في العصر الحديث، يُعتبر اكتشاف مظلات الأشجار (Tree Canopy Detection) من الصور الجوية من المهام الحيوية في مجالات المراقبة البيئية وتخطيط المدن وتحليل الأنظمة البيئية. ومع ذلك، تواجه هذه العملية تحديات كبيرة، خاصةً عندما تكون بيانات التدريب غير متاحة بكميات كافية.

تحت عنوان "مسابقة اكتشاف مظلات الأشجار Solafune"، تم اختبار مجموعة صغيرة وغير متوازنة تضم 150 صورة مرمزة. هذا التحدي يسلط الضوء على الصعوبات التي يواجهها الباحثون في تدريب النماذج العميقة دون خطر الإفراط في التكيف (Overfitting).

في هذه الدراسة، تم تقييم خمسة نماذج رئيسية في هذا المجال: YOLOv11، Mask R-CNN، DeepLabv3، Swin-UNet، وDINOv2. وقد أظهرت التجارب أن نماذج CNN القائمة على التخزين المؤقت، مثل YOLOv11 وMask R-CNN، تحقق أداءً أعلى بشكل ملحوظ مقارنة بنماذج التحويل (Transformers) التي تعاني من ضعف عندما يتعلق الأمر بنقص البيانات.

كما تم الإشارة إلى أن نماذج DeepLabV3 وSwin-UNet وDINOv2 لم تؤدِ بالشكل المأمول بسبب الاختلافات في مهام التجزئة الدلالية (Semantic Segmentation) ومهام تجزئة الكائنات (Instance Segmentation)، بالإضافة إلى متطلباتها العالية من البيانات. تؤكد هذه النتائج على أنه بدون وجود جزئية تدريب كافية أو تقنيات تعزيز بيانات قوية، تُواجه نماذج التحويل صعوبة في الأداء.

في الختام، تُظهر هذه الدراسة أن استراتيجيات مثل تحسين التدريب، سياسات تعزيز البيانات، والتكيف مع قيود البيانات القليلة يمكن أن تكون حاسمة لضمان أداء نماذج الذكاء الاصطناعي في هذا المجال. تظل الأساليب الخفيفة القائمة على CNN الأكثر reliability في اكتشاف مظلات الأشجار عندما تكون البيانات محدودة.