في أعقاب الكوارث الطبيعية، يعتبر تحديد المناطق المتضررة خطوة حيوية لمساعدة المجتمعات المتأثرة. قدّم الباحثون في دراسة حديثة نموذجًا مبتكرًا يستند إلى تقنية المحولات البصرية (ViT) ضمن إطار عمل لتعلم الآلة، حيث يهدف هذا النموذج إلى تحسين دقة تقسيم المناطق المتأثرة بالكوارث مستنادًا إلى بيانات الاستشعار عن بُعد.

تبدأ عملية النموذج بمجموعة صغيرة من المناطق المعلّمة يدويًا، حيث يتم استخدام تحليل المكونات الأساسية (PCA) لتحليل فضاء الخصائص. بعدها، يتم بناء مؤشر الثقة (CI) لتمديد هذه التسمية ليتم إنشاء مجموعة تدريب ضعيفة الإشراف. تستخدم هذه التسميات الموسعة لتدريب النماذج ذات المحولات البصرية والتي تأخذ مدخلات متعددة النطاقات من صور Sentinel-2 و Formosat-5.

يدعم التصميم الهندسي للنموذج مجموعة متنوعة من تطبيقات فك الترميز واستراتيجيات خسارة متعددة المراحل، مما يعزز الأداء تحت إشراف محدود. خلال تقييم النموذج، تمت مقارنة التنبؤات الصادرة عنه مع مخرجات EVAP عالية الدقة لتقييم اتساق التقسيم. أظهرت دراسات الحالة على جفاف بحيرة بويانغ في عام 2022 وحرائق رودس في عام 2023 أن الإطار المعتمد يمكن أن يحسن من سلاسة وموثوقية نتائج التقسيم، مما يقدم نهجًا قابلًا للتوسع في رسم خرائط الكوارث عندما تكون المعلومات الدقيقة حول الأرض غير متاحة.

هذه التقنية تمثل خطوة جديدة نحو استخدام الذكاء الاصطناعي في تحسين استجابة خدمات الطوارئ، مما قد يسهم في إنقاذ الأرواح وتحسين فعالية جهود الإغاثة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.