يستخدم Google AlphaEarth بيانات الرصد لرسم خرائط عالمية

أُعلن عن AlphaEarth Foundations في 30 يوليو 2025، وهو نموذج تأسيسي جغرافي مكاني طوّرته Google DeepMind. ويُعد أحد أبرز أخبار Google AI الأخيرة، وقد صُمم لجعل العمل مع بيانات رصد الأرض العالمية أسرع وأوضح وأكثر موثوقية.

دُرّب AlphaEarth Foundations على مليارات نقاط البيانات المستمدة من الصور الملتقطة بالأقمار الصناعية، والرادار، وتقنية الكشف وتحديد المدى بالضوء (LiDAR)، ونماذج الارتفاعات، ومحاكاة المناخ. وباستخدام هذه المجموعة الواسعة من المدخلات، ينشئ صورًا سنوية للكوكب بدقة 10 أمتار.

بعبارة بسيطة، يعني هذا أنه يستطيع إنتاج خرائط واضحة ومتسقة لسطح الأرض، حتى في المناطق التي يصعب رؤيتها، مما يسهل رصد التغيرات في اليابسة والمياه والمناخ وتتبعها بمرور الوقت. وأصبحت هذه اللقطات متاحة الآن عبر Google Earth Engine، وهي منصة Google السحابية للبيانات الجغرافية المكانية.

في هذه المقالة، سنلقي نظرة على كيفية استخدام AlphaEarth Foundations للذكاء الاصطناعي في Google Earth Engine لدعم مشاريع رصد الأرض الواقعية.

AlphaEarth: نموذج Google الجديد للذكاء الاصطناعي لرصد الأرض#

يوفر AlphaEarth Foundations طريقة جديدة لفهم كوكبنا من خلال نظام مستمر وديناميكي. وبدلًا من عرض كل صورة على حدة، يبني نموذج الذكاء الاصطناعي الجديد صورة موحدة ومنظمة لسطح الأرض عبر المكان والزمان.

ولإنشاء هذه الصورة، يستمد البيانات من مجموعة واسعة من المصادر، بما في ذلك صور الأقمار الصناعية، وخرائط الارتفاعات، والنماذج المناخية، والتقارير المتعلقة بالتنوع البيولوجي. ويساعده ذلك على رصد التغيرات في البيئة وتحليل أسبابها.

وعلى وجه الخصوص، يستطيع AlphaEarth إظهار كيفية تغير مناظر الأرض الطبيعية على مر السنين. وتُنشأ هذه اللقطات باستخدام التضمينات، وهي ملخصات موجزة لما تعلمه النموذج عن كل موقع.

الشكل 1. يستخدم نموذج Google للذكاء الاصطناعي التضمينات العددية لرسم خريطة لسطح الأرض. (المصدر)

تتوفر مجموعة من هذه التضمينات عبر مجموعة بيانات التضمينات الساتلية في Google Earth Engine. ويُستفاد منها بالفعل في مجالات مثل الاستجابة لحرائق الغابات، والتخطيط الحضري، ومراقبة الأراضي. ويساعد ذلك الباحثين وصنّاع القرار على تحويل بيانات الأقمار الصناعية إلى رؤى مفيدة.

الذكاء الاصطناعي والمناخ: أهمية AlphaEarth#

تتمثل إحدى الفوائد الرئيسية لـ AlphaEarth Foundations في أنه يسهّل دراسة التغيرات طويلة الأمد التي تطرأ على كوكبنا. فهو يعمل جيدًا حتى في المناطق الصعبة التي تفتقر إلى البيانات أو تحجب فيها السحب مشاهد الأقمار الصناعية غالبًا. فعلى سبيل المثال، في غابات الأمازون المطيرة، حيث تمثل الغيوم مشكلة مستمرة، لا يزال AlphaEarth قادرًا على رصد التغيرات في الأراضي من خلال التعلم من الأنماط الموجودة حول العالم.

وفي اختبارات معيارية، خفّض أخطاء التصنيف الخاطئ بنسبة تقارب 24%، واحتاج إلى مساحة تخزين أقل بمقدار 16 مرة لكل تضمين. ومن المثير للاهتمام أن نموذج الذكاء الاصطناعي الجديد هذا لا يحتاج إلى إعادة تدريب لكل تطبيق.

وهو فعال وقابل للتكيف عبر المناطق والتحديات المختلفة. ويرجع ذلك إلى أن AlphaEarth ينتج تضمينات عامة الغرض، وهي ملخصات موجزة وغنية بالمعلومات لكل موقع، ويمكن استخدامها مباشرة في أنواع عديدة من التحليل دون إعادة بناء النموذج بأكمله.

حتى الآن، استُخدم نموذج Google Earth AI الجديد لمراقبة التغيرات في الأراضي عبر أكثر من 100 دولة، بما في ذلك الغابات الاستوائية، ومناطق القطب الشمالي، والمدن الآخذة في التوسع. وتُستخدم هذه الرؤى لدعم تخطيط أكثر ذكاءً وقرارات مناخية أكثر استنارة.

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

كيفية استخدام AlphaEarth للرؤية الحاسوبية في رصد الأرض#

رغم إمكانية استخدام صور الأقمار الصناعية لالتقاط مشاهد مفصلة لسطح الأرض، فإن تحويل هذه الصور إلى رؤى ذات مغزى ليس سهلًا دائمًا. ويستخدم AlphaEarth Foundations الرؤية الحاسوبية، وهي فرع من الذكاء الاصطناعي يمكّن الآلات من تفسير المعلومات المرئية، لاكتشاف الأنماط وتحليلها عبر الأراضي والغطاء النباتي والتضاريس.

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

• تصنيف الصور: يحدد AlphaEarth أنواع الأراضي، مثل الغابات والأراضي الزراعية الرطبة والمناطق الحضرية، من صور الأقمار الصناعية. وتدعم هذه التصنيفات مراقبة المناخ، والبحوث البيئية، وتخطيط استخدام الأراضي.
• التقسيم: يُسمى أيضًا رسم الخرائط الموضوعية، ويضع التقسيم تسمية لكل بكسل في صورة الأقمار الصناعية، مثل نوع المحصول أو الغطاء النباتي. ويستخدم AlphaEarth تضميناته السنوية للحفاظ على دقة عالية عبر المناطق، مما يتيح رسم خرائط تفصيلية لاستخدام الأراضي، وغطاء الأراضي، والتنوع البيولوجي.
• اكتشاف التغير: من خلال مقارنة التضمينات السنوية للموقع نفسه، يستطيع AlphaEarth اكتشاف التحولات في استخدام الأراضي وغطائها، مثل إزالة الغابات، وآثار حرائق الغابات، أو التوسع الحضري. وهو يعمل باستخدام الأساليب الخاضعة للإشراف (التعلم من أمثلة معنونة) والأساليب غير الخاضعة للإشراف (اكتشاف الأنماط دون تسميات).
• التجميع غير الخاضع للإشراف: من دون استخدام أي بيانات معنونة، يستطيع AlphaEarth تجميع المناطق التي تُظهر أنماطًا متشابهة في صور الأقمار الصناعية. ويساعد ذلك على اكتشاف اتجاهات مثل تحولات الغطاء النباتي أو الشذوذات المناخية في المناطق الجديدة أو التي لم تُدرس بما يكفي. ويكون هذا مفيدًا بوجه خاص عندما تكون البيانات المعنونة محدودة أو مفقودة.

الشكل 3. نظرة على استخدام الذكاء الاصطناعي في أحدث ابتكارات Google، AlphaEarth، لفهم بيئة الأرض في عام 2023. (المصدر)

التطبيقات الواقعية لنموذج Google الجديد للذكاء الاصطناعي#

بعد فهم أفضل لكيفية عمل الذكاء الاصطناعي في تقنيات Google الجديدة لرصد الأرض، دعونا نستكشف التطبيقات الواقعية لـ AlphaEarth Foundations.

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

في جميع أنحاء الولايات المتحدة، تعمل المدن على توسيع الغابات الحضرية للحد من الحرارة وامتصاص التلوث وتعزيز الصحة العامة. لكن تحديد مواقع الأشجار بدقة، وكذلك الأماكن التي لا توجد فيها، قد يكون أمرًا صعبًا. ففي الأحياء الكثيفة والشوارع الضيقة، غالبًا ما لا تُرصد المساحات الخضراء في صور الأقمار الصناعية أو عمليات المسح التقليدية.

لكن AlphaEarth يستخدم بيانات الأقمار الصناعية والارتفاعات والبيئة لرسم خريطة للغطاء الشجري بتفاصيل دقيقة. ولاختبار نموذج Google الجديد للذكاء الاصطناعي، استخدم الباحثون أكثر من 45,000 سجل للأشجار من iNaturalist.

وركزوا على 39 جنسًا شائعًا من الأشجار (مجموعات من الأنواع وثيقة الصلة) الموجودة في جميع ولايات الولايات المتحدة، بما في ذلك ألاسكا وهاواي. ونُظفت البيانات وقُسمت إلى مجموعتي تدريب واختبار، مع استخدام 300 عينة لكل جنس للتدريب، واستخدام البقية للاختبار.

رسم النموذج خريطة دقيقة للغطاء الشجري من بيانات الأقمار الصناعية والارتفاعات والبيئة، موضحًا قدرته على سد الثغرات التي تتركها عمليات المسح التقليدية. ويمكن أن تساعد هذه الرؤى مدنًا مثل ديترويت ونيويورك وفينيكس على اتخاذ قرارات أفضل بشأن أماكن زراعة الأشجار وتبريد الأحياء ودعم التنوع البيولوجي المحلي.

رسم خرائط أذكى للمحاصيل مدعومًا بأقمار رصد الأرض الصناعية#

تعتمد جردة المحاصيل في كندا اعتمادًا كبيرًا على عمليات الرصد على مستوى الحقول، ولا سيما في المناطق التي لا تتوفر فيها سجلات تأمين المحاصيل (تقارير رسمية عن نوع المحصول وموقعه ومساحته، تُجمع لبرامج التأمين الزراعي). وتُستخدم عمليات المسح هذه من المركبات المتحركة غالبًا 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. وللتغلب على هذه المشكلات، يمكن لـ AlphaEarth دعم تصنيف المحاصيل عالي المستوى والتفصيلي على حد سواء، استنادًا إلى بيانات أقمار رصد الأرض الصناعية.

يمكنه تجميع المحاصيل في فئات واسعة، مثل الحبوب أو البذور الزيتية. وفي المناطق التي تتوفر فيها بيانات مسح تفصيلية، يمكنه أيضًا تحديد أنواع معينة، مثل القمح الربيعي أو الذرة أو البرسيم. ويوازن هذا النهج ذو المستويين بين التغطية والتفاصيل، موفرًا صورة أوضح لما ينمو في أنحاء كندا.

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

استكشاف التضاريس العالمية باستخدام تقنية الذكاء الاصطناعي في Google Earth#

تُعد أنتاركتيكا واحدة من أصعب الأماكن على وجه الأرض لرسم خرائطها، بسبب الطقس القاسي والغطاء الثلجي الدائم ومحدودية الرؤية عبر الأقمار الصناعية. ويؤدي ذلك إلى وجود فجوات في فهمنا لقممها الجليدية وصخورها المكشوفة وكيف تتغير المناظر الطبيعية بمرور الوقت.

من خلال الجمع بين صور الأقمار الصناعية وبيانات الرادار والارتفاعات، ينتج AlphaEarth خرائط سنوية متسقة لأنتاركتيكا، حتى في المناطق ذات الرؤية المحدودة. ويمكنه استكمال التفاصيل المفقودة وإنشاء خرائط للتضاريس بدقة 10 أمتار، مما يساعد الباحثين على تتبع الأنهار الجليدية وملمس السطح والأراضي المغطاة بالثلوج بدقة أكبر.

إيجابيات وسلبيات نموذج الذكاء الاصطناعي الجديد: AlphaEarth#

فيما يلي بعض المزايا الرئيسية التي يوفرها نموذج الذكاء الاصطناعي الجديد، 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 نموذج Google الجديد للذكاء الاصطناعي إنشاء ملخصات سنوية حتى عندما تكون مدخلات الأقمار الصناعية غير مكتملة، مما يساعد على الحفاظ على الاستمرارية في تحليل السلاسل الزمنية.
• مخرجات جاهزة للذكاء الاصطناعي: ينتج تضمينات يمكن إدخالها مباشرة في أدوات مثل أنظمة مراقبة المحاصيل، وكاشفات الفيضانات، أو مصنفات استخدام الأراضي، مما يوفر الوقت للباحثين والمطورين.

رغم أن AlphaEarth يوفر دعمًا موثوقًا عبر مجالات متنوعة، فإليك بعض القيود التي ينبغي وضعها في الاعتبار:

• ليس آنيًا: لا تناسب التضمينات السنوية من AlphaEarth التطبيقات التي تتطلب مراقبة يومية أو شبه آنية.
• يعتمد على جودة المدخلات: رغم أنه يسد الفجوات، لا يزال النموذج يعتمد على جودة مصادر بيانات الأقمار الصناعية والرادار وغيرها من مصادر بيانات الإدخال وتوافرها.
• قابلية تفسير محدودة: كما هو الحال مع معظم نماذج التعلم العميق، قد يصعب تفسير كيفية وصول AlphaEarth تحديدًا إلى أنماط أو تنبؤات معينة.

أهم النقاط المستخلصة#

يساعد AlphaEarth Foundation الباحثين والمخططين وصانعي السياسات على رؤية الكوكب بطرق جديدة. ويمكن لنموذج Google الجديد للذكاء الاصطناعي تحويل مدخلات الأقمار الصناعية الخام إلى معلومات منظمة وموثوقة تدعم قرارات أفضل في مجالات مثل علوم المناخ والزراعة والتنمية الحضرية. ومن خلال تطوير رصد الأرض، فإنه يجعل مراقبة تغيرات كوكبنا وفهمها بمرور الوقت أسهل.

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