التدقيق العلمي: د. حسن قزّاز، م. محمد سرميني
التدقيق اللغوي: هبة الله فلّاحة
المَحتويَات
- مقدّمة
- ما هو الاستشعار عن بُعد SAR
- أهميّة الاستشعار عن بُعد
- تطبيقات الاستشعار عن بُعد
- تقنيّات الكشف والتّعرّف على الأهداف في مرئيّات الاستشعار عن بُعد
- المبدأ العامّ لعمل خوارزميّة تصنيف صور الأقمار الصّناعيّة
- التّطبيق العمليّ
- إنّ تقنيّة تصنيف صور الأقمار الصّناعيّة لا تخلو من التّحدّيات، ففي هذه التّقنيات يكون هناك ندرة في بيانات التّدريب SAR لاسيما ذات الدّقّة العالية، حيث أنّ أداء النّموذج والنّتائج يعتمد بشكل كبير على بيانات التّدريب، لذلك تتوجّه جميع الجهود لإنشاء قاعدة بيانات SAR ذات دقّة عالية؛ لأنّها تسهم وبشكل كبير في الكشف والتّعرّف على الموارد الطّبيعيّة والصّنعيّة، وفي تقييمها ومن ثمّ إدارتها واستثمارها.
- إنّ تقنيّة تصنيف صور الأقمار الصّناعيّة لا تخلو من التّحدّيات، ففي هذه التّقنيات يكون هناك ندرة في بيانات التّدريب SAR لاسيما ذات الدّقّة العالية، حيث أنّ أداء النّموذج والنّتائج يعتمد بشكل كبير على بيانات التّدريب، لذلك تتوجّه جميع الجهود لإنشاء قاعدة بيانات SAR ذات دقّة عالية؛ لأنّها تسهم وبشكل كبير في الكشف والتّعرّف على الموارد الطّبيعيّة والصّنعيّة، وفي تقييمها ومن ثمّ إدارتها واستثمارها.
مقدّمة
تطوّرت وسائل وتقنيّات الحصول على بيانات الاستشعار عن بُعد بتصنيفاتها وأنواعها المختلفة، تبعًا لتطوّر العلوم والتّكنولوجيا، وتجوب العديد من المركبات الفضائيّة المأهولة الفضاء وعلى ارتفاعات مختلفة حاملةً لنظم الاستشعار عن بُعد، والّتي تعدُّ مصدرًا مهمًّا للمعلومات التي تزوّدنا بكمٍّ كبير من المرئيّات وبأطياف مختلفة، تسهم في الكشف والتّعرّف على الموارد الطّبيعيّة والصّنعيّة، و تقييمها ومن ثمّ إدارتها واستثمارها. تنوّعت مصادر المرئيّات الّتي يتمّ التّعامل معها ما بين الصّور متعدّدة الأطياف، والصّور الجويّة والراداريّة بمجالاتها التردّدية المختلفة.
و كان لتقنيّات المعالجة لهذه الصّور استخدام عامّ أو استخدام خاصّ، من خلال تطبيق خوارزميّات مختلفة للكشف والتّعرّف. وقد حقّقت هذه التّقنيات نتائج مميّزة كان لها الأثر الكبير في تطوّر استثمار علم معالجة الصّور وعلم الاستشعار عن بعد في جميع مناحي التّطبيقات.
ما هو الاستشعار عن بُعد SAR
هو علمٌ يقوم على استقطاب واستخلاص البيانات والمعلومات من مصادرها، وذلك من مسافاتٍ بعيدة جدًّا، وعن طريق التقاط صورة عن بُعد كبير من الأعلى، وباستعمال الأجهزة المُستخدمة في تسجيل الأشعّة الكهرومغناطيسيّة التي يعمل سطح الأرض على عكسها وإرسالها. يهدف هذا العلم إلى تزويد الإنسان بالمعلومات التي تمنحه القدرة على دراسةِ سطح الأرض وأَشكاله، ويُقدّم ما تلتقطه الأقمار الصناعيّة من صورٍ جويّةٍ رقميّةٍ غنيّةٍ بالمعلومات، والبيانات، والملاحظات الجويّة، وتعمل على تزويد المحطّة الأرضيّة بما استقطبته من تلك المعلومات.
أهميّة الاستشعار عن بُعد
يحظى الاستشعار عن بُعد بأهميّةٍ كبيرةٍ في المجالات التي يَقوم بتغطيتها كالدّراسات الجغرافيّة، وتكمن أهمّيته بما يلي:
- متابعة مدى تَوزّع الظّاهرات الأرضيّة، وانتشارها ضمن نِطاق واسع، وتَكون المُراقبة من أماكن ذات علوٍّ مُرتفعٍ جدًّا؛ لِتعطي وُضوحًا أكبر مما تمنحه المُراقبة الأرضيّة.
- متابعة ما يَطرأ على جيولوجيا الأرض من تغيّرات ودراستها عن كثَب، كالفيضانات، والزلازل، وحركة المرور، ويُركّز على دراسة الظّواهر الّتي يَصعب تَخمينها بالعين المجرّدة ومراقبتها.
- استمراريّة متابعة الظّواهر الطّبيعيّة وتوثيقها، إذ يُمكن العودة لِسجلّاتها في أيّ وقتٍ آخر بعد تسجيلها؛ وذلك لِغاية دراسة ومراقبة جملةٍ من الصّور المُلتقطة، وذلك من خلال مُقارنتها مع بعضها البعض.
- استقطاب واستخلاص البيانات الّتي لا يمكن للعين البشريّة التقاطها؛ نظرًا لمدى حساسيّة العين المُجرّدة للأشعّة المرئيّة.
- القدرة على اتخاذ الإجراءات القياسيّة بسرعةٍ ودقةٍ عالية، بدرجةٍ كبيرة فيما يتعلّق بالارتفاعات، والانحدارات، والمساحات وغيرها.
- مساعدة الإنسان على إجراء الدّراسات التّطبيقيّة الخاصّة بفروعِ الجغرافيا.
- يمكن من خلاله رَسم الخرائط، واستمراريّة تحديثها بأسرع وقتٍ مُمكن، وبأدقِّ التّفاصيل.
تطبيقات الاستشعار عن بُعد
الجيولوجيا
تتمّ الاستعانة بصور الأقمار الاصطناعيّة الّتي تتمّ معالجتها لأغراض المجالات الخاصّة بالاستكشاف المعدنيّ، وذلك اعتمادًا على أنّ كلّ صنف من المعادن والصّخور لديه درجة مميّزة له لامتصاص الأشعّة الخاصّة به، وبناءً على ذلك يتمّ فصل الوحدات الصّخريّة المختلفة وإنتاج نطاقات المعادن المختلفة وفقًا لنوع الدّراسة المطلوبة.
المياه
يُستخدم الاستشعار عن بُعد في الدّراسات الهيدرولوجيّة والهيدروجيولوجيّة على نطاق واسع في مراقبة جفاف الأراضي، وجفاف البحيرات، ومراقبة التّصحّر، وتدهور الأراضي، إضافة إلى التّعامل مع الفيضانات والسّيول المتوقّعة بواسطة مقارنة صور تمّ أخذها على فترات زمنيّة، إضافة إلى إمكانيّة البحث والتّنقيب عن المياه الجوفيّة الموجودة تحت رمال الصّحراء من خلال صور الرّادار.
الزّراعة
يتمثّل ذلك في حصر المحاصيل الزّراعيّة واكتشاف الأمراض النّباتيّة، ودراسة التّوزيع النّوعيّ للتّربة والأراضي، وأيضًا التّعرّف على وضعيّة الأرض.
المخاطر والكوارث
تساهم صور الأقمار الاصطناعيّة وبياناتها في التّقليل من مخاطر الانهيارات الصّخريّة والفيضانات والسّيول، ومراقبة النّشاط البركانيّ، وتحديد المناطق الخطرة والمتضرّرة، ودراسة مدى تأثيرها على المناطق المحيطة بها.
الأعمال الهندسيّة
أصبحت دراسات الاستشعار عن بّعد أحد الركائز الأساسيّة في دراسات البنية التحتيّة لمشاريع التخطيط العمرانيّ للقرى، والمدن، والمنشآت الصناعيّة والاقتصاديّة.
الفضاء
يتمثّل دور الاستشعار عن بُعد في مراقبة النّجوم والكواكب، وتصنيف بعض التّطبيقات العسكريّة الخاصّة ببرامج الفضاء إلى تقنيات وتطبيقات هجوميّة وأخرى دفاعيّة.
تقنيّات الكشف والتّعرّف على الأهداف في مرئيّات الاستشعار عن بُعد
إنّ الهدف من كشف الأهداف هو تحديد وجودها وموضعها في المرئيّة، ومن العمليّات الأساسيّة في الكشف والتّعرّف هي عمليّة التّصنيف Classification .
تقسم عمليّة التّصنيف إلى طريقتين:
التّصنيف غير المراقب Unsupervised classification: يسمح هذا التّصنيف بتحديد بعض المحدّدات لكشف الأشكال الإحصائيّة في البيانات، وهي ببساطة تجمّعات Clusters من عناصر الصّورة ذات صفات متشابهة يُستخدم لتحديدها، وتُستخدم هذه الطّريقة عند عدم وجود معرفة كاملة عن البيانات قبل التّصنيف.
التّصنيف المراقب Supervised classification: وهو الّذي يكون مُسيطَراً عليه من قِبل المحلّل الّذي يقوم باختبار عناصر الصّورة الّتي تمثّل أشكالًا مميّزة؛ نتيجة معرفة مسبقة بتلك العيّنات وتسمّى عيّنات التّدريب.
المبدأ العامّ لعمل خوارزميّة تصنيف صور الأقمار الصّناعيّة
الرؤية الحاسوبيّة Computer Vision هو أحد مجالات الذّكاء الصّنعيّ الّتي حقّق فيها التّعلّم العميق أداءً جيّدًا، وهذا مفيد بشكل خاصّ لنظام المعلومات الجغرافيّة، حيث يتمّ إنتاج صور الأقمار الصّناعيّة والجوّيّة والطّائرات بدون طيّار، بمعدّل يجعل من المستحيل تحليل استنباط التّفاصيل من خلال الوسائل التّقليديّة. وتعتبر مهمّة التّصنيف إحدى مهامّ الرؤية الحاسوبيّة حيث يتعيّن على الحاسوب تسمية الصّورة مثل ” القطّ، الشّجرة..إلخ” ويمكن استخدام هذا في نظام المعلومات الجغرافيّة لتصنيف صور ذات علامات جغرافيّة. بعد ذلك لدينا مهمّة اكتشاف الكائنات Object detection حيث يحتاج الحاسوب إلى العثور على كائنات داخل الصّورة وكذلك موقعها، وهذه تعدّ مهمّة هامّة جدًّا في نظام المعلومات الجغرافيّة، العثور على ما هو داخل صور الأقمار الصّناعية أو الجويّة أو بدون طيار، والتّخطيط لها على الخريطة حيث يمكن استخدامها لرسم خرائط البنية التّحتيّة والكشف عن المشاكل واستخراج الميّزات.
بعد اكتشاف الكائنات سوف نقوم بمهمّة “الفصل الدّلاليّ” Segmentation وهي إحدى المهامّ الرئيسيّة في الرؤية الحاسوبيّة، حيث نقوم بتصنيف كلّ بكسل من الصّورة على أنّه ينتمي إلى صنف معيّن كما هو موضّح في الجدول رقم 1 .
الشّكل (4) تصنيف الكائنات الموجودة في صور الأقمار الصّناعية إلى أصناف معيّنة.
التّطبيق العمليّ
في المشروع هذا تمّ استخدام مجموعة بيانات عبارة عن صور أقمار صناعيّة، فمن أجل بناء نموذج يقوم بتصنيف تلك الصّور ولابدّ من تضمين هذا النّموذج بصور SAR، وبالتّالي استخدام قاعدة بيانات تحتوي على 14 صورة.
سوف نستخدم شبكة U_Net للحصول على بيانات صور الأقمار الصّناعيّة بتصنيفاتها وأنواعها المختلفة، والهدف من استخدام هذه الشبكة هو أنها تحتوي على عدد طبقات أقل من غيرها من الشبكات وأيضاً تتناسب مع الحالات التي تكون فيها البيانات قليلة نسبياً.
في البداية سنقوم بتثبيت المكتبات اللّازمة الّتي سنتعامل معها في تطبيقنا
pip install tifffile
pip install libtiff
pip install scipy==1.1.0
عزيزي القارئ سوف نستعرض طريقة تنفيذ مشروعنا
الخطوة الأولى: سوف نقوم بتنفيذ ملفّ unet.py المسؤول عن بناء شبكة U_Net الّتي سوف نستخدمها في المشروع .
الخطوة الثّانية: سوف نقوم بتنفيذ ملفّ main_unet.py المسؤول عن تدريب شبكة U_Net
حيث تمّ تدريب النّموذج ل 20 دورة تدريب وقد حصلنا عل النّتائج التّالية:
Acc=0.9681% , loss=0.0782% , Val_acc=0.8226% , Val_loss=0.8787%
يبيّن الشّكل (6) تفاصيل دقّة وخسارة التّدريب، وتفاصيل دقّة وخسارة التحقّق لكلّ دورة تدريب.
history = model.fit(trainx, trainy_hot, epochs=20, validation_data = (testx, testy_hot),batch_size=64, verbose=1)
يمكنك عزيزي القارئ حفظ النّموذج المدرّب وفق الشّيفرة البرمجيّة التّالية
# Save a Model
model.save("model_nocropping.h5")
كما يمكنك طباعة مخطّطي الدّقّة والخسارة، كما هو مبيّن في الشّيفرة البرمجيّة التّالية والشّكل (6) والشّكل (7).
# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['train', 'val'], loc='upper left')
plt.savefig('acc_plot.png')
plt.show()
plt.close()
# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['train', 'val'], loc='upper right')
plt.savefig('loss_plot.png')
plt.show()
plt.close()
الخطوة الثّالثة: سوف نقوم بتنفيذ ملفّ test_unet.py من أجل اختبار النّموذج الّذي قمنا بتدريبه. يبيّن الشّكل (7) والشّكل (8) نتائج دقة وخسارة النّموذج في التّدريب و الاختبار.
الخطوة الرّابعة: سوف نقوم بتنفيذ ملفّ One_file_test.py ونحصل على الخرج المطلوب.
الصّورة “2.tif ” من بيانات التّدريب
الصّورة “4.tif ” من بيانات التّدريب
الصّورة “14.tif ” من بيانات التّدريب
إنّ تقنيّة تصنيف صور الأقمار الصّناعيّة لا تخلو من التّحدّيات، ففي هذه التّقنيات يكون هناك ندرة في بيانات التّدريب SAR لاسيما ذات الدّقّة العالية، حيث أنّ أداء النّموذج والنّتائج يعتمد بشكل كبير على بيانات التّدريب، لذلك تتوجّه جميع الجهود لإنشاء قاعدة بيانات SAR ذات دقّة عالية؛ لأنّها تسهم وبشكل كبير في الكشف والتّعرّف على الموارد الطّبيعيّة والصّنعيّة، وفي تقييمها ومن ثمّ إدارتها واستثمارها.
إنّ تقنيّة تصنيف صور الأقمار الصّناعيّة لا تخلو من التّحدّيات، ففي هذه التّقنيات يكون هناك ندرة في بيانات التّدريب SAR لاسيما ذات الدّقّة العالية، حيث أنّ أداء النّموذج والنّتائج يعتمد بشكل كبير على بيانات التّدريب، لذلك تتوجّه جميع الجهود لإنشاء قاعدة بيانات SAR ذات دقّة عالية؛ لأنّها تسهم وبشكل كبير في الكشف والتّعرّف على الموارد الطّبيعيّة والصّنعيّة، وفي تقييمها ومن ثمّ إدارتها واستثمارها.
إنّ تقنيّة تصنيف صور الأقمار الصّناعيّة لا تخلو من التّحدّيات، ففي هذه التّقنيات يكون هناك ندرة في بيانات التّدريب SAR لاسيما ذات الدّقّة العالية، حيث أنّ أداء النّموذج والنّتائج يعتمد بشكل كبير على بيانات التّدريب، لذلك تتوجّه جميع الجهود لإنشاء قاعدة بيانات SAR ذات دقّة عالية؛ لأنّها تسهم وبشكل كبير في الكشف والتّعرّف على الموارد الطّبيعيّة والصّنعيّة، وفي تقييمها ومن ثمّ إدارتها واستثمارها.
