في دراسة جديدة قام بها باحثون من إيرلندا، تم تقديم أسلوب مبتكر لاكتشاف مواقع مزارع الألبان من خلال تحليل صور الأقمار الصناعية بشكل زمني ومكاني. المشكلة الأساسية في اكتشاف مواقع المزارع تكمن في أن الأدلة الزراعية تتوزع بشكل غير منتظم عبر المساحات الزراعية، الحدود، الطرق، والمباني، بالإضافة إلى أنماط النباتات الموسمية.

تتطلب التقنيات التقليدية لمثل هذه الاكتشافات بيانات كاملة، ولكن هذه الدراسة استخدمت نموذجاً تعلمياً ضعفياً (Weakly Supervised Learning) يعزز اكتشاف مجموعات المزارع المحتملة من صور الأقمار الصناعية للموسم. اعتمد الباحثون على صور من مواسم الربيع والصيف والخريف، وتحديداً من مقاطعة كورك، واستخدموا مجموعة من المؤشرات الطيفية ومعايير مثل مؤشرات المساحات المبنية.

تعلم نموذج Barlow Twins توضيحات متعددة للموسم من الصور حتى دون وجود تسميات مباشرة للمزارع. بينما تم تقسيم بيانات OpenStreetMap في مجموعة معايير للاستخدام ومجموعة أخرى محجوزة للتقييم. يساعد هذا النظام في تقييم المسافة بين المزارع ومدى ظهور الأدلة النباتية في كل موسم، حيث وُجد أن المجموعة الأولى من المزارع المختارة يبلغ دقتها 0.60 عند 500 متر و0.80 عند 1000 متر من مراكز المزارع المعروفة في OpenStreetMap.

تظهر النتائج أن استخدام التعلم التمثيلي الموسمي والمعايير الجغرافية الضعيفة يمكن أن يساهم في تقليص كميات ضخمة من صور الأقمار الصناعية إلى مجموعات مختارة ومدروسة بعناية، مما يسهل مراجعة القرارات البشرية.