التعلم العميق يُمكّن من الكشف الطيفي الفائق المدمج: مسار رئيسي لتحسين دقة الكشف عن الأهداف

تُعزى الصور الطيفية الفائقة التي يتم التقاطها على متن المركبة إلى...دقة طيفية عاليةوتغطية مكانية واسعة النطاقتُستخدم بيانات التصوير الطيفي الفائق على نطاق واسع في مهام مثل تحديد معالم الأرض، والرصد الحضري، والمسوحات الزراعية، والتقييم البيئي. إلا أن هذا النوع من البيانات يتميز عادةً بتعدد نطاقاته الطيفية، وتفاوت أحجام الأهداف بشكل كبير، وخلفيات معقدة، وندرة العينات المصنفة، مما يجعل مهمة الكشف عن الأهداف بالغة الصعوبة. وتواجه طرق المطابقة الطيفية التقليدية وطرق الميزات الإحصائية صعوبة في معالجة المعلومات الطيفية والمكانية في آنٍ واحد، مما يحد من فعاليتها في الكشف عن الأهداف الصغيرة والخلفيات المعقدة. في السنوات الأخيرة، وفر تطوير تقنية التعلم العميق حلاً جديداً للكشف عن الأهداف الطيفية الفائقة على متن المركبات الفضائية. فمن خلال استخراج الميزات الطيفية المكانية تلقائياً عبر التدريب الشامل، تُحسّن هذه التقنية دقة الكشف وقوته بشكل ملحوظ.

الشكل 1أمثلة على صور طيفية فائقة من القمر الصناعي شيغوانغ-1 01

من حيث المنهجية،الشبكات الالتفافية الطيفية المكانية(يحبشبكة عصبية ثلاثية الأبعاديُعد استخدام شبكة عصبية تلافيفية هجينة (أو مزيج من الاثنين) أحد أكثر الأساليب شيوعًا. وتتعامل هذه الأساليب مع البيانات فائقة الطيف على أنها...بيانات الحجم ثلاثي الأبعادمن خلال إجراء عمليات الالتفاف في البُعدين المكاني والطيفي في آنٍ واحد، يُمكن استخلاص معلومات الاستمرارية والبنية المكانية بين النطاقات الطيفية. على سبيل المثال، تستطيع طرق الشبكات العصبية الالتفافية ثلاثية الأبعاد (3D-CNN) المستخدمة في مهام تحديد المحاصيل الكشف بفعالية عن الأهداف صغيرة الحجم وتحسين دقة الكشف الإجمالية من خلال دمج ميزات الالتفاف متعددة الطبقات، إلا أن تكلفتها الحسابية عالية وتتأثر بشدة بعدد عينات التدريب. ولإبراز ميزات الهدف وكبح التداخل الناتج عن الخلفيات المعقدة،آلية الانتباه الطيفي المكانيتم دمج هذا النهج في بنية الشبكة. ومن خلال ترجيح الانتباه في كل من الأبعاد الطيفية والمكانية، فإنه يعزز الاستجابة في النطاقات والمناطق الرئيسية، مما يثبت فعاليته بشكل خاص في اكتشاف الأهداف الصغيرة، مع تحسين متانة النموذج في البيئات المعقدة.

يوضح الشكل 2 شبكة CNSST، التي تستخدم مزيجًا من الفروع الالتفافية المتوازية وفروع Transformer لتحقيق التعرف على الأهداف فائقة الطيف.

دمج الميزات متعددة المقاييستُعدّ هذه تقنية أساسية أخرى لمعالجة تباينات حجم الأهداف في صور الأقمار الصناعية فائقة الطيف. فمن خلال دمج معلومات الميزات من طبقات الالتفاف المختلفة أو الهياكل الهرمية، يستطيع النموذج التعامل مع الأهداف واسعة النطاق وصغيرة النطاق على حد سواء، محققًا نتائج كشف جيدة في سيناريوهات مثل المباني الحضرية والطرق والأراضي الزراعية. ولمعالجة مشكلة محدودية البيانات المصنفة، يُستخدم التعلم بالنقل والتعلم بعدد قليل من الأمثلة على نطاق واسع. ومن خلال التدريب المسبق للنموذج على بيانات الاستشعار عن بُعد واسعة النطاق أو مجموعات بيانات فائقة الطيف أخرى، ثم ضبطه بدقة لمهمة محددة، يمكن التخفيف من مشكلة ندرة العينات، وتسريع سرعة تقارب التدريب، والحفاظ على دقة كشف عالية.

يوضح الشكل 3 شبكة MsFNet، التي تستخدم بنية متوازية متعددة الفروع وتجمع بين الالتفاف الموسع وآلية الانتباه والتفاعل بين الميزات عبر المقاييس لتحقيق دمج ديناميكي طيفي مكاني متعدد المقاييس في الكشف الطيفي الفائق.

على الرغم من التقدم الكبير الذي أحرزته الطرق المذكورة أعلاه في الكشف عن الأهداف الطيفية الفائقة على متن المركبات الفضائية، لا تزال هناك بعض التحديات، بما في ذلك عدم كفاية قدرات المعالجة في الوقت الحقيقي للبيانات واسعة النطاق، ومشاكل التكيف مع المنصات المختلفة على متن المركبات الفضائية، وصعوبة اكتشاف العينات الصغيرة والأهداف النادرة.

تشمل توجهات التطوير المستقبلية تصميم نماذج خفيفة الوزن للكشف في الوقت الفعلي، ودمج البيانات متعددة الوسائط لتعزيز دقة الكشف، والتعلم الذاتي أو شبه الموجه لتقليل الاعتماد على البيانات المصنفة، وهياكل الشبكات القائمة على المحولات لالتقاط التبعيات الطيفية المكانية الشاملة. عمومًا، أصبحت أساليب التعلم العميق تقنية أساسية للكشف عن الأهداف فائقة الطيفية على متن المركبات الفضائية. ومن المتوقع، من خلال التحسين المستمر لهياكل الشبكات واستراتيجيات التعلم، زيادة دقة الكشف وقابليته للتطبيق، مما يوفر دعمًا قويًا لرصد الاستشعار عن بُعد وتحديد الأهداف السطحية.