تُعتبر القدرة على فهم التوزيع المكاني للأراضي البور أمراً بالغ الأهمية لتحسين العلاقة بين الغذاء والماء، نظراً لدور الأراضي البور في تناوب المحاصيل والحفاظ على المياه. ومع ذلك، تُعدّ الأراضي البور فئة ذات دقة منخفضة في بيانات الطبقات الزراعية الصادرة عن وزارة الزراعة الأمريكية (USDA Cropland Data Layer - CDL).

في هذا الإطار، يظهر نموذج Prithvi-EO الجغرافي كواحد من النماذج الأساسية التي تُظهر قدرة نقل قوية عبر مهام الرؤية الحاسوبية. لكن، تعاني العظام الخاصة به والمُعتمدة على المحولات البصرية (ViT) من عدم القدرة على إنتاج ميزات متعددة المقاييس، مما يجعلها غير مناسبة لمهام كشف الأشياء التي تتطلب هذه الميزات.

تعتمد الأساليب الحالية على إنشاء هرم متعدد المقاييس من خلال ضبط الرموز الأحادية النمط، مما يؤدي إلى التضحية بالتنوع المكاني، كما أن التعديل الكامل للعظام يُعتبر غير ممكن من الناحية الحسابية بالنسبة للنماذج الأساسية الجغرافية.

في هذه الدراسة، تم تقييم خط أنابيب خاص بكشف الأراضي البور يجمع بين أسلوبي التعديل الفعال (Parameter-Efficient Fine Tuning - PEFT): التكيف منخفض الرتبة (Low-Rank Adaptation - LoRA) وتعديل هجين، مع تصميمات ثلاثية للعنق، تشمل التصميمات متعددة المقاييس الوهمية وLite ViT-Adapter وFull ViT-Adapter.

أدى أفضل تكوين لدينا، والذي يتضمن Lite ViT-Adapter مع رأس أحادي المرحلة، إلى تحقيق معدل الاسترجاع الموزون (mAP@50) بقيمة 0.9479 باستخدام خسارة Diou، مما يشير إلى فعالية التموقع الواعي بالمركز في كشف الأراضي البور غير المنتظمة. كما أن الكشف تحت الحافة الواحدة بدون ViT-Adapter باستخدام LoRA قد عزز من الأداء بنسبة 6.42%، بينما أفضل تكوين حسن المتوسط بنسبة 25.70%.

توضح هذه النتائج أن دمج أولويات الفضاء الخفيفة والفك القياسي الانتقائي يمكّن Prithvi-EO من التقاط أنماط الأراضي البور المحلية بشكل أكثر فعالية، متفوقاً على approaches التي تعتمد على الرموز الأحادية المنضبطة لمُعَدّل ViT.