يستخدم Google AlphaEarth من Google AlphaEarth بيانات الرصد لرسم الخرائط العالمية

طُرِحَ في 30 يوليو 2025، AlphaEarth Foundations، وهو نموذج أساس جغرافي مكاني تم تطويره بواسطة Google DeepMind. وهو أحد أبرز أخبار الذكاء الاصطناعي الأخيرة من Google، وقد صُمم لجعل العمل مع بيانات رصد الأرض العالمية أسرع وأوضح وأكثر موثوقية.

تم تدريب AlphaEarth Foundations على مليارات من نقاط البيانات من صور الأقمار الصناعية والرادار و LiDAR (الكشف عن الضوء وتحديد المدى) ونماذج الارتفاعات ومحاكاة المناخ. وباستخدام هذه المجموعة الواسعة من المدخلات، تُنشئ هذه الأداة مناظر سنوية بدقة 10 أمتار لكوكب الأرض. 

ويعني ذلك ببساطة أنه يمكن أن ينتج خرائط واضحة ومتسقة لسطح الأرض، حتى في المناطق التي يصعب رؤيتها، وبالتالي يسهل رصد التغيرات في الأرض والمياه والمناخ وتتبعها بمرور الوقت. هذه اللقطات متاحة الآن من خلال Google Earth Engine، منصة Google السحابية للبيانات الجغرافية المكانية.

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

ألفا إيرث: نموذج جوجل الجديد للذكاء الاصطناعي لرصد الأرض

توفر أساسات ألفا إيرث طريقة جديدة لفهم كوكبنا من خلال نظام مستمر وديناميكي. فبدلاً من عرض كل صورة على حدة، يقوم نموذج الذكاء الاصطناعي الجديد ببناء صورة موحدة ومنظمة لسطح الأرض عبر المكان والزمان.

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

على وجه الخصوص، يمكن لـ AlphaEarth عرض كيفية تغير المناظر الطبيعية للأرض على مر السنين. يتم إنشاء هذه اللقطات باستخدام التضمينات، وهي ملخصات مدمجة لما تعلمه النموذج عن كل موقع. 

‍

وتتوفر مجموعة من هذه التضمينات عبر مجموعة بيانات تضمين الأقمار الصناعية في محرك Google Earth Engine. ويجري استخدامها بالفعل في مجالات مثل الاستجابة لحرائق الغابات والتخطيط الحضري ومراقبة الأراضي. وهذا يساعد الباحثين وصانعي القرار على تحويل بيانات الأقمار الصناعية إلى رؤى مفيدة.

الذكاء الاصطناعي والمناخ أهمية ألفا-أرض

تتمثل إحدى الفوائد الرئيسية لأساسات AlphaEarth Foundations في أنها تجعل دراسة التغيرات طويلة الأجل على كوكبنا أسهل. فهو يعمل بشكل جيد حتى في المناطق الصعبة حيث تكون البيانات مفقودة أو تحجب الغيوم في كثير من الأحيان مشاهدات الأقمار الصناعية. على سبيل المثال، في غابات الأمازون المطيرة، حيث يمثل الغطاء السحابي مشكلة مستمرة، لا يزال بإمكان AlphaEarth اكتشاف التغيرات في الأرض من خلال التعلم من الأنماط حول العالم.

في الاختبارات المعيارية، قلل هذا النموذج من أخطاء التصنيف الخاطئ بنسبة 24% تقريباً وتطلب مساحة تخزين أقل بـ 16 مرة لكل عملية 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. وذلك لأن AlphaEarth ينتج تضمينات للأغراض العامة، وملخصات مدمجة وغنية بالمعلومات عن كل موقع، يمكن استخدامها مباشرةً في العديد من أنواع التحليل دون إعادة بناء النموذج بأكمله.

حتى الآن، تم استخدام نموذج الذكاء الاصطناعي الجديد من Google Earth لرصد التغيرات في الأراضي في أكثر من 100 بلد، بما في ذلك الغابات الاستوائية ومناطق القطب الشمالي والمدن الآخذة في التوسع. ويتم استخدام هذه الرؤى لدعم التخطيط الأكثر ذكاءً واتخاذ قرارات مناخية أكثر استنارة.

‍

كيف تستخدم AlphaEarth الرؤية الحاسوبية لرصد الأرض

في حين أنه يمكن استخدام صور الأقمار الصناعية لالتقاط صور مفصلة لسطح الأرض، فإن تحويل تلك الصور إلى رؤى ذات مغزى ليس دائماً أمراً سهلاً. تستخدم مؤسسات AlphaEarth Foundations الرؤية الحاسوبية، وهو فرع من فروع الذكاء الاصطناعي الذي يمكّن الآلات من تفسير المعلومات المرئية، لاكتشاف وتحليل الأنماط عبر الأرض والغطاء النباتي والتضاريس.

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

• تصنيف الصور: تحدد AlphaEarth أنواع الأراضي مثل الغابات والأراضي الزراعية والأراضي الرطبة والمناطق الحضرية من صور الأقمار الصناعية. تدعم هذه التصنيفات رصد المناخ والبحوث البيئية وتخطيط استخدام الأراضي.
  
  
• التقسيم: يُسمى أيضًا رسم الخرائط الموضوعية، حيث يقوم التجزئة بتسمية كل بكسل في صورة القمر الصناعي بفئة مثل نوع المحصول أو الغطاء النباتي. يستخدم AlphaEarth التضمين السنوي للحفاظ على دقة عالية عبر المناطق، مما يتيح رسم خرائط دقيقة لاستخدام الأراضي والغطاء الأرضي والتنوع البيولوجي.
  ‍
• كشف 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 (العثور على أنماط بدون تصنيفات).
  ‍
• تجميع غير خاضع للإشراف: يمكن ل AlphaEarth تجميع المناطق التي تُظهر أنماطاً متشابهة في صور الأقمار الصناعية دون استخدام أي بيانات مصنفة. يساعد ذلك في اكتشاف الاتجاهات مثل تحولات الغطاء النباتي أو الانحرافات المناخية في المناطق الجديدة أو غير المدروسة. وهو مؤثر بشكل خاص عندما تكون البيانات المصنفة محدودة أو مفقودة.

‍

تطبيقات العالم الحقيقي لنموذج الذكاء الاصطناعي الجديد من Google

من خلال فهم أفضل لكيفية عمل الذكاء الاصطناعي لتقنيات رصد الأرض الجديدة من Google، دعونا نستكشف تطبيقات مؤسسات AlphaEarth في العالم الحقيقي.

مبادرة "جوجل إيرث" للذكاء الاصطناعي من أجل مدن أمريكية أكثر اخضرارًا

تقوم المدن في جميع أنحاء الولايات المتحدة بزراعة الغابات الحضرية للحد من الحرارة وامتصاص التلوث وتعزيز الصحة العامة. لكن تحديد أماكن وجود الأشجار بالضبط، وأين لا توجد، قد يكون أمراً صعباً. ففي الأحياء الكثيفة والشوارع الضيقة، غالبًا ما لا يتم اكتشاف المساحات الخضراء في صور الأقمار الصناعية أو المسوحات التقليدية.

ومع ذلك، يستخدم AlphaEarth بيانات الأقمار الصناعية والارتفاع والبيئة لرسم خريطة للغطاء الشجري بتفاصيل دقيقة. لاختبار هذا النموذج الجديد للذكاء الاصطناعي من جوجل، استخدم الباحثون أكثر من 45,000 سجل شجري من iNaturalist. 

وقد ركز الباحثون على 39 جنسًا شجريًا شائعًا (مجموعات من الأنواع وثيقة الصلة) الموجودة في جميع الولايات الأمريكية، بما في ذلك ألاسكا وهاواي. تم تنظيف البيانات وتقسيمها إلى مجموعتي تدريب واختبار، مع استخدام 300 عينة لكل جنس للتدريب والباقي للاختبار. 

وقد رسم النموذج خريطة دقيقة للغطاء الشجري من بيانات الأقمار الصناعية والارتفاع والبيئة بدقة، مما يدل على أنه يمكن أن يسد الثغرات التي خلفتها المسوحات التقليدية. يمكن أن تساعد هذه الأفكار مدنًا مثل ديترويت ونيويورك وفينيكس على اتخاذ قرارات أفضل بشأن أماكن زراعة الأشجار وتبريد الأحياء ودعم التنوع البيولوجي المحلي.

رسم خرائط المحاصيل بشكل أكثر ذكاءً بدعم من الأقمار الصناعية لرصد الأرض

يعتمد جرد المحاصيل في كندا اعتمادًا كبيرًا على الملاحظات على المستوى الميداني، خاصة في المناطق التي لا توجد بها سجلات تأمين على المحاصيل (التقارير الرسمية لنوع المحاصيل وموقعها والمساحة التي يتم جمعها لبرامج التأمين الزراعي). تُستخدم هذه المسوحات على الزجاج الأمامي، التي غالبًا ما تُجرى من مركبات متحركة، لتتبع المحاصيل الرئيسية مثل الحبوب والبذور الزيتية والفواكه والأعلاف. 

ولكن بما أن بعض أنواع المحاصيل يتم تسجيلها بشكل متكرر أكثر من غيرها، فقد تكون البيانات متفاوتة ويصعب تحويلها إلى خرائط موثوقة وواسعة النطاق. وللتغلب على هذه المشاكل، يمكن لنظام AlphaEarth أن يدعم تصنيف المحاصيل على المستويين الرفيع والدقيق على حد سواء، استناداً إلى البيانات المستمدة من الأقمار الصناعية لرصد الأرض. 

ويمكنه تجميع المحاصيل في فئات واسعة مثل الحبوب أو البذور الزيتية. في المناطق التي تتوافر فيها بيانات المسح التفصيلية، يمكنه أيضًا تحديد أنواع معينة مثل القمح الربيعي أو الذرة أو البرسيم. يوازن هذا النهج ذو المستويين بين التغطية والتفاصيل، ويقدم صورة أوضح لما ينمو في جميع أنحاء كندا.

‍

استكشاف التضاريس العالمية باستخدام الذكاء الاصطناعي لتقنية Google Earth

تُعد القارة القطبية الجنوبية واحدة من أصعب الأماكن على الأرض في رسم الخرائط، حيث الطقس القاسي والغطاء الثلجي المستمر والرؤية المحدودة عبر الأقمار الصناعية. وهذا يترك ثغرات في فهمنا لأنهارها الجليدية والصخور المكشوفة وكيفية تغير المناظر الطبيعية مع مرور الوقت.

من خلال الجمع بين صور الأقمار الصناعية وبيانات الرادار وبيانات الارتفاع، ينتج برنامج AlphaEarth خرائط سنوية متسقة لأنتاركتيكا، حتى في المناطق ذات الرؤية المحدودة. ويمكنه ملء التفاصيل المفقودة وإنشاء خرائط تضاريس بدقة 10 أمتار تساعد الباحثين على تتبع الأنهار الجليدية والقوام السطحي والأراضي المغطاة بالثلوج بدقة أكبر. 

إيجابيات وسلبيات نموذج الذكاء الاصطناعي الجديد ألفا الأرض

فيما يلي بعض المزايا الرئيسية التي يقدمها نموذج الذكاء الاصطناعي الجديد AlphaEarth Foundations، الذي يوفره 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 الذكاء الاصطناعي الجديد من Google 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: تنتج مخرجات يمكن أن تغذي مباشرةً أدوات مثل أجهزة مراقبة المحاصيل أو أجهزة الكشف عن الفيضانات أو مصنفات استخدام الأراضي، مما يوفر الوقت للباحثين والمطورين.

على الرغم من أن AlphaEarth تقدم دعمًا موثوقًا عبر مختلف المجالات، إليك بعض القيود التي يجب وضعها في الاعتبار:

• ليس في الوقت الحقيقي: التضمين السنوي من AlphaEarth غير مناسب للتطبيقات التي تتطلب مراقبة يومية أو شبه آنية.
  ‍
• يعتمد على جودة المدخلات: في حين أنه يسد الثغرات، لا يزال النموذج يعتمد على جودة وتوافر الأقمار الصناعية والرادار ومصادر بيانات المدخلات الأخرى.
  ‍
• قابلية تفسير محدودة: كما هو الحال مع معظم نماذج التعلّم العميق، قد يكون من الصعب تفسير كيفية وصول AlphaEarth إلى أنماط أو تنبؤات معينة.

الوجبات الرئيسية

تساعد مؤسسة AlphaEarth Foundation الباحثين والمخططين وصانعي السياسات على رؤية الكوكب بطرق جديدة. يمكن لنموذج الذكاء الاصطناعي الجديد من Google تحويل مدخلات الأقمار الصناعية الخام إلى معلومات منظمة وموثوقة تدعم اتخاذ قرارات أفضل في مجالات مثل علوم المناخ والزراعة والتنمية الحضرية. ومن خلال تطوير مراقبة الأرض، يسهّل هذا النموذج مراقبة وفهم التغيرات التي تطرأ على كوكبنا مع مرور الوقت.

انضم إلى مجتمعنا واستكشف ابتكارات الذكاء الاصطناعي على مستودع GitHub الخاص بنا. تعرّف على الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في مجال الرعاية الصحية من خلال صفحات الحلول الخاصة بنا. اطلع على خطط الترخيص الخاصة بنا وابدأ في استخدام الذكاء الاصطناعي اليوم!