تتطور نماذج الذكاء الاصطناعي بصورة متزايدة، خاصة في مجال مراقبة الأرض (Earth Observation - EO)، لكن غالبًا ما تعتمد هذه النماذج على تقنيات الماسك العشوائية التي لا تفرض قيودًا فيزيائية بصورة واضحة، مما يحد بشكل كبير من موثوقيتها. في هذا السياق، قدم الباحثون تقنية جديدة تُعرف باسم SpecTM (Spectral Targeted Masking)، وهي تصميم ماسك مستنير بالفيزياء يشجع على إعادة بناء النطاقات المستهدفة من خلال السياق الطيفي المتقاطع أثناء عملية التدريب.

لتنفيذ هذا المفهوم، تم تطوير إطار عمل للتعلم الذاتي (Self-Supervised Learning - SSL) متعدد المهام، يستهدف إعادة بناء النطاقات، واستخلاص المؤشرات البصرية الحيوية، وتنبؤات زمنية لمدة 8 أيام. يحقق هذا الإطار تحسينات ملحوظة في الأداء من خلال الترميز الطيفي الداخلي عبر تحسين مشترك، وكذلك تم تقييم فعاليته عبر نموذج تنبؤ تركيز الميكروسيستين باستخدام صور فريدة من نوعها من وكالة ناسا (NASA PACE hyperspectral imagery) فوق بحيرة إيري.

أظهرت نتائج SpecTM تقدمًا ملحوظًا في التوقعات، حيث حقق نموذج التنبؤ الأسبوعي (R^2 = 0.695) وتنبؤات الفترة الزمنية لاستشراف 8 أيام (R^2 = 0.620)، متجاوزًا جميع النماذج الأساسية الأخرى بفارق 34% في النموذج الأول و99% في الثاني. كما أثبتت التجارب أن استخدام الماسك المستهدف يحسن التوقعات بنسبة 0.037 R^2 مقارنة بالماسكات العشوائية، مما يدل على كفاءة أكبر بكثير تحت ظروف الشح الشديد للبيانات.

إن تقنية SpecTM تسهم بشكل كبير في التعلم التمثيلي المستنير بالفيزياء عبر مجالات مراقبة الأرض، وتعزز من قابلية تفسير النماذج الأساسية، مما يفتح آفاق جديدة لمستقبل أكثر دقة في استنتاجات الذكاء الاصطناعي.