في إطار السعي نحو تحسين دقة قياس المعايير الجغرافية باستخدام تقنيات الذكاء الاصطناعي (Artificial Intelligence)، تم تطوير نموذج تعليمي هجين يجمع بين التعلم الآلي (Machine Learning) والنماذج الفيزيائية (Physical Models).

هذا النموذج الجديد يركز على تقدير ارتفاع الغابات باستخدام قياسات تداخل TanDEM-X، حيث يساهم دمج النموذج الفيزيائي في ضبط عملية التعلم. ومع أن الميزات المستخدمة في التدريب كانت مختارة بعناية لضمان التناسق الفيزيائي للنتائج، إلا أن النموذج الأصلي لم يستطع حل جميع الألغاز المتعلقة بارتفاع الأشجار والبنية والتضاريس، مما استدعى تحسينات إضافية.

لتعزيز أداء النموذج، تم اقتراح توسيع مساحة الميزات باستخدام بيانات Landsat الضوئية، والتي تقدم معلومات مكملة حول نوع الغابات أو هيكلها.

تم تطبيق النموذج الموسع والتحقق من صحته على عدة بيانات من منطقة حديقة لوبي الوطنية في الجابون، وتم تقييمه مقارنةً بقياسات LiDAR الجوية.

النتائج، التي كشفت عن تخفيض بنسبة انتباه نحو 13.5% في الخطأ الجذري المتوسط (RMSE) و16.6% في متوسط الخطأ المطلق (MAE) مقارنةً بالنموذج الهجين الأصلي، تؤكد قيمة البيانات متعددة الأطياف في تعزيز دقة القياسات وتحليل البيانات الجغرافية بشكل عام. كيف ترى تطبيقات هذا النوع من النماذج في مجالات أخرى؟