بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
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 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.
وهذا يعني ببساطة أن هذا يعني أنه يمكن أن ينتج خرائط واضحة ومتسقة لسطح الأرض، حتى في المناطق التي يصعب رؤيتها، وبالتالي يسهل رصد التغيرات في الأرض والمياه والمناخ track بمرور الوقت. هذه اللقطات متاحة الآن من خلال Google Earth Engine، منصة Googleالسحابية 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 Googleالجديد للذكاء الاصطناعي لرصد 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.
الشكل 1. يستخدم نموذج الذكاء الاصطناعي من Googleالتضمينات العددية لرسم خريطة لسطح الأرض.(المصدر)
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 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 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.
الشكل 2. تصور الأنماط العالمية باستخدام نموذج الذكاء الاصطناعي الجديد من Google.(المصدر)
كيف تستخدم AlphaEarth رؤية الكمبيوتر لمراقبة 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، detect وتحليل الأنماط عبر الأرض والغطاء النباتي والتضاريس.
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.
كشف التغيير: من خلال مقارنة التضمينات السنوية لنفس الموقع، يمكن لـ AlphaEarth detect 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 detect 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.
الشكل 3. نظرة على استخدام الذكاء الاصطناعي لأحدث ابتكارات GoogleAlphaEarth، لفهم بيئة الأرض في عام 2023.(المصدر)
تطبيقات العالم الحقيقي لنموذج الذكاء الاصطناعي الجديد من Google
من خلال فهم أفضل لكيفية عمل الذكاء الاصطناعي لتقنيات رصد الأرض الجديدة من Googleدعونا نستكشف تطبيقات مؤسسات AlphaEarth في العالم الحقيقي.
مبادرة Google إيرث" للذكاء الاصطناعي من أجل مدن أمريكية أكثر 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، يستخدم AlphaEarth بيانات الأقمار الصناعية والارتفاع والبيئة لرسم خريطة للغطاء الشجري بتفاصيل دقيقة. لاختبار هذا النموذج الجديد للذكاء الاصطناعي Google استخدم الباحثون أكثر من 45,000 سجل شجري 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 جرد المحاصيل في كندا اعتمادًا كبيرًا على الملاحظات على المستوى الميداني، خاصة في المناطق التي لا توجد بها سجلات تأمين على المحاصيل (تقارير رسمية عن نوع المحاصيل وموقعها والمساحة التي يتم جمعها لبرامج التأمين الزراعي). تُستخدم هذه المسوحات على الزجاج الأمامي، التي غالبًا ما تُجرى من مركبات متحركة، track 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.
الشكل 4. تساعد Google AlphaEarth في classify المحاصيل في كندا.(المصدر)
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 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 track الأنهار الجليدية والقوام السطحي 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 ثغرات البيانات: يمكن لنموذج الذكاء الاصطناعي الجديد 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: 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 Foundation الباحثين والمخططين وصانعي السياسات على رؤية الكوكب بطرق جديدة. يمكن لنموذج الذكاء الاصطناعي الجديد من Googleتحويل 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.
