أطلقت أول خريطة من نوعها لمشاريع الطاقة المتجددة وتغطية الأشجار حول العالم اليوم، وهي تستخدم الذكاء الاصطناعي التوليدي لتحسين الصور المأخوذة من الفضاء. كل هذا جزء من أداة جديدة تسمى Satlas من معهد Allen للذكاء الاصطناعي، الذي أسسه المؤسس المشارك لشركة Microsoft Paul Allen.
الأداة، التي تمت مشاركتها أولاً مع The Verge ، تستخدم صور الأقمار الصناعية من الأقمار الصناعية Sentinel-2 التابعة لوكالة الفضاء الأوروبية . لكن تلك الصور لا تزال تعطي رؤية ضبابية جدًا للأرض. المأزق؟ ميزة تسمى "الدقة الفائقة".
بشكل أساسي، يستخدم نماذج التعلم العميق لملء التفاصيل، مثل الشكل الذي قد تبدو عليه المباني، لإنشاء صور عالية الدقة. وفي الوقت الحالي، يركز ساتلاس على مشاريع الطاقة المتجددة والغطاء الشجري حول العالم. يتم تحديث البيانات شهريًا وتتضمن أجزاء من الكوكب يتم مراقبتها بواسطة Sentinel-2. ويشمل ذلك معظم أنحاء العالم باستثناء أجزاء من القارة القطبية الجنوبية والمحيطات المفتوحة البعيدة عن الأرض. ويظهر مزارع الطاقة الشمسية وتوربينات الرياح البرية والبحرية.
يمكنك أيضًا استخدامه لمعرفة كيف تغيرت تغطية مظلة الشجرة بمرور الوقت. وهذه رؤى مهمة لصناع السياسات الذين يحاولون تحقيق الأهداف المناخية وغيرها من الأهداف البيئية. ولكن لم تكن هناك أبدًا أداة بهذا الاتساع متاحة مجانًا للعامة.
اقرأ أيضا: البيئة: مصر من أكثر بلاد العالم عرضة للتأثيرات المحتملة لتغير المناخ
ويقول مطوروها إنه من المحتمل أيضًا أن يكون هذا أحد العروض الأولى للدقة الفائقة في الخريطة العالمية. ومن المؤكد أنه لا يزال هناك عدد قليل من مكامن الخلل التي يتعين حلها. مثل نماذج الذكاء الاصطناعي التوليدية الأخرى. يقول آني كيمبهافي، المدير الأول للرؤية الحاسوبية في معهد ألين: "يمكنك أن تسمي ذلك هلوسة أو ضعف الدقة، لكنه كان يرسم المباني بطرق مضحكة".
"ربما يكون المبنى مستطيلاً وقد يعتقد النموذج أنه شبه منحرف أو شيء من هذا القبيل." قد يكون ذلك بسبب الاختلافات في الهندسة المعمارية من منطقة إلى أخرى والتي لا يستطيع النموذج التنبؤ بها بشكل جيد. الهلوسة الشائعة الأخرى هي وضع السيارات والسفن في أماكن يعتقد النموذج أنها يجب أن تعتمد على الصور المستخدمة لتدريبه.
ولتطوير نظام ساتلاس، كان على فريق معهد ألين أن يقوم يدويًا بمسح صور الأقمار الصناعية لتسمية 36000 توربينة رياح، و7000 منصة بحرية، و4000 مزرعة شمسية، و3000 نسبة مئوية من الغطاء الشجري. وهذه هي الطريقة التي قاموا بها بتدريب نماذج التعلم العميق للتعرف على تلك الميزات من تلقاء نفسها. للحصول على دقة فائقة، قاموا بتغذية النماذج بالعديد من الصور منخفضة الدقة لنفس المكان والتي تم التقاطها في أوقات مختلفة.
يستخدم النموذج تلك الصور للتنبؤ بتفاصيل البكسل الفرعي في الصور عالية الدقة التي ينشئها. ويخطط معهد ألين لتوسيع نظام ساتلاس لتوفير أنواع أخرى من الخرائط، بما في ذلك خريطة يمكنها تحديد أنواع المحاصيل المزروعة في جميع أنحاء العالم.
