تواجه الأراضي الزراعية في أوكرانيا تحديات هائلة نتيجة النزاعات المسلحة، مما يؤدي إلى فقدان المحاصيل وتدهور البيئة الزراعية. حيث تعتبر مراقبة هذه الأضرار ذات أهمية بالغة لفهم التهديدات للأمن الغذائي والاستقرار البيئي خلال فترات ما بعد الحرب. ولكن، تعترض هذه المهمة صعوبات كبيرة، أهمها نقص الصور المصنفة التي يمكن استخدامها في النظم المعتمدة على رؤية الكمبيوتر.

في هذا الإطار، أجرى الباحثون دراسة تهدف إلى استخدام تحجيم البيانات الاصطناعية (Synthetic Data Augmentation) كطريقة لتعزيز تصنيف الأراضي الزراعية المتضررة في حالات قلة البيانات غير المتوازنة. تم تطوير نماذج متقدمة مثل الشبكة التنافسية التوليدية (Generative Adversarial Network - GAN) ونموذج الانتشار الضوضائي (Denoising Diffusion Probabilistic Model - DDPM) على الصور الساتلية الحقيقية بهدف إنشاء عينات إضافية من المناطق المتضررة وغير المتضررة.

يتم استخدام الصور الناتجة من هذه النماذج فقط كتعزيز في تدريب الأنظمة، بينما يتم تقييم النتائج على مجموعة اختبار حقيقية كليًا. تم تدريب مصنف يعتمد على نموذج المحول البصري (Vision Transformer) تحت عدة تكوينات ببيانات حقيقية وصناعية، لقياس الفائدة العملية لكل نوع من النهج التوليدي.

أبرزت النتائج أن أفضل تكوين، المستند إلى تعزيز بيانات DDPM المتوازن، قد رفع الدقة من 84% إلى 88%، والدقة المتوازنة من 67% إلى 81%، ومؤشر F1 من 65% إلى 78%، ومعدل استرجاع الفئة الأقل تمثيلاً (غير المتضررة) من 41% إلى 69%. هذه النتائج تعكس إمكانيات الصور الساتلية الاصطناعية في التطبيقات الجغرافية الحرجة في المناطق المتضررة من النزاع.

إن استخدام بيانات السلاسل الاصطناعية لزيادة فعالية تحليل الأضرار قد يفتح آفاقًا جديدة لفهم عواقب النزاعات المسلحة، ويعزز من جهود التعافي البيئي وزيادة الأمن الغذائي في المستقبل.