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 AlphaEarth Foundations على مليارات نقاط البيانات المستمدة من صور الأقمار الصناعية، والرادار، وLiDAR (كشف المدى بالضوء)، ونماذج الارتفاع، والمحاكاة المناخية. وباستخدام هذه المجموعة الواسعة من المدخلات، فإنه ينشئ مشاهد سنوية للكوكب بدقة 10 أمتار.

ببساطة، هذا يعني أنه قادر على إنتاج خرائط واضحة ومتسقة لسطح الأرض، حتى في المناطق التي يصعب رؤيتها، مما يجعل من السهل رصد وتتبع التغيرات في الأراضي والمياه والمناخ بمرور الوقت. تتوفر هذه اللقطات 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.

Link to this sectionAlphaEarth: 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 تضمينات رقمية لرسم خريطة لسطح الأرض. (المصدر)

تتوفر مجموعة من هذه التضمينات عبر مجموعة بيانات التضمين الساتلي الخاصة بـ Google Earth Engine. ويتم 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.

Link to this sectionالذكاء 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 لرصد تغيرات الأراضي في أكثر من 100 دولة، بما في ذلك الغابات الاستوائية، والمناطق القطبية، والمدن المتوسعة. تُستخدم هذه الرؤى لدعم تخطيط أكثر ذكاءً وقرارات مناخية أكثر استنارة.

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

Link to this sectionكيف يستخدم AlphaEarth الرؤية الحاسوبية لرصد الأرض#

بينما يمكن استخدام صور الأقمار الصناعية لالتقاط مشاهد مفصلة لسطح الأرض، فإن تحويل تلك الصور إلى رؤى ذات مغزى ليس دائماً بالأمر المباشر. يستخدم AlphaEarth Foundations الرؤية الحاسوبية، وهو فرع من الذكاء الاصطناعي يُمكّن الآلات من تفسير المعلومات المرئية، لاكتشاف وتحليل الأنماط عبر الأراضي، والغطاء النباتي، والتضاريس.

إليك كيفية تطبيق النموذج لـ مهام الرؤية الحاسوبية المختلفة لرصد الأرض:

• تصنيف الصور: يحدد AlphaEarth أنواع الأراضي مثل الغابات، والأراضي الزراعية، والأراضي الرطبة، والمناطق الحضرية من صور الأقمار الصناعية. تدعم هذه التصنيفات المراقبة المناخية، والبحوث البيئية، وتخطيط استخدام الأراضي.
• التجزئة: تسمى أيضاً بالخرائط الموضوعية، حيث تقوم التجزئة بتصنيف كل بكسل في صورة الأقمار الصناعية بفئة مثل نوع المحصول أو الغطاء النباتي. يستخدم AlphaEarth تضميناته 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، وتأثيرات حرائق الغابات، أو النمو الحضري. وهو يعمل مع كل من الطرق الخاضعة للإشراف (التعلم من أمثلة مصنفة) 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 ابتكار من Google، AlphaEarth، لفهم بيئة الأرض في عام 2023. (المصدر)

Link to this sectionالتطبيقات 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.

Link to this sectionمبادرة 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 والارتفاع والبيانات البيئية لرسم خرائط الغطاء الشجري بتفاصيل دقيقة. لاختبار هذا النموذج الجديد للذكاء الاصطناعي 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.

قام النموذج برسم خريطة دقيقة للغطاء الشجري من بيانات الأقمار الصناعية والارتفاع والبيانات البيئية، مما يظهر قدرته على سد الفجوات التي تتركها المسوحات التقليدية. يمكن لهذه الرؤى أن تساعد مدناً مثل ديترويت ونيويورك وفينيكس على اتخاذ قرارات أفضل بشأن أماكن زراعة الأشجار، وتبريد الأحياء، ودعم التنوع البيولوجي المحلي.

Link to this sectionرسم 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 لأن بعض أنواع المحاصيل يتم تسجيلها بشكل متكرر أكثر من غيرها، يمكن أن تكون البيانات غير متساوية ويصعب تحويلها إلى خرائط موثوقة واسعة النطاق. للتغلب على هذه المشكلات، يمكن لـ AlphaEarth دعم كل من تصنيف المحاصيل عالي المستوى والدقيق بناءً على بيانات من أقمار رصد الأرض الصناعية.

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)

Link to this sectionاستكشاف 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.

Link to this sectionإيجابيات 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.
• قابلية تفسير محدودة: كما هو الحال مع معظم نماذج التعلم العميق، قد يكون من الصعب تفسير كيفية وصول AlphaEarth بالضبط إلى أنماط أو تنبؤات معينة.

Link to this sectionأبرز 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. تعرف على الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في الرعاية الصحية من خلال صفحات الحلول الخاصة بنا. اطلع على خطط الترخيص الخاصة بنا وابدأ مع الذكاء الاصطناعي اليوم!