في عصر التكنولوجيا المتقدمة، يعد تصنيف الصور عن بُعد (Remote Sensing Images) باستخدام نماذج التعلم العميق (Deep Learning Models) من المجالات الجوهرية التي تتطلب فهمًا دقيقًا لتأثيرات خيارات التصميم المختلفة. غالبًا ما تُظهر تجارب تصنيف متعدد العلامات (Multi-Label Classification) تصنيفات لا تعمّم خارج مجموعة البيانات المقيّمة. ولذا، في هذا البحث، نُقدم خطوة جديدة تتجاوز التصنيفات باستخدام تحليل التباين الوظيفي (Functional ANOVA)

قمنا بإجراء تحليلات تجريبية تغطي 48 و20 نموذجًا من نماذج التعلم العميق، تمحورت حول عدد من خيارات التصميم الأساسية مثل معمارية الشبكة (Network Architecture)، استراتيجية الضبط الدقيق (Fine-Tuning Strategy)، استراتيجية التعلم (Learning Strategy)، وطرق التهيئة (Initialization). من خلال تطبيق تحليل الفANOVA عبر سبعة مجموعات بيانات لتصنيف الصور عن بُعد، قمنا بإنشاء تمثيلات تجريبية تعكس حساسية خيارات التصميم.

لإلقاء الضوء على كيفية استجابة المجموعات للخيارات التصميمية، أجرينا تحليلًا شجريًا لهذه التمثيلات، مما أظهر أن المجموعات تتجمع بشكل طبيعي بناءً على استجابتها لقرارات التصميم، مع ارتباطات قوية مع الخصائص الجوهرية لمجموعات البيانات مثل المقياس (Scale)، الدقة المكانية (Spatial Resolution)، وتعقيد مساحة العلامة (Label Space Complexity).

تظهر نتائجنا أن استراتيجية الضبط الدقيق والمعمارية تعتبران عاملين رئيسيين في المجموعات الكبيرة، بينما تصبح التهيئة حاسمة في بيئات البيانات المحدودة. في الأنظمة المتوسطة، تتفاعل المعمارية مع استراتيجية التعلم لتحدد الأداء. هذه النتائج تمثل خطوة مهمة نحو تحسين استراتيجيات تصنيف الصور عن بُعد.