التركيز الإعلامي للرؤية العالمية
ظهرت الشركة على شاشة التلفزيون المركزي 15 مرة، ووصلت تغطيتها عبر وسائل الإعلام الحزبية والإعلام المركزي ووسائل الإعلام الرسمية المحلية إلى ما مجموعه 50 مليون شخص.
استكشاف طرق استخراج قطع الأراضي الآلية باستخدام صور الاستشعار عن بعد عبر الأقمار الصناعية
مقدمة معلومات أساسية
يُعدّ استخلاص قطع الأراضي مهمة أساسية في تفسير بيانات الاستشعار عن بُعد، وإدارة موارد الأراضي، وتقنية المعلومات المكانية الزراعية. ويشير استخلاص قطع الأراضي إلى تحديد النطاق المكاني لكل قطعة أرض على حدة من صور الأقمار الصناعية، أو صور الطائرات المسيّرة، أو غيرها من بيانات الاستشعار عن بُعد، لتشكيل أجسام مساحية ذات حدود واضحة. وفي إدارة الإنتاج الزراعي، يُعدّ الحصول على حدود قطع الأراضي بدقة أمرًا بالغ الأهمية لتسجيل الأراضي الزراعية، ومراقبة المحاصيل، وتقدير الإنتاجية، ومسح استخدام الأراضي، وتوزيع الإعانات الزراعية. غالبًا ما تعتمد طرق استخلاص قطع الأراضي التقليدية على التفسير البصري اليدوي أو طرق معالجة الصور التقليدية، مثل كشف الحواف وتجزئة التجميع. وتُعدّ هذه الطرق فعّالة في المناطق ذات قطع الأراضي المنتظمة، والصور الواضحة، والاختلافات الكبيرة في خصائص الأرض، ولكنها لا تزال تعاني من قيود كبيرة عند التعامل مع سيناريوهات زراعية معقدة.
على سبيل المثال، تختلف مساحة قطع الأراضي اختلافًا كبيرًا بين المناطق المختلفة، وبعض قطع الأراضي الزراعية الصغيرة لها حدود متقطعة وغير منتظمة؛ كما توجد اختلافات كبيرة بين الفصول المختلفة، وأجهزة الاستشعار المختلفة، والصور ذات الدقة المختلفة؛ وفي الوقت نفسه، يمكن لعوامل مثل الطرق والخنادق وتلال الحقول وظلال النباتات أن تتداخل مع تحديد الحدود. لذلك، تواجه الطرق التقليدية صعوبة في الحفاظ على دقة ثابتة في ظل ظروف واسعة النطاق ومتعددة المشاهد.
في السنوات الأخيرة، أتاح تطور تقنية التعلم العميق أساليب جديدة لاستخراج قطع الأراضي تلقائيًا. وقد حوّلت الأبحاث ذات الصلة عملية استخراج حدود الأراضي الزراعية من مهمة "التعرف على بكسلات الحدود" التقليدية إلى "تجزئة قطع الأراضي"، ما يعني أنها لم تعد تقتصر على تحديد ما إذا كان البكسل ينتمي إلى الحدود، بل تحدد مباشرةً النطاق الكامل لكل قطعة أرض مستقلة. يحافظ هذا النهج بشكل أفضل على سلامة قطع الأراضي ويقلل من مشاكل مثل تداخل القطع المتجاورة، وانقطاع الحدود، وعدم اكتشاف بعض القطع. كما أنشأت الأبحاث الحالية مجموعات بيانات تحتوي على صور فضائية متعددة الدقة وعدد كبير من قطع الأراضي المصنفة، بدقة صور تتراوح من 0.25 متر إلى 10 أمتار تقريبًا، ما يُمكّنها من التكيف مع احتياجات استخراج قطع الأراضي الزراعية على مختلف المستويات.
بنية النموذج
يُعد نموذج استخلاص قطع الأراضي نموذجًا آليًا متكاملًا لاستخلاص البيانات من صور الاستشعار عن بُعد عبر الأقمار الصناعية. ويتكون من ستة أجزاء: صور الأقمار الصناعية، والمعالجة المسبقة، ونموذج استخلاص قطع الأراضي، وتحويل نتائج كل قطعة إلى متجه، ودمج نتائج المتجهات المتشابهة، وإخراج المتجه، كما هو موضح في الشكل 1.
الشكل 1.تدفق معالجة النموذج
أولًا، يستخدم النموذج صور الأقمار الصناعية كبيانات إدخال، مستفيدًا من معلومات حول معالم مثل الأراضي الزراعية والطرق والخنادق وتلال الحقول لتوفير أساس لتحديد حدود القطع الأرضية. ثم، تخضع صور الإدخال لمعالجة مسبقة، تشمل قص الصورة، وتسجيل الإحداثيات، وتوحيد التنسيق، والتطبيع، وتقسيم الصورة. بناءً على ذلك، يُجري نموذج استخراج القطع الأرضية تحليلًا للمعالم وتجزئة للقطع على الصور المُعالجة مسبقًا، مُميزًا القطع المتجاورة لتجنب التداخل أو التجزئة الخاطئة بين القطع المختلفة. تحتاج نتائج التجزئة التي يُخرجها النموذج إلى مزيد من التحويل...بيانات متجهةيتضمن ذلك استخراج حدود قطع الأراضي من قناع وإنشاء مضلعات مغلقة لاستخدامها في التحليل المكاني لنظم المعلومات الجغرافية. ونظرًا لأن صور الأقمار الصناعية واسعة النطاق تُقسّم عادةً إلى أجزاء متعددة للمعالجة، فقد تُحدد قطعة الأرض نفسها أو تُقسّم بشكل متكرر في شرائح مختلفة. لذلك، من الضروري دمج نتائج المتجهات الخاصة بقطعة الأرض نفسها لإزالة الحدود المكررة والحفاظ على سلامة شكلها. في النهاية، يُخرج النموذج نتائج متجهات كاملة لقطع الأراضي، والتي يمكن حفظها بتنسيقات بيانات مكانية شائعة مثل Shapefile وGeoJSON لاستخدامها في إحصاءات قطع الأراضي وحساب المساحة، وما إلى ذلك.تحليل استخدام الأراضيوالتخطيط والإدارة المكانية.
عرض النتائج
يوضح الشكل 2 مخرجات النموذج المتجهة. يستطيع النموذج تحديد الأراضي الزراعية المنتظمة، والأراضي الزراعية المتصلة الكبيرة، وبعض الأراضي الزراعية المجزأة الصغيرة بدقة. بالنسبة للمناطق ذات الحدود الواضحة والترتيبات المنتظمة للقطع، تتطابق نتائج الاستخراج بشكل أساسي مع حدود القطع الفعلية. أما بالنسبة للمناطق ذات القطع المتراصة بكثافة والأشكال المعقدة، فيحافظ النموذج على أداء جيد في فصل القطع، مما يقلل من احتمالية دمج القطع المتجاورة عن طريق الخطأ. تُحسّن طريقة استخراج القطع القائمة على تجزئة الصور باستخدام التعلم العميق مستوى الأتمتة ودقة استخراج حدود الأراضي الزراعية بشكل فعال، مما يوفر دعمًا تقنيًا هامًا لرصد الاستشعار عن بُعد الزراعي والإدارة المُحسّنة لموارد الأراضي.
الشكل 2.نتائج المتجهات