يستخدم Google AlphaEarth بيانات الرصد لرسم الخرائط العالمية

تم تقديمه في 30 يوليو 2025، AlphaEarth Foundations هو نموذج أساس مكاني تم تطويره بواسطة Google DeepMind. إنه أحد أبرز الأخبار الحديثة في Google AI، وقد تم تصميمه لجعل العمل مع بيانات مراقبة الأرض العالمية أسرع وأكثر وضوحًا وموثوقية.

تم تدريب AlphaEarth Foundations على مليارات النقاط من البيانات من صور الأقمار الصناعية والرادار و LiDAR (الكشف عن الضوء والمدى) ونماذج الارتفاع وعمليات محاكاة المناخ. باستخدام هذه المجموعة الواسعة من المدخلات، فإنه ينشئ طرق عرض سنوية بدقة 10 أمتار للكوكب. 

ببساطة، هذا يعني أنه يمكنه إنتاج خرائط واضحة ومتسقة لسطح الأرض، حتى في المناطق التي يصعب رؤيتها، لذلك من السهل اكتشاف وتتبع التغيرات في الأرض والمياه و المناخ بمرور الوقت. هذه اللقطات متاحة الآن من خلال Google Earth Engine، وهي منصة Google السحابية للبيانات الجغرافية المكانية.

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

AlphaEarth: نموذج الذكاء الاصطناعي الجديد من Google لمراقبة الأرض

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

لإنشاء هذا العرض، فإنه يعتمد على مجموعة واسعة من المصادر، بما في ذلك صور الأقمار الصناعية وخرائط الارتفاع ونماذج المناخ والتقارير المتعلقة بالتنوع البيولوجي. يساعده ذلك على التقاط التغييرات في البيئة وتحليل السبب وراءها.

على وجه الخصوص، يمكن لـ AlphaEarth أن تعرض كيف تتغير المناظر الطبيعية للأرض على مر السنين. تم إنشاء هذه اللقطات باستخدام التضمينات، وهي ملخصات موجزة لما تعلمه النموذج حول كل موقع. 

‍

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

الذكاء الاصطناعي والمناخ: أهمية AlphaEarth

تتمثل إحدى الفوائد الرئيسية لمؤسسة AlphaEarth في أنها تجعل دراسة التغيرات طويلة الأجل لكوكبنا أسهل. إنه يعمل بشكل جيد حتى في المناطق الصعبة حيث توجد بيانات مفقودة أو غالبًا ما تحجب الغيوم مناظر الأقمار الصناعية. على سبيل المثال، في غابات الأمازون المطيرة، حيث يمثل الغطاء السحابي مشكلة مستمرة، لا يزال بإمكان AlphaEarth اكتشاف التغيرات في الأراضي من خلال التعلم من الأنماط حول العالم.

في اختبارات الأداء، قلل من أخطاء التصنيف الخاطئ بنسبة 24% تقريبًا وتطلب تخزينًا أقل بمقدار 16 مرة لكل تضمين. ومن المثير للاهتمام أن هذا النموذج الجديد للذكاء الاصطناعي لا يحتاج إلى إعادة تدريبه لكل تطبيق. 

إنها فعالة وقابلة للتكيف عبر مناطق وتحديات مختلفة. ويرجع ذلك إلى أن AlphaEarth تنتج تضمينات للأغراض العامة، وملخصات موجزة وغنية بالمعلومات لكل موقع، والتي يمكن استخدامها مباشرة للعديد من أنواع التحليل دون إعادة بناء النموذج بأكمله.

حتى الآن، تم استخدام نموذج Google Earth AI الجديد لمراقبة التغيرات في الأراضي في أكثر من 100 دولة، بما في ذلك الغابات الاستوائية والمناطق القطبية الشمالية والمدن المتوسعة. تُستخدم هذه الرؤى لدعم التخطيط الأكثر ذكاءً واتخاذ قرارات مناخية أكثر استنارة.

‍

كيف تستخدم AlphaEarth رؤية الكمبيوتر لمراقبة الأرض

في حين يمكن استخدام صور الأقمار الصناعية لالتقاط مناظر تفصيلية لسطح الأرض، فإن تحويل هذه الصور إلى رؤى ذات مغزى ليس دائمًا أمرًا سهلاً. تستخدم AlphaEarth Foundations الرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي التي تمكن الآلات من تفسير المعلومات المرئية، لاكتشاف وتحليل الأنماط عبر الأراضي والنباتات والتضاريس.

إليك كيف يطبق النموذج مهام رؤية الكمبيوتر المختلفة على مراقبة الأرض: 

• تصنيف الصور (Image classification): تحدد AlphaEarth أنواع الأراضي مثل الغابات والأراضي الزراعية والأراضي الرطبة والمناطق الحضرية من صور الأقمار الصناعية. تدعم هذه التصنيفات مراقبة المناخ والبحث البيئي وتخطيط استخدام الأراضي.
  
  
• التجزئة (Segmentation): تسمى أيضًا بالرسم الخرائطي الموضوعي، حيث تصنف التجزئة كل بكسل في صورة الأقمار الصناعية بفئة مثل نوع المحصول أو الغطاء النباتي. تستخدم AlphaEarth تضميناتها السنوية للحفاظ على دقة عالية عبر المناطق، مما يتيح رسم خرائط دقيقة لاستخدام الأراضي والغطاء الأرضي والتنوع البيولوجي.
  ‍
• اكتشاف التغيير: من خلال مقارنة التضمينات السنوية لنفس الموقع، يمكن لـ AlphaEarth اكتشاف التحولات في استخدام الأراضي والغطاء الأرضي، مثل إزالة الغابات أو تأثيرات حرائق الغابات أو النمو الحضري. وهو يعمل مع كل من الأساليب الخاضعة للإشراف (التعلم من الأمثلة المصنفة) والأساليب غير الخاضعة للإشراف (إيجاد الأنماط بدون تسميات).
  ‍
• التجميع غير الخاضع للإشراف: دون استخدام أي بيانات مصنفة، يمكن لـ AlphaEarth تجميع المناطق التي تظهر أنماطًا متشابهة في صور الأقمار الصناعية. يساعد هذا في الكشف عن اتجاهات مثل التحولات النباتية أو الحالات الشاذة المناخية في المناطق الجديدة أو التي لم تتم دراستها بشكل كافٍ. إنه مؤثر بشكل خاص عندما تكون البيانات المصنفة محدودة أو مفقودة.

‍

تطبيقات واقعية لنموذج الذكاء الاصطناعي الجديد من Google

مع فهم أفضل لكيفية عمل الذكاء الاصطناعي لتقنيات مراقبة الأرض الجديدة من Google، لنتناول تطبيقات AlphaEarth Foundations الواقعية.

مبادرة الذكاء الاصطناعي من Google Earth للمدن الأمريكية الأكثر اخضرارًا

في جميع أنحاء الولايات المتحدة، تعمل المدن على تنمية الغابات الحضرية لتقليل الحرارة وامتصاص التلوث وتعزيز الصحة العامة. ولكن تحديد مكان وجود الأشجار بالضبط، وأين لا توجد، قد يكون أمرًا صعبًا. في الأحياء المكتظة والشوارع الضيقة، غالبًا ما لا يتم اكتشاف المساحات الخضراء في صور الأقمار الصناعية أو الدراسات الاستقصائية التقليدية.

ومع ذلك، تستخدم AlphaEarth بيانات الأقمار الصناعية والارتفاع والبيانات البيئية لرسم خريطة الغطاء الشجري بتفاصيل دقيقة. ولاختبار نموذج الذكاء الاصطناعي الجديد من Google، استخدم باحثون أكثر من 45000 سجل للأشجار من iNaturalist. 

ركزوا على 39 جنسًا شائعًا من الأشجار (مجموعات من الأنواع وثيقة الصلة) الموجودة في جميع ولايات الولايات المتحدة، بما في ذلك ألاسكا وهاواي. تم تنظيف البيانات وتقسيمها إلى مجموعات تدريب واختبار، مع استخدام 300 عينة لكل جنس للتدريب والباقي للاختبار. 

رسم النموذج بدقة الغطاء الشجري من بيانات الأقمار الصناعية والارتفاع والبيانات البيئية، مما يدل على قدرته على سد الثغرات التي تركتها الدراسات الاستقصائية التقليدية. يمكن 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 المحاصيل الذكي مدعوم بأقمار مراقبة الأرض

يعتمد مخزون المحاصيل في كندا بشكل كبير على الملاحظات على مستوى الحقل، خاصة في المناطق التي لا توجد بها سجلات للتأمين على المحاصيل (تقارير رسمية عن نوع المحصول والموقع والمساحة التي تم جمعها لبرامج التأمين الزراعي). تُستخدم هذه المسوحات التي يتم إجراؤها غالبًا من المركبات المتحركة لتتبع المحاصيل الرئيسية مثل الحبوب والبذور الزيتية والفواكه والأعلاف. 

ولكن نظرًا لأن بعض أنواع المحاصيل يتم تسجيلها بشكل متكرر أكثر من غيرها، فقد تكون البيانات غير متساوية ويصعب تحويلها إلى خرائط موثوقة وواسعة النطاق. للتغلب على هذه المشكلات، يمكن لـ AlphaEarth دعم كل من تصنيف المحاصيل عالي المستوى والدقيق استنادًا إلى بيانات من أقمار مراقبة الأرض. 

يمكنه تجميع المحاصيل في فئات واسعة مثل الحبوب أو البذور الزيتية. في المناطق التي تتوفر فيها بيانات مسح تفصيلية، يمكنه أيضًا تحديد أنواع معينة مثل القمح الربيعي أو الذرة أو البرسيم. يوازن هذا النهج المكون من مستويين بين التغطية والتفاصيل، مما يوفر صورة أوضح لما ينمو في جميع أنحاء كندا.

‍

استكشاف التضاريس العالمية باستخدام الذكاء الاصطناعي لتقنية Google Earth

تعد القارة القطبية الجنوبية واحدة من أصعب الأماكن على وجه الأرض لرسم الخرائط، بسبب الطقس القاسي والغطاء الثلجي المستمر والرؤية المحدودة للأقمار الصناعية. هذا يترك فجوات في فهمنا للأنهار الجليدية والصخور المكشوفة وكيف يتغير المشهد بمرور الوقت.

من خلال الجمع بين صور الأقمار الصناعية وبيانات الرادار والارتفاع، تنتج AlphaEarth خرائط سنوية متسقة لأنتاركتيكا، حتى في المناطق ذات الرؤية المحدودة. يمكنه ملء التفاصيل المفقودة وإنشاء خرائط تضاريس بدقة 10 أمتار تساعد الباحثين على تتبع الأنهار الجليدية وأنسجة السطح والأراضي المغطاة بالثلوج بدقة أكبر. 

إيجابيات وسلبيات نموذج الذكاء الاصطناعي الجديد: AlphaEarth

فيما يلي بعض المزايا الرئيسية التي يقدمها نموذج الذكاء الاصطناعي الجديد AlphaEarth Foundations لتطبيقات مراقبة الأرض والتخطيط الحضري:

• تعدد الاستخدامات: يمكن استخدام AlphaEarth في مجالات متعددة مثل الزراعة والتخطيط الحضري والاستجابة للكوارث دون الحاجة إلى نماذج منفصلة.
  ‍
• يملأ فجوات البيانات: يمكن لنموذج Google الجديد للذكاء الاصطناعي إنشاء ملخصات سنوية حتى عندما يكون إدخال الأقمار الصناعية غير كامل، مما يساعد في الحفاظ على الاستمرارية في تحليل السلاسل الزمنية.
  ‍
• مخرجات جاهزة للذكاء الاصطناعي: ينتج تضمينات يمكن أن تغذي مباشرة أدوات مثل أجهزة مراقبة المحاصيل أو أجهزة الكشف عن الفيضانات أو مصنفات استخدام الأراضي، مما يوفر الوقت للباحثين والمطورين.

في حين أن AlphaEarth تقدم دعمًا موثوقًا به عبر مجالات مختلفة، إلا أن هناك بعض القيود التي يجب وضعها في الاعتبار:

• ليس في الوقت الفعلي: التضمينات السنوية من AlphaEarth غير مناسبة للتطبيقات التي تتطلب مراقبة يومية أو شبه فورية.
  ‍
• يعتمد على جودة الإدخال: على الرغم من أنه يملأ الفجوات، إلا أن النموذج لا يزال يعتمد على جودة وتوافر مصادر بيانات الأقمار الصناعية والرادار وغيرها من مصادر الإدخال.
  ‍
• قابلية تفسير محدودة: كما هو الحال مع معظم نماذج التعلم العميق، قد يكون من الصعب تفسير كيف يصل AlphaEarth بالضبط إلى أنماط أو تنبؤات معينة.

النقاط الرئيسية

تساعد مؤسسة AlphaEarth الباحثين والمخططين وصناع السياسات على رؤية الكوكب بطرق جديدة. يمكن لنموذج الذكاء الاصطناعي الجديد من Google تحويل مدخلات الأقمار الصناعية الأولية إلى معلومات منظمة وموثوقة تدعم اتخاذ قرارات أفضل في مجالات مثل علم المناخ والزراعة والتنمية الحضرية. من خلال تطوير مراقبة الأرض، فإنه يجعل من السهل مراقبة وفهم التغيرات التي تطرأ على كوكبنا بمرور الوقت.

انضم إلى مجتمعنا واستكشف ابتكارات الذكاء الاصطناعي على مستودع GitHub الخاص بنا. تعرف على الذكاء الاصطناعي في الزراعة و رؤية الكمبيوتر في الرعاية الصحية من خلال صفحات الحلول الخاصة بنا. تحقق من خطط الترخيص الخاصة بنا وابدأ رحلتك في عالم الذكاء الاصطناعي اليوم!