يشهد مجال استشعار الأرض من الفضاء تحولًا كبيرًا بفضل التطورات الحديثة في الذكاء الاصطناعي، خاصة فيما يتعلق ببيانات الأقمار الصناعية. يتم نقل كميات هائلة من البيانات البصرية من الأقمار الصناعية إلى الخوادم الأرضية كل يوم، إلا أن أكثر من نصف هذه البيانات تتأثر بالأحوال الجوية مثل الضباب أو السحب. بالإضافة إلى ذلك، فإن البيانات تعاني من التحدي الأساسي المتمثل في التبادل بين الدقة المكانية والزمنية، مما يجعل الحصول على ملاحظات سحابية عالية الدقة بشكل مستمر تحديًا قائمًا.

في محاولة لمواجهة هذه التحديات، تم تطوير طريقتين جديدتين باستخدام تقنيات التعلم العميق (Deep Learning) لتحسين الدقة خلال معالجة منتجات ماسك السحب SEVIRI. تشمل الأساليب المقترحة نموذجين رئيسيين: الأول هو شبكة عصبية تلافيفية (CNN) تُعرف باسم SpatialCNN، والثاني هو نموذج شبكة الخصومة التوليدية (GAN) المعروف باسم SpatialGAN. تم تدريب كلا النموذجين على بيانات SEVIRI والصور السحابية لتحقيق تعزيز دقة بمقدار 4 مرات عبر نطاقات الاستشعار.

بالإضافة إلى ذلك، تم تقديم مجموعة بيانات جديدة تُعرف باسم SEVMOD-CM، والتي تدمج ملاحظات MODIS وSEVIRI بشكل زمني ومكاني، مما يزيد من دقة وفائدة التطبيقات مثل مراقبة الغلاف الجوي، وتوقعات الطقس، وتقليل مخاطر الكوارث، وتوقعات الطاقة الشمسية، وأبحاث المناخ.

تظهر النتائج التجريبية قيمة هذه النماذج الجديدة لمجتمع الاستشعار عن بعد، مما يؤكد فوائد تطبيق تقنيات تحسين الدقة على منتجات ماسك السحب المستخرجة من الأقمار الصناعية الجيوستاتية.