في عالم رصد الأرض الحديث، تتيح لنا الأقمار الصناعية في المدار الأرضي المنخفض (LEO) إمكانية مراقبة الكوارث والبيئة بدقة عالية وعلى نطاق واسع. لكن تواجه هذه التكنولوجيا تحديًا كبيرًا بسبب تغطية السحب التي قد تعيق الرؤية الواضحة لسطح الأرض. ولحل هذه المشكلة، تم تطوير نظام جديد يطلق عليه اسم OrbitALIF، والذي يمثل إطارًا مبتكرًا للتعلم الفيدرالي لإزالة السحب.

بدلاً من إرسال الصور الغائمة إلى المحطات الأرضية للمعالجة، يعتمد OrbitALIF على التعلم الفيدرالي الذي يسمح بالتدريب والتقييم باستخدام شبكة عصبية متقدمة تُعرف بالشبكة العصبية المندمجة (SNN). يتميز هذا النظام بالاعتماد على نموذج بسيط يضم 2.30 مليون معامل، مما يجعله فعالاً للغاية من حيث الطاقة، حيث يستهلك فقط 0.287 ملي جول لكل تحليل.

تظهر التجارب التي أجريت أن OrbitALIF يحقق جودة إزالة السحب تنافسية، مع توفير مذهل يصل إلى 72.3 مرة (98.6%) في استهلاك الطاقة مقارنة بالشبكات العصبية الاصطناعية التقليدية. ويعتمد هذا النظام على استراتيجية التعلم الفيدرالي اللامركزي، مما يعزز من عملية تبادل الأوزان بين الأقمار الصناعية عبر الروابط بين الأقمار، مما يعزز الكفاءة ويقلل من زمن الانتظار.

بفضل ابتكارات مثل وحدة دمج بوابة متكيفة (AGFM) ووحدة الانتباه الهجينة الطيفية-المكانية (SHAM)، يصبح بإمكاننا التغلب على العوائق التقليدية التي تواجهها عمليات إزالة السحب، مما يمهد الطريق لمستقبل أكثر وضوحًا في رصد الأرض وتطبيقات الذكاء الاصطناعي.