في ظل تزايد حدة الكوارث المناخية، يتزايد الطلب على أدوات المراقبة الفورية والقرارات المستنيرة. تقدم تقنيات مراقبة الأرض (Earth Observation)، المدعومة ببيانات الأقمار الصناعية والتعلم الآلي (Machine Learning)، حلولًا فعالة لتلبية هذا الطلب. أحدث النماذج الأساسية (Foundation Models) ثورة في تطبيقات التعلم الآلي لمراقبة الأرض، من خلال تمكين التدريب المسبق لأغراض متعددة على مجموعات البيانات الكبيرة.

ومع ذلك، تعتمد معظم النماذج الموجودة حاليًا على صور فضائية عالية الدقة مع معدلات إعادة زيارة منخفضة، مما يحد من قدرتها على التعامل مع الظواهر السريعة التطور والاستجابة الطارئة في الوقت المناسب. هنا يأتي دور نموذج HighFM، الذي يمثل خطوة رائدة نحو نموذج أساسي (FM) لبيانات مراقبة الأرض متعددة الأطياف ذات التردد الزمني العالي.

من خلال الاستفادة من أكثر من 2 تيرابايت من صور SEVIRI المأخوذة من منصة Meteosat Second Generation (MSG)، تم تعديل إطار العمل Autoencoding المسمى SatMAE لتعلم تمثيلات مكانية وزمنية قوية. نحن نصمم هيكلًا معززًا لإجراء المراقبة في الوقت الفعلي من خلال ترميز زمني دقيق لالتقاط التغيرات قصيرة الأجل.

بعد ذلك، تم تحسين النماذج المعززة لمهام مثل تقنيات التمويه السحابي وكشف الحرائق النشطة. تم مقارنتها بنماذج تقليدية ونماذج جغرافية حديثة، مما أظهر زيادة مستمرة في دقة الأداء.

تشير النتائج إلى الإمكانيات الكبيرة للبيانات الجغرافية المرتبطة بوقت في ظل الاعتماد على المراقبة البيئية، مما يوفر مسارًا قابلًا للتطوير نحو نماذج أساسية للكشف عن الكوارث وتتبعها.

في ظل هذه التطورات، كيف ترى دور الذكاء الاصطناعي في تعزيز الاستجابة للكوارث؟ شاركونا في التعليقات!