في عالم اليوم المتسارع، يلعب رصد الأرض (Earth Observation) دوراً محورياً في مجالات عدة مثل التخطيط العمراني، ومراقبة الغابات، وتطوير السياسات المناخية. ومن أكثر المهام تحدّياً في هذا المجال هو تقدير ارتفاع المباني وغطاء الأشجار وتقدير الكتل البيولوجية التي تحتاج إلى دقة عالية وموثوقية قوية.

لكن يكمن التحدي في أن معظم نماذج التعلم العميق (Deep Learning) تقدم تنبؤات حتمية لا تعبر عن مستوى موثوقية تلك التنبؤات. لذلك، أضحى تقدير عدم اليقين (Uncertainty Quantification) ضرورة لمواجهة هذه التحديات. في هذا الإطار، قام الباحثون بتطوير نموذجين يمثلان خطوات متقدمة في هذا المجال:

1. **عدم اليقين الغاوسي (Gaussian UC)**: يعتمد هذا النموذج على إجراء تقديرات متكاملة للمتوسط والانحراف المعياري وفق افتراض غاوسي.
2. **عدم اليقين الكمي (Quantile UC)**: يركز هذا النموذج على تقدير النسب المئوية العشر (10th)، والخمسين (50th)، والتسعين (90th) لاستيعاب توزيعات الخطأ غير المتناظرة والمتغيرة.

تم تقييم كلا النموذجين على ثلاثة مهام تمثيلية للانحدار عند دقة مكانية تبلغ 10 أمتار. وأظهرت النتائج أن كلا النموذجين يتفوقان أو يتساويان مع معايير حتمية، مما يقدم تقديرات موثوقة وقابلة للتفسير.

وفي الإنجاز الأسمن، أثبتت هذه النماذج تفوقها على أفضل نموذج حالي في 10 أمتار لتقدير ارتفاع الغطاء النباتي. ستتاح خوارزمية العمل عبر الرابط: GitHub Repository ليتسنى للمهتمين الاطلاع عليها وتجربتها.

ما رأيكم في هذه الخطوات الجديدة نحو تحسين موثوقية تقديرات رصد الأرض؟ شاركونا آرائكم في التعليقات!