تستخدم Google AlphaEarth بيانات الرصد لرسم الخرائط العالمية

تم تقديم AlphaEarth Foundations في 30 يوليو 2025، وهو نموذج أساسي جغرافي مكاني طورته Google DeepMind. يعد هذا النموذج أحد أبرز أخبار الذكاء الاصطناعي الأخيرة من Google، وقد بُني لجعل التعامل مع بيانات رصد الأرض العالمية أسرع وأكثر وضوحاً وموثوقية.

تم تدريب نموذج AlphaEarth Foundations على مليارات نقاط البيانات من صور الأقمار الصناعية والرادار وتقنية الليدار (كشف الرادار الضوئي وتحديد المدى) وننماذج الارتفاعات ومحاكاة المناخ. باستخدام هذه المجموعة الواسعة من المدخلات، فإنه ينشئ نظرة سنوية بدقة 10 أمتار للكوكب.

ببساطة، يعني هذا أنه يمكنه إنتاج خرائط واضحة ومتسقة لسطح الأرض، حتى في المناطق التي يصعب رؤيتها، بحيث يسهل رصد التغييرات في الأراضي والمياه والمناخ وتتبعها بمرور الوقت. تتوفر هذه اللقطات الآن من خلال Google Earth Engine، وهي منصة الحوسبة السحابية من Google 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. فبدلاً من عرض كل صورة على حدة، يبني نموذج الذكاء الاصطناعي الجديد صورة موحدة ومنظمة لسطح الأرض عبر الزمان والمكان.

ولإنشاء هذه الرؤية، فإنه يستمد البيانات من مجموعة واسعة من المصادر، بما في ذلك صور الأقمار الصناعية، وخرائط الارتفاع، والنماذج المناخية، وتقارير التنوع البيولوجي. يساعده هذا في رصد التغيرات في البيئة وتحليل الأسباب الكامنة وراءها.

وعلى وجه الخصوص، يمكن لـ AlphaEarth عرض كيف تتغير مناظر الأرض الطبيعية على مر السنين. يتم بناء هذه اللقطات باستخدام التضمينات (embeddings)، وهي ملخصات مدمجة لما تعلمه النموذج عن كل موقع.

الشكل 1. يستخدم نموذج الذكاء الاصطناعي من Google التضمينات العددية لرسم خرائط سطح الأرض. (المصدر)

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

الذكاء الاصطناعي والمناخ: أهمية AlphaEarth#

تتمثل إحدى الميزات الرئيسية لـ AlphaEarth Foundations في تسهيل دراسة التغيرات طويلة المدى على كوكبنا. إنه يعمل بشكل جيد حتى في المناطق الصعبة حيث تكون البيانات مفقودة أو حيث تحجب السحب رؤية الأقمار الصناعية غالباً. على سبيل المثال، في غابات الأمازون المطيرة، حيث يعد الغطاء السحابي مشكلة مستمرة، لا يزال بإمكان AlphaEarth رصد التغيرات في الأراضي من خلال التعلم من الأنماط في جميع أنحاء العالم.

في اختبارات القياس، قلل النموذج من أخطاء التصنيف الخاطئ بنسبة تقارب 24% وتطلب تخزيناً أقل بـ 16 مرة لكل تضمين. ومن المثير للاهتمام أن نموذج الذكاء الاصطناعي الجديد هذا لا يحتاج إلى إعادة تدريب لكل تطبيق.

إنه فعال وقابل للتكيف عبر مختلف المناطق والتحديات. ويرجع ذلك إلى أن AlphaEarth ينتج تضمينات ذات أغراض عامة، وهي ملخصات مدمجة وغنية بالمعلومات لكل موقع، ويمكن استخدامها مباشرة لأنواع عديدة من التحليل دون الحاجة لإعادة بناء النموذج بالكامل.

حتى الآن، تم استخدام نموذج الذكاء الاصطناعي الجديد من Google Earth لرصد تغيرات الأراضي عبر أكثر من 100 دولة، بما في ذلك الغابات الاستوائية والمناطق القطبية والمدن المتوسعة. وتُستخدم هذه الرؤى لدعم تخطيط أكثر ذكاءً وقرارات مناخية أكثر استنارة.

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

كيف يستخدم AlphaEarth الرؤية الحاسوبية لرصد الأرض#

على الرغم من أنه يمكن استخدام صور الأقمار الصناعية لالتقاط عروض تفصيلية لسطح الأرض، فإن تحويل تلك الصور إلى رؤى ذات مغزى لا يكون دائمًا أمرًا سهلاً. يستخدم نموذج AlphaEarth Foundations رؤية الكمبيوتر، وهي فرع من الذكاء الاصطناعي يمكن الآلات من تفسير المعلومات المرئية، لاكتشاف وتحليل الأنماط عبر الأراضي والغطاء النباتي والتضاريس.

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

• تصنيف الصور: يحدد AlphaEarth أنواع الأراضي مثل الغابات والأراضي الزراعية والأراضي الرطبة والمناطق الحضرية من صور الأقمار الصناعية. تدعم هذه التصنيفات رصد المناخ والبحوث البيئية والتخطيط لاستخدام الأراضي.
• التجزئة: تُسمى أيضًا الخرائط الموضوعية، حيث تقوم التجزئة بتسمية كل بكسل في صورة قمر صناعي بفئة مثل نوع المحصول أو الغطاء النباتي. يستخدم AlphaEarth تضميناته السنوية للحفاظ على دقة عالية عبر المناطق، مما يتيح رسماً دقيقاً للخرائط 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 آثار حرائق الغابات أو النمو الحضري. وهو يعمل مع كل من الطرق الخاضعة للإشراف (التعلم من الأمثلة المصنفة) والطرق غير الخاضعة للإشراف (إيجاد الأنماط بدون تسميات).
• التجميع غير الخاضع للإشراف: دون استخدام أي بيانات مصنفة، يمكن لـ AlphaEarth تجميع المناطق التي تظهر أنماطاً متشابهة في صور الأقمار الصناعية. يساعد هذا في اكتشاف الاتجاهات مثل تحولات الغطاء النباتي أو الشذوذ المناخي في المناطق الجديدة أو التي لم تحظَ بدراسة كافية. وهو مؤثر بشكل خاص عندما تكون البيانات المصنفة محدودة أو مفقودة.

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

التطبيقات الواقعية لنموذج الذكاء الاصطناعي الجديد من Google#

مع فهم أفضل لكيفية عمل الذكاء الاصطناعي لتقنيات رصد الأرض الجديدة من Google، دعنا نستكشف التطبيقات الواقعية لـ AlphaEarth Foundations.

مبادرة الذكاء الاصطناعي من Google Earth لمدن أمريكية أكثر اخضراراً#

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 أمراً صعباً. في الأحياء المكتظة والشوارع الضيقة، غالباً ما لا يتم رصد المساحات الخضراء في صور الأقمار الصناعية أو المسوحات التقليدية.

ومع ذلك، يستخدم AlphaEarth بيانات الأقمار الصناعية والارتفاعات والبيئة لرسم خريطة للغطاء الشجري بتفاصيل دقيقة. لاختبار نموذج الذكاء الاصطناعي الجديد من Google، استخدم الباحثون أكثر من 45,000 سجل شجري من iNaturalist.

ركزوا على 39 جنساً شجرياً شائعاً (مجموعات من الأنواع وثيقة الصلة) موجودة في جميع الولايات الأمريكية، 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 خريطة الغطاء الشجري من بيانات الأقمار الصناعية والارتفاعات والبيئة، مما يظهر قدرته على سد الفجوات التي تتركها المسوحات التقليدية. يمكن أن تساعد هذه الرؤى مدناً مثل ديترويت ونيويورك وفينيكس في اتخاذ قرارات أفضل بشأن مكان زراعة الأشجار، وتبريد الأحياء، ودعم التنوع البيولوجي المحلي.

رسم خرائط زراعية أكثر ذكاءً مدعوم بأقمار رصد الأرض#

يعتمد جرد المحاصيل في كندا بشكل كبير على عمليات الرصد على مستوى الحقل، خاصة في المناطق التي تفتقر إلى سجلات تأمين المحاصيل (التقارير الرسمية لنوع المحصول والموقع والمساحة التي يتم جمعها لبرامج التأمين الزراعي). تُستخدم مسوحات الزجاج الأمامي هذه، التي غالباً ما تتم من مركبات متحركة، لتتبع المحاصيل الرئيسية مثل الحبوب، والبذور الزيتية، والفواكه، والأعلاف.

ولكن نظراً لتسجيل بعض أنواع المحاصيل بشكل متكرر أكثر من غيرها، يمكن أن تكون البيانات غير متساوية ويصعب تحويلها إلى خرائط موثوقة واسعة النطاق. وللتغلب على هذه المشكلات، يمكن لـ AlphaEarth دعم تصنيف المحاصيل عالي المستوى والدقيق استناداً إلى البيانات الواردة من أقمار رصد الأرض.

يمكنه تجميع المحاصيل في فئات عريضة مثل الحبوب أو البذور الزيتية. وفي المناطق التي تتوفر فيها بيانات مسح مفصلة، يمكنه أيضاً تحديد أنواع محددة مثل القمح الربيعي، أو الذرة، أو البرسيم. يوازن هذا النهج ذو المستويين بين التغطية والتفصيل، مما يوفر صورة أوضح لما ينمو في جميع أنحاء كندا.

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

استكشاف تضاريس العالم باستخدام الذكاء الاصطناعي لتقنية Google Earth#

تعد القارة القطبية الجنوبية (أنتاركتيكا) واحدة من أصعب الأماكن على الأرض لرسم الخرائط، نظراً للطقس القاسي، والغطاء الثلجي المستمر، والرؤية المحدودة للأقمار الصناعية. وهذا يترك فجوات في فهمنا لانهياراتها الجليدية، وصخورها المكشوفة، وكيف يتغير المشهد الطبيعي بمرور الوقت.

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

إيجابيات وسلبيات نموذج الذكاء الاصطناعي الجديد: AlphaEarth#

إليك بعض المزايا الرئيسية التي يقدمها 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: يمكن لنموذج الذكاء الاصطناعي الجديد من Google هذا إنشاء ملخصات سنوية حتى عندما تكون مدخلات الأقمار الصناعية غير مكتملة، مما يساعد في الحفاظ على الاستمرارية في تحليل السلاسل الزمنية.
• مخرجات جاهزة للذكاء الاصطناعي: ينتج تضمينات يمكن أن تغذي مباشرة أدوات مثل مراقبات المحاصيل، وأجهزة كشف الفيضانات، أو مصنفات استخدام الأراضي، مما يوفر الوقت للباحثين والمطورين.

بينما يوفر AlphaEarth دعماً موثوقاً عبر مجالات مختلفة، إليك بعض القيود التي يجب وضعها في الاعتبار:

• ليس في الوقت الفعلي: التضمينات السنوية من AlphaEarth ليست مناسبة للتطبيقات التي تتطلب مراقبة يومية أو شبه فورية.
• يعتمد على جودة المدخلات: على الرغم من أنه يملأ الفجوات، إلا أن النموذج لا يزال يعتمد على جودة وتوافر الأقمار الصناعية والرادار ومصادر بيانات المدخلات الأخرى.
• محدودية القابلية للتفسير: كما هو الحال مع معظم نماذج التعلم العميق، قد يكون من الصعب تفسير كيف يتوصل AlphaEarth بالضبط إلى أنماط أو تنبؤات معينة.

أبرز النقاط#

يساعد AlphaEarth Foundation الباحثين والمخططين وصناع السياسات على رؤية الكوكب بطرق جديدة. يمكن لنموذج الذكاء الاصطناعي الجديد من Google 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 من الأسهل مراقبة وفهم تغيرات كوكبنا بمرور الوقت.

انضم إلى مجتمعنا واستكشف ابتكارات الذكاء الاصطناعي على مستودع GitHub الخاص بنا. وتعرف على الذكاء الاصطناعي في الزراعة ورؤية الكمبيوتر في الرعاية الصحية من خلال صفحات الحلول الخاصة بنا. وتفقَّد خطط الترخيص الخاصة بنا وابدأ مع الذكاء الاصطناعي اليوم!