شهدت تقنيات السوبر ريزولوشن (Super-Resolution) تقدمًا ملحوظًا في إعادة بناء الصور عالية الدقة عبر الاستفادة من بيانات مدخلات منخفضة الدقة. هذه التقنيات لا تقدم فقط تحسينات بصرية، بل تسهم أيضًا في تعزيز الفعالية في مهام المراقبة المختلفة. خصوصًا في مجال الاستشعار عن بُعد بواسطة الأقمار الصناعية، حيث أصبحت السوبر ريزولوشن محورية للتطبيقات مثل تخطيط المدن، الزراعة، علم البيئة، والاستجابة للكوارث.

إلا أن الدراسات الحالية لم تحقق التكامل المطلوب. فمعظم الأبحاث تركز على قياسات الدقة مثل PSNR و SSIM، بينما القيمة الحقيقية لصور السوبر ريزولوشن تكمن في دعم المهام اللاحقة مثل تصنيف الغطاء الأرضي، تقدير الكتلة الحيوية، واكتشاف التغيرات.

لمعالجة هذه الفجوة، تم تقديم مجموعة بيانات جديدة تدعى GeoSR-Bench، والتي تدمج المهام اللاحقة ضمن معايير تقييم نماذج السوبر ريزولوشن. تتضمن هذه المجموعة صور عالية الجودة مأخوذة من حوالي 36,000 موقع موزعة على أقصى تنوع للغطاء الأرضي، مع دقة تتراوح بين 500 متر إلى 0.6 متر.

تُعتبر GeoSR-Bench أول معيار يربط بين تحسين دقة الصورة الناتجة عن نماذج السوبر ريزولوشن والمهام اللاحقة في مراقبة الأرض. ومن خلال استخدام هذه المجموعة، تمت مقارنة أداء عدة نماذج مثل GAN و Transformer، بالإضافة إلى نماذج أخرى، وفقًا لجودة الرؤية والأداء في المهام اللاحقة.

أظهرت النتائج أن التحسينات في القياسات التقليدية للسوبر ريزولوشن غالبًا ما لا تتوافق مع زيادات في أداء المهام، بل يمكن أن تشير إلى نتائج سلبية، مما يدل على أن هذه القياسات لا توفر توجيهًا فعّالًا لاختيار النماذج الأفضل للمهام اللاحقة.

هذا يبرز ضرورة دمج المهام اللاحقة في تطوير وتقييم نماذج السوبر ريزولوشن لتحقيق نتائج أكثر فعالية وواقعية.