في عصر مدن المستقبل الذكية، يتزايد الاعتماد على الخرائط الدقيقة لتوجيه التنمية الحضرية وتقديم الخدمات بشكل أفضل. وفي هذا السياق، قدمت دراسة جديدة مقاربة مبتكرة تعتمد على نماذج التحول البصري (Vision Transformers) لدمج بيانات الترددات اللاسلكية (RF) مع الخرائط المتاحة من منصات المصادر المفتوحة. تهدف هذه المقاربة إلى تحسين دقة خرائط المباني عبر توفير تصور أكثر دقة واستدامة.

تعتمد الدراسة الجديدة على بنية DINOv2 في التعلم العميق، حيث يتم دمج الخرائط المحتملة الأخطاء مع بيانات RF المجمعة من أجهزة المستخدمين ومحطات القاعدة. وبفضل هذه الطريقة، تمكنا من معالجة البيانات السلكية والخرائط بشكل متكامل، مما يتيح لنا التقاط التبعيات المكانية والمعلومات الهيكلية لتعزيز دقة الخرائط بشكل غير مسبوق.

لإجراء التقييم، استخدمنا مجموعة بيانات تركيبية تم إنتاجها بالتعاون مع شركة هواوي. ولمعالجة تحديات عدم دقة البيانات في العالم الواقعي، قمنا بإدخال ضوضاء محددة على بيانات RF لمحاكاة الظروف الحقيقية. كما طورنا نموذجًا يعتمد فقط على معلومات فقدان المسار المجمعة لمعالجة مشكلة التخطيط.

تم قياس النتائج بناءً على ثلاث قياسات أداء: مؤشر جاكارد (IoU)، والمسافة هاوسدورف، ومسافة شامفير. وقد حقق تصميمنا معدل IoU مشترك بلغ 65.3%، متجاوزًا بشكل ملحوظ المعايير السابقة التي تعتمد على الخرائط الخاطئة (40.1%)، وطريقة RF فقط (37.3%)، وأيضًا نموذج الدمج غير المدعوم بالذكاء الاصطناعي الذي صممناه والذي حقق 42.2%.

توضح هذه المقارنة القيود المفروضة على الاعتماد فقط على بيانات RF أو البيانات المكانية، وتعكس الفعالية الكبيرة التي يمكن أن يُحققها الذكاء الاصطناعي في دمج البيانات لتعزيز دقة خرائط المدن الذكية. علاوة على ذلك، قمنا بالتحقق من صحة طريقتنا باستخدام بيانات حقيقية من منطقة أوسلو، حيث حققت نموذج الدمج الأفضل نسبة 64.9% من معدل IoU. كما وضحنا استراتيجية لنشر النموذج على مناطق أكبر من خلال تقسيم المنطقة إلى نوافذ متداخلة، مما يمكّن من التوسع في التطبيق العملي لهذه التقنيات.