوق السطحية على منحدر.

فيما يلي بعض الطرق الأخرى التي يُستخدم بها الذكاء الاصطناعي والرؤية الحاسوبية حاليًا في الجيولوجيا:

• اكتشاف المعالم الجيولوجية: تستطيع أنظمة الذكاء الاصطناعي القائمة على الرؤية تحديد معالم جيولوجية محددة في الصور تلقائيًا، مثل الفوهات وآثار الانهيارات الأرضية وأنواع الصخور المختلفة. ويسرّع ذلك بدرجة كبيرة عمليات مثل رسم الخرائط الجيولوجية وتقييم المخاطر.
• تصنيف الصور: تستطيع نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 تحليل الصور الجوية وتصنيف المناطق استنادًا إلى الغطاء النباتي أو التكوينات تحت السطحية أو أنواع التربة، ما يساعد الجيولوجيين على فهم مكونات الأرض واستخداماتها على نحو أفضل.
• تتبع التغيرات: تستطيع أنظمة الذكاء الاصطناعي اكتشاف التغيرات على سطح الأرض عبر مقارنة الصور الملتقطة على مدى فترات زمنية، مثل حركة الأنهار الجليدية أو تآكل السواحل أو تحرك التكوينات البركانية، ما يوفر رؤى قيّمة عن التغيرات البيئية.
• التنبؤ بالمخاطر: تدعم الرؤية الحاسوبية، بالاقتران مع التعلم العميق، تحليل صور الأقمار الصناعية وغيرها من البيانات المرئية لاكتشاف العلامات المبكرة للأخطار الطبيعية، ما يحسن دقة التنبؤ بأحداث مثل الانهيارات الأرضية والثورانات البركانية.

أنواع البيانات المرئية المستخدمة في الدراسات الجيولوجية#

تتيح الأنواع المختلفة من البيانات المرئية للجيولوجيين تكوين صورة أوضح لما يحدث فوق سطح الأرض وتحته. وفيما يلي أبرز أنواع البيانات المرئية المستخدمة في الجيولوجيا وكيف يسهم كل منها في فهمنا للكوكب:

• صور الأقمار الصناعية: توفر الأقمار الصناعية التي تدور حول الأرض رؤية واسعة لسطح الكوكب. ومن خلال تحليل الصور المجمعة على مدى فترات زمنية، يستطيع الجيولوجيون مراقبة صحة الغطاء النباتي وملاحظة تطور الكوارث الطبيعية مثل الفيضانات.
• لقطات الطائرات المسيّرة: تلتقط الطائرات المسيّرة صورًا ومقاطع فيديو عالية الدقة للتضاريس، وعند تزويدها بأدوات مثل LiDAR (الكشف عن الضوء وتحديد المدى)، يمكنها إنشاء خرائط سطحية مفصلة تسهّل تحديد المخاطر المحلية وتتبع التغيرات الناجمة عن النشاط البشري.
• الصور المجهرية: تكشف الصور المكبرة لعينات الصخور والمعادن تفاصيل دقيقة عن تركيبها وبنيتها، ما يمكّن الجيولوجيين من فهم كيفية تشكل الصخور وتغيرها بمرور الوقت.
• الصور الحرارية: تلتقطها مستشعرات الأشعة تحت الحمراء على الطائرات المسيّرة أو الأقمار الصناعية، وتكشف الصور الحرارية أنماط الحرارة على سطح الأرض، ما قد يساعد على تحديد النشاط الحراري الأرضي والبؤر البركانية الساخنة وحتى تدفق المياه الجوفية.

الشكل 2. نظرة على أنواع مختلفة من البيانات المرئية المستخدمة في الدراسات الجيولوجية. الصورة من إعداد المؤلف.

تطبيقات الرؤية الحاسوبية في الجيولوجيا#

بعد أن تعرفنا على أنواع البيانات المرئية التي يتعامل معها الجيولوجيون وكيفية مساعدة الرؤية الحاسوبية في تحليلها، فلنستعرض بعض التطبيقات الشيقة للرؤية الحاسوبية في الجيولوجيا التي توضح إمكاناتها في تعزيز الأبحاث والاكتشافات.

استخدام الذكاء الاصطناعي لمراقبة النشاط البركاني#

غالبًا ما تظهر علامات إنذار مبكرة قبل ثوران البركان، مثل تغير درجة حرارة السطح أو انبعاث الغاز أو حركات أرضية طفيفة. وقد يصعب رصد هذه العلامات، ولا سيما في المناطق النائية.

تُستخدم نماذج الرؤية الحاسوبية حاليًا لتحليل صور الأقمار الصناعية والصور الحرارية، بهدف مراقبة النشاط البركاني بكفاءة أكبر. ويمكن لهذه الأنظمة قياس ارتفاع أعمدة الرماد ودرجة حرارتها، واكتشاف الحرارة على سطح البركان، ورصد التغيرات الطفيفة في شكله، وهي إشارات قد تنذر بقرب الثوران.

ومن الأمثلة اللافتة على ذلك مشروع DeepCube H2020، الذي يستخدم تقنيات الرؤية الحاسوبية مثل تصنيف الصور وتجزئة المثيلات لتحليل بيانات رادار الفتحة الاصطناعية (SAR). وSAR نوع من التصوير بالأقمار الصناعية يستخدم الرادار بدلًا من الضوء، ما يتيح التقاط صور مفصلة لسطح الأرض بغض النظر عن الأحوال الجوية أو وقت النهار.

من خلال مقارنة صور SAR الملتقطة على مدى فترات زمنية، يستطيع النظام اكتشاف الحركات الأرضية الطفيفة قرب البراكين، التي قد تشير إلى علامات مبكرة على اضطرابها. وأسهم هذا البحث في تطوير Pluto، وهو نظام إنذار عالمي مدعوم بالذكاء الاصطناعي يراقب البراكين ويرسل تحذيرات مبكرة عند اكتشاف علامات على نشاطها.

الشكل 3. لمحة عن صور رادارية بالأقمار الصناعية تُظهر أنماط الألوان فيها حركة الأرض قرب البراكين.

تصنيف الصخور باستخدام التعلم الآلي والذكاء الاصطناعي للرؤية#

لنفترض أن شركة تعدين تقيّم موقعًا جديدًا لاستكشاف الموارد. قبل بدء أي أعمال حفر، يحتاج الجيولوجيون عادةً إلى تحديد أنواع الصخور الموجودة في المنطقة لتقييم الإمكانات المعدنية ومخاطر السلامة. وتقليديًا، يتضمن ذلك جمع عينات مادية وتحليلها يدويًا، وهي طريقة لا تستغرق وقتًا طويلًا فحسب، بل تعتمد أيضًا إلى حد كبير على تقدير الخبراء.

بمساعدة التعلم الآلي والرؤية الحاسوبية، أصبحت هذه العملية أسرع وأكثر موضوعية. إذ تُلتقط صور عالية الدقة لعينات الصخور، ثم تحللها نماذج مدرّبة قادرة على التعرف على أنماط الملمس واللون وبنية الحبيبات باستخدام مهام الرؤية الحاسوبية مثل تصنيف الصور.

تتعلم هذه النماذج من آلاف الصور المصنفة للصخور والمعادن، مثل الصور الموجودة في مجموعة بيانات MineralImage5k، لتتمكن من تحديد العينات الجديدة بسرعة ودقة بمفردها. وهذا يسرّع اتخاذ القرارات في الميدان ويقلل الحاجة إلى العمل اليدوي المكثف، ما يجعل الاستكشاف أكثر كفاءة واتساقًا.

اكتشاف خطوط الصدوع باستخدام الرؤية الحاسوبية#

كان تحديد خطوط الصدوع والكسور في التكوينات الصخرية يتطلب تقليديًا عملًا ميدانيًا مكثفًا. أما اليوم، فيمكن لنماذج الرؤية الحاسوبية تحليل صور الأقمار الصناعية والصور الجوية لاكتشاف هذه المعالم تلقائيًا بدقة عالية. ومن خلال رصد الأنماط الخطية التي تشير إلى خطوط الصدوع، تساعد هذه النماذج على إنشاء خرائط مفصلة لمناطق المخاطر الجيولوجية.

يمكن استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، التي تدعم مهامًا مثل تجزئة المثيلات، من أجل اكتشاف الشقوق والكسور وخطوط الصدوع في الصور السطحية. وتستطيع هذه النماذج تحديد الشقوق الصغيرة حتى في الصخور أو التربة، ما يحسن رسم الخرائط الجيولوجية ويدعم تخطيطًا أكثر أمانًا لأعمال البناء أو الحفر في المناطق المعرضة للزلازل.

الشكل 4. تجزئة الشقوق باستخدام Ultralytics YOLO11.

إيجابيات وسلبيات استخدام الرؤية الحاسوبية في الجيولوجيا#

تُحدث الرؤية الحاسوبية تحولًا في سير العمل الجيولوجي، بدءًا من تحديد المعادن ووصولًا إلى تحسين فهم ما يكمن تحت السطح. وفيما يلي أبرز الفوائد التي تقدمها لهذا المجال:

• التكامل مع الاستشعار عن بُعد: يمكن للذكاء الاصطناعي للرؤية العمل جنبًا إلى جنب مع صور الأقمار الصناعية والطائرات المسيّرة لتقييم التضاريس أو الجيولوجيا التركيبية أو الظروف البيئية على مساحات واسعة.
• الاختبار غير الإتلافي: لا يتسم التحليل القائم على الرؤية بالتطفل، ما يحافظ على سلامة العينات القيّمة أو الهشة.
• قابلية التوسع: يمكن استخدام نماذج الرؤية الحاسوبية مثل YOLO11 لمعالجة كميات هائلة من البيانات في مواقع مختلفة بسرعة واتساق بعد تدريبها.

لكن، على الرغم من مزاياها، ينطوي تطبيق الرؤية الحاسوبية في الجيولوجيا أيضًا على بعض التحديات التي ينبغي مراعاتها:

• قابلية التفسير: تعمل نماذج كثيرة للرؤية الحاسوبية بوصفها «صناديق سوداء»، ما يجعل تفسير كيفية اتخاذ القرارات أمرًا صعبًا.
• الصيانة المستمرة: مع تطور البيانات الجيولوجية، ينبغي تحديث النماذج وإعادة تدريبها بانتظام للحفاظ على فاعليتها وملاءمتها.
• القيود البيئية: قد تتأثر الصور البصرية المستخدمة في الاستشعار عن بُعد بعوامل مثل الغطاء السحابي وظروف الإضاءة والعوائق السطحية، ما قد يخفض أداء النموذج.

أبرز النقاط#

تغير الرؤية الحاسوبية أساليب إجراء الأبحاث والتطبيقات الجيولوجية. فمن مراقبة النشاط البركاني إلى اكتشاف الإنذارات المبكرة للانهيارات الأرضية، تساعد الأدوات القائمة على الذكاء الاصطناعي البصري الجيولوجيين على تحسين نتائج أبحاثهم واستراتيجيات الاستجابة للكوارث.

ومع استمرار تطور الذكاء الاصطناعي ودمج مزيد من البيانات من مختلف المستشعرات، يمكننا توقع تطوير أنظمة أكثر متانة ومصممة للاستخدام الميداني في العالم الحقيقي. ومن المرجح أن تصبح الرؤية الحاسوبية عنصرًا أساسيًا في الممارسات الجيولوجية، وأن تعزز الكفاءة والدقة في مجموعة واسعة من التطبيقات.

انضم إلى مجتمعنا واستكشف مستودع GitHub للتعرف أكثر على تطبيقات الرؤية الحاسوبية. وإذا كنت مهتمًا بكيفية تطبيق الذكاء الاصطناعي في مختلف القطاعات، فتفضل بزيارة صفحة الحلول لدينا لاكتشاف حالات استخدام واقعية، من الرؤية الحاسوبية في التصنيع إلى الذكاء الاصطناعي في الرعاية الصحية. اطّلع على خيارات الترخيص واتخذ اليوم خطوتك الأولى نحو التطوير باستخدام الرؤية الحاسوبية.