في عصر تكنولوجيا الفضاء الحديثة، أصبحت الأقمار الصناعية تحتل مكانة بارزة في تقديم معلومات دقيقة عن الأرض، خاصة في مجالات مثل رسم خرائط الفيضانات. يمثل استخدام تقنيات التعلم العميق في هذا المجال جزءًا أساسيًا من الذكاء الاصطناعي الجغرافي (GeoAI)، والذي أظهر تحسينات ملحوظة في الأداء من خلال تحليل البيانات الضخمة لرصد الفيضانات. إلا أن عملية اتخاذ القرارات في نماذج التعلم العميق تعد غامضة في كثير من الأحيان، مما يشكل عقبة أمام دمجها في العمليات العلمية والعملية الحيوية.

للتغلب على هذه العقبة، تم تقديم إطار عمل جديد يحمل اسم ADAGE (تقييم التوافق بين المعرفة الميدانية وتفسيرات GeoAI). يهدف هذا الإطار إلى تقييم مدى توافق تفسيرات نماذج التعلم العميق مع المعرفة المعتمدة في مجال الاستشعار عن بُعد. يتعامل إطار ADAGE مع الخصائص الطيفية المميزة لسطح الأرض، ويستخدم تقنية SHAP (SHapley Additive exPlanations) لتقدير مساهمات القنوات المدخلة في التنبؤات على مستوى البكسل.

أظهرت التجارب على مهام رسم خرائط الفيضانات المستندة إلى الأقمار الصناعية أن هذا الإطار يمكن أن يقوم بتقييم كمي لمدى توافق تفسيرات النموذج مع التفسيرات المرجعية المستمدة من المعرفة الميدانية، بالإضافة إلى تمكين الخبراء من تحديد التفسيرات غير المتوافقة من خلال درجات التوافق.

تلك الخطوات تساهم في تقليص الفجوة بين الشفافية في نماذج الذكاء الاصطناعي الجغرافي والمعرفة العلمية، مما يعزز من قابلية تطبيق نماذج GeoAI في مجالات الأبحاث والعمليات العلمية.