يستخدم Google AlphaEarth بيانات الرصد لرسم خرائط عالمية

كُشف عن AlphaEarth Foundations في 30 يوليو 2025، وهو نموذج تأسيسي جغرافي مكاني طورته Google DeepMind. ويُعد من أبرز التطورات في أخبار Google AI الأخيرة، وقد صُمم لجعل التعامل مع بيانات رصد الأرض العالمية أسرع وأوضح وأكثر موثوقية.

دُرّب AlphaEarth Foundations على مليارات نقاط البيانات المستمدة من صور الأقمار الصناعية والرادار وLiDAR (الكشف وتحديد المدى باستخدام الضوء) ونماذج الارتفاع ومحاكاة المناخ. وباستخدام هذه المدخلات المتنوعة، ينشئ صورًا سنوية للكوكب بدقة مكانية تبلغ 10 أمتار.

ببساطة، يعني ذلك أنه يستطيع إنتاج خرائط واضحة ومتسقة لسطح الأرض، حتى في المناطق التي يصعب رصدها، ما يسهّل اكتشاف التغيرات في اليابسة والمياه والمناخ وتتبعها بمرور الوقت. وتتوفر هذه اللقطات الآن عبر Google Earth Engine، المنصة السحابية من Google للبيانات الجغرافية المكانية.

في هذا المقال، سنلقي نظرة على كيفية استخدام AlphaEarth Foundations للذكاء الاصطناعي في Google Earth Engine لدعم مشروعات رصد الأرض في العالم الحقيقي.

AlphaEarth: نموذج Google الجديد للذكاء الاصطناعي لرصد الأرض#

يوفر AlphaEarth Foundations طريقة جديدة لفهم كوكبنا من خلال نظام متواصل وديناميكي. فبدلًا من النظر إلى كل صورة على حدة، ينشئ نموذج الذكاء الاصطناعي الجديد صورة موحدة ومنظمة لسطح الأرض عبر المكان والزمان.

ولإنشاء هذه الصورة، يستند النموذج إلى مجموعة واسعة من المصادر، تشمل صور الأقمار الصناعية وخرائط الارتفاع ونماذج المناخ وتقارير التنوع البيولوجي. ويساعده ذلك على رصد التغيرات البيئية وتحليل أسبابها.

وعلى وجه الخصوص، يمكن لـ AlphaEarth أن يوضح كيف تتغير تضاريس الأرض على مر السنين. وتُنشأ هذه اللقطات باستخدام التضمينات، وهي ملخصات موجزة لما تعلمه النموذج عن كل موقع.

الشكل 1. يستخدم نموذج Google للذكاء الاصطناعي تضمينات رقمية لرسم خريطة سطح الأرض. (المصدر)

تتوفر مجموعة من هذه التضمينات عبر مجموعة بيانات التضمينات الفضائية في Google Earth Engine. ويجري استخدامها بالفعل في مجالات مثل الاستجابة لحرائق الغابات والتخطيط الحضري ومراقبة الأراضي. ويساعد ذلك الباحثين وصناع القرار على تحويل بيانات الأقمار الصناعية إلى رؤى مفيدة.

الذكاء الاصطناعي والمناخ: أهمية AlphaEarth#

من أبرز فوائد AlphaEarth Foundations أنه يسهّل دراسة التغيرات طويلة الأمد التي تطرأ على كوكبنا. ويعمل بكفاءة حتى في المناطق الصعبة التي تفتقر إلى البيانات أو تحجب فيها السحب صور الأقمار الصناعية باستمرار. فعلى سبيل المثال، في غابات الأمازون المطيرة، حيث يشكل الغطاء السحابي مشكلة دائمة، لا يزال بإمكان AlphaEarth رصد التغيرات في الأراضي من خلال التعلم من الأنماط في أنحاء العالم.

وفي اختبارات المقارنة المعيارية، خفّض النموذج أخطاء التصنيف بنسبة تقارب 24%، واحتاج إلى مساحة تخزين أقل 16 مرة لكل تضمين. ومن المثير للاهتمام أن نموذج الذكاء الاصطناعي الجديد لا يحتاج إلى إعادة التدريب لكل تطبيق.

يتسم النموذج بالكفاءة والقدرة على التكيف مع المناطق والتحديات المختلفة. ويرجع ذلك إلى أن AlphaEarth ينتج تضمينات عامة الغرض، وهي ملخصات موجزة وغنية بالمعلومات لكل موقع، يمكن استخدامها مباشرةً في أنواع كثيرة من التحليل دون إعادة بناء النموذج بأكمله.

حتى الآن، استُخدم AlphaEarth لرصد التغيرات في الأراضي في أكثر من 100 دولة، بما في ذلك الغابات الاستوائية ومناطق القطب الشمالي والمدن الآخذة في التوسع. وتُستخدم هذه الرؤى لدعم تخطيط أكثر ذكاءً واتخاذ قرارات مناخية أكثر استنارة.

الشكل 2. تصور الأنماط العالمية باستخدام نموذج Google الجديد للذكاء الاصطناعي. (المصدر)

كيف يستخدم AlphaEarth الرؤية الحاسوبية لرصد الأرض#

يمكن استخدام صور الأقمار الصناعية لالتقاط مشاهد مفصلة لسطح الأرض، لكن تحويل هذه الصور إلى رؤى مفيدة ليس بالأمر السهل دائمًا. ويستخدم AlphaEarth Foundations الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يتيح للآلات تفسير المعلومات المرئية، لاكتشاف الأنماط في الأراضي والغطاء النباتي والتضاريس وتحليلها.

إليك كيفية تطبيق النموذج مهام الرؤية الحاسوبية المختلفة على رصد الأرض:

• تصنيف الصور: يحدد AlphaEarth أنواع الأراضي مثل الغابات والأراضي الزراعية والأراضي الرطبة والمناطق الحضرية من صور الأقمار الصناعية. وتدعم هذه التصنيفات مراقبة المناخ والبحوث البيئية والتخطيط لاستخدام الأراضي.
• التقسيم: يُعرف التقسيم أيضًا باسم رسم الخرائط الموضوعية، ويُسند إلى كل بكسل في صورة القمر الصناعي فئةً مثل نوع المحصول أو الغطاء النباتي. ويستخدم AlphaEarth تضميناته السنوية للحفاظ على دقة عالية في مختلف المناطق، ما يتيح رسم خرائط مفصلة لاستخدام الأراضي وغطائها والتنوع البيولوجي.
• اكتشاف التغيرات: من خلال مقارنة التضمينات السنوية للموقع نفسه، يستطيع AlphaEarth اكتشاف التحولات في استخدام الأراضي وغطائها، مثل إزالة الغابات أو آثار حرائق الغابات أو التوسع الحضري. ويعمل مع الأساليب الخاضعة للإشراف (التعلم من أمثلة معنونة) والأساليب غير الخاضعة للإشراف (اكتشاف الأنماط دون تسميات).
• التجميع غير الخاضع للإشراف: يستطيع AlphaEarth، من دون استخدام أي بيانات معنونة، تجميع المناطق التي تُظهر أنماطًا متشابهة في صور الأقمار الصناعية. ويساعد ذلك على اكتشاف اتجاهات مثل تحولات الغطاء النباتي أو الشذوذ المناخي في المناطق الجديدة أو قليلة الدراسة. وتبرز أهميته خصوصًا عندما تكون البيانات المعنونة محدودة أو غير متوفرة.

الشكل 3. نظرة على استخدام AlphaEarth لفهم بيئة الأرض في عام 2023. (المصدر)

تطبيقات نموذج Google الجديد للذكاء الاصطناعي في العالم الحقيقي#

بعد أن تناولنا آلية عمل AlphaEarth، لنستكشف تطبيقاته في العالم الحقيقي.

مبادرة Google Earth للذكاء الاصطناعي من أجل مدن أمريكية أكثر اخضرارًا#

تعمل المدن في أنحاء الولايات المتحدة على توسيع الغابات الحضرية للحد من الحرارة وامتصاص التلوث وتعزيز الصحة العامة. لكن تحديد مواقع الأشجار بدقة ومعرفة الأماكن الخالية منها قد يكون صعبًا. ففي الأحياء المكتظة والشوارع الضيقة، غالبًا ما لا يظهر الغطاء النباتي في صور الأقمار الصناعية أو في المسوحات التقليدية.

لكن AlphaEarth يستخدم بيانات الأقمار الصناعية والارتفاعات والبيئة لرسم خرائط الغطاء الشجري بتفصيل دقيق. ولاختبار النموذج، استخدم الباحثون أكثر من 45,000 سجل للأشجار من iNaturalist.

ركز الباحثون على 39 جنسًا شائعًا من الأشجار (مجموعات من الأنواع وثيقة الصلة) موجودة في جميع الولايات الأمريكية، بما فيها ألاسكا وهاواي. ونُظفت البيانات وقُسمت إلى مجموعتي تدريب واختبار، مع تخصيص 300 عينة لكل جنس للتدريب واستخدام بقية العينات للاختبار.

رسم النموذج بدقة خرائط للغطاء الشجري اعتمادًا على بيانات الأقمار الصناعية والارتفاع والبيئة، ما أظهر قدرته على سد الثغرات التي تتركها المسوحات التقليدية. ويمكن لهذه الرؤى مساعدة مدن مثل ديترويت ونيويورك وفينيكس على اتخاذ قرارات أفضل بشأن أماكن زراعة الأشجار وتلطيف حرارة الأحياء ودعم التنوع البيولوجي المحلي.

رسم خرائط أذكى للمحاصيل بفضل أقمار رصد الأرض#

يعتمد جرد المحاصيل في كندا بدرجة كبيرة على الملاحظات الميدانية، ولا سيما في المناطق التي لا تتوفر فيها سجلات التأمين على المحاصيل (تقارير رسمية عن نوع المحصول وموقعه ومساحته، تُجمع لبرامج التأمين الزراعي). وتُستخدم هذه المسوحات التي تُجرى غالبًا من مركبات متحركة لتتبع المحاصيل الرئيسية، مثل الحبوب والبذور الزيتية والفواكه ومحاصيل العلف.

لكن نظرًا إلى تسجيل بعض أنواع المحاصيل بوتيرة أكبر من غيرها، قد تكون البيانات غير متوازنة ويصعب تحويلها إلى خرائط موثوقة واسعة النطاق. ولمعالجة هذه المشكلات، يستطيع AlphaEarth دعم تصنيف المحاصيل على المستويين العام والتفصيلي استنادًا إلى بيانات أقمار رصد الأرض.

يمكنه تجميع المحاصيل ضمن فئات واسعة مثل الحبوب أو البذور الزيتية. وفي المناطق التي تتوفر فيها بيانات مسح تفصيلية، يستطيع أيضًا تحديد أنواع بعينها مثل القمح الربيعي والذرة والبرسيم. ويحقق هذا النهج ذو المستويين توازنًا بين التغطية والتفصيل، موفرًا صورة أوضح لما يُزرع في أنحاء كندا.

الشكل 4. يساعد Google AlphaEarth على تصنيف المحاصيل في كندا. (المصدر)

استكشاف التضاريس العالمية باستخدام تقنية Google Earth المعتمدة على الذكاء الاصطناعي#

تُعد أنتاركتيكا من أصعب الأماكن على الأرض لرسم الخرائط، نظرًا إلى طقسها القاسي وغطائها الثلجي الدائم ومحدودية الرؤية عبر الأقمار الصناعية. ويترك ذلك ثغرات في فهمنا لكتلها الجليدية وصخورها المكشوفة وكيفية تغير المشهد الطبيعي بمرور الوقت.

من خلال دمج صور الأقمار الصناعية مع بيانات الرادار والارتفاع، ينتج AlphaEarth خرائط سنوية متسقة لأنتاركتيكا، حتى في المناطق محدودة الرؤية. ويمكنه استكمال التفاصيل المفقودة وإنشاء خرائط تضاريس بدقة 10 أمتار، ما يساعد الباحثين على تتبع الكتل الجليدية وملامح السطح والأراضي المغطاة بالثلوج بدقة أكبر.

إيجابيات نموذج الذكاء الاصطناعي الجديد وسلبياته: AlphaEarth#

فيما يلي بعض المزايا الرئيسية التي توفرها AlphaEarth Foundations لتطبيقات رصد الأرض والتخطيط الحضري:

• تعدد الاستخدامات: يمكن استخدام AlphaEarth في مجالات متعددة مثل الزراعة والتخطيط الحضري والاستجابة للكوارث دون الحاجة إلى نماذج منفصلة.
• سد فجوات البيانات: يستطيع AlphaEarth إنشاء ملخصات سنوية حتى عند عدم اكتمال مدخلات الأقمار الصناعية، ما يساعد على الحفاظ على استمرارية تحليل السلاسل الزمنية.
• مخرجات جاهزة للذكاء الاصطناعي: ينتج النموذج تضمينات يمكن إدخالها مباشرةً في أدوات مثل أنظمة مراقبة المحاصيل أو كواشف الفيضانات أو مصنفات استخدام الأراضي، ما يوفر الوقت للباحثين والمطورين.

على الرغم من أن AlphaEarth يوفر دعمًا موثوقًا في مجالات متنوعة، فإليك بعض القيود التي ينبغي وضعها في الحسبان:

• ليس آنيًا: لا تناسب التضمينات السنوية من AlphaEarth التطبيقات التي تتطلب مراقبة يومية أو شبه آنية.
• يعتمد على جودة المدخلات: رغم أن النموذج يسد الثغرات، فإنه يظل معتمدًا على جودة مصادر بيانات الأقمار الصناعية والرادار وغيرها من المدخلات وتوفرها.
• محدودية قابلية التفسير: كما هو الحال مع معظم نماذج التعلم العميق، قد يصعب تفسير الطريقة التي يتوصل بها AlphaEarth تحديدًا إلى أنماط أو تنبؤات معينة.

أبرز النقاط#

تساعد AlphaEarth Foundations الباحثين والمخططين وصناع السياسات على رؤية الكوكب بطرق جديدة. إذ يستطيع نموذج Google الجديد للذكاء الاصطناعي تحويل مدخلات الأقمار الصناعية الخام إلى معلومات منظمة وموثوقة تدعم اتخاذ قرارات أفضل في مجالات مثل علوم المناخ والزراعة والتنمية الحضرية. ومن خلال تطوير رصد الأرض، تسهّل هذه التقنية متابعة التغيرات التي تطرأ على كوكبنا وفهمها بمرور الوقت.

انضم إلى مجتمعنا واستكشف ابتكارات الذكاء الاصطناعي في مستودع GitHub. تعرّف على الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الرعاية الصحية عبر صفحات حلولنا. اطّلع على خطط الترخيص وابدأ استخدام الذكاء الاصطناعي اليوم!