تحليل الصور القائم على الكائنات (OBIA/GEOBIA)

ثورة في تفسير صور الاستشعار عن بُعد

في عالم الاستشعار عن بُعد وتحليل الصور الفضائية، يمثل تحليل الصور القائم على الكائنات (OBIA أو GEOBIA) نقلة نوعية عن الطرق التقليدية المعتمدة على البكسل. فهو لا ينظر إلى كل بكسل بمعزل عن غيره، بل يتعامل مع مجموعة من البكسلات المتشابهة باعتبارها كائناً واحداً ذا معنى، تماماً كما تدرك أعيننا الأشياء في البيئة من حولنا.

ما هو تحليل الصور القائم على الكائنات (OBIA)؟

بعكس التصنيف التقليدي القائم على البكسل (Pixel-Based Classification) الذي يحدد فئة كل بكسل بشكل فردي، يقوم OBIA بدمج البكسلات المتجاورة ذات الخصائص المتشابهة في وحدات متجهية تُعرف بـ"الكائنات".

هذه الكائنات تحمل:

• خصائص طيفية (الألوان والقيم الرقمية).

• خصائص هندسية (الشكل، الحجم، الطول، العرض).

• خصائص مكانية (الموقع والعلاقات مع الكائنات الأخرى).

وبناءً على ذلك، يتم تصنيفها في فئات مثل: أنهار، غابات، مبانٍ، أو أراضٍ زراعية.

الركيزتان الأساسيتان في OBIA

1. التقسيم (Segmentation):
   عملية تجميع البكسلات في كائنات متجانسة، بحيث تمثل هذه الكائنات الميزات الأرضية بشكل أوضح.

2. التصنيف (Classification):
   إسناد فئة لكل كائن بناءً على خصائصه الطيفية والشكلية والمكانية.

التقسيم: إنشاء كائنات ذات معنى

التقسيم هو الخطوة الأولى والأهم في OBIA، حيث يتم تحويل الصورة إلى مجموعات من الكائنات. يشبه الأمر ما تفعله العين البشرية حين تميز بين نهر وبحيرة أو بين غابة ومزرعة.

• يمكن التحكم في مستوى التفاصيل عبر معلمة تُعرف بـ"مقياس الكائن" (Scale Parameter).

• يمكن دمج بيانات إضافية مثل الارتفاعات (DEM/DSM) أو شدة LiDAR إلى جانب الصور الطيفية لتقسيم أكثر دقة.

• أدوات مثل Trimble eCognition تمنح تحكماً متقدماً في عملية التقسيم، بينما برامج أخرى مثل ArcGIS Pro توفر إمكانيات أبسط لكنها فعالة.

التصنيف: من الكائن إلى الفئة

بعد التقسيم، يتم تصنيف الكائنات الناتجة إلى فئات الغطاء الأرضي.

على سبيل المثال:

• نهر = كائن ممدود ذو انعكاس طيفي معين.

• غابة = كائن واسع ذو طابع طيفي أخضر قوي.

• مبانٍ = كائنات ذات زوايا حادة وانعكاس قوي في النطاق الأحمر.

يستخدم التصنيف مزيجاً من:

• الخصائص الطيفية: مثل انعكاس الأشعة تحت الحمراء.

• الخصائص الشكلية: مثل الاستطالة أو الاستدارة.

• الخصائص المكانية: مثل موقع الكائن بالنسبة لكائنات أخرى.

لماذا OBIA أفضل من الطرق التقليدية؟

• تقليل خطأ "الملح والفلفل": التصنيف القائم على البكسل غالباً ما يُظهر صورة غير متجانسة مليئة بالنقاط الصغيرة المختلفة. أما OBIA فينتج خرائط أكثر سلاسة وواقعية.

• دمج مصادر بيانات متعددة: يمكن استخدام الصور الطيفية مع بيانات الارتفاع والرادار في آن واحد.

• تصنيف أكثر واقعية: لأنه يأخذ في الاعتبار الشكل والمكان، وليس فقط القيمة الطيفية.

تطبيقات تحليل الصور القائم على الكائنات

• إدارة الموارد الطبيعية: تمييز الغابات، المزارع، والأنهار بدقة عالية.

• التخطيط الحضري: رسم خرائط دقيقة للمباني والطرق.

• الكشف عن الكوارث: تتبع حرائق الغابات أو الفيضانات بشكل أسرع وأكثر دقة.

• الزراعة الذكية: تحديد المحاصيل واكتشاف أمراض النباتات.

• الأبحاث البيئية: دراسة الغطاء النباتي والتغيرات المناخية.

تصنيف ميزات الغطاء الأرضي باستخدام تحليل الصور القائم على الكائنات (OBIA/GEOBIA)

بعد تنفيذ عملية التقسيم (Segmentation) وتحويل الصورة إلى كائنات ذات معنى، تأتي المرحلة الأهم وهي التصنيف (Classification). هذه الخطوة تسمح بتمييز كل كائن وتحديد فئته بدقة استناداً إلى خصائصه الطيفية والهندسية والمكانية.

كيف يتم تصنيف الكائنات؟

كل كائن في صورة OBIA يحتوي على مجموعة من الإحصاءات المرتبطة به، مثل:

• الهندسة: الشكل، الطول، العرض، الاستدارة، الاستطالة.

• المساحة: حجم الكائن أو مساحته على الأرض.

• الطيف: الانعكاسات في نطاقات مختلفة مثل الأحمر، الأخضر، الأشعة تحت الحمراء.

• الملمس: نعومة أو خشونة السطح.

• الجدوى: علاقته بالكائنات المحيطة أو بموقعه المكاني.

هذه الخصائص تجعل عملية التصنيف أكثر دقة من مجرد الاعتماد على القيم الطيفية كما في التصنيف التقليدي القائم على البكسل.

أمثلة عملية على تصنيف الغطاء الأرضي باستخدام OBIA

• المسطحات المائية:

  • منخفضة الارتفاع (nDSM منخفض).

  • تتجمع في المنخفضات (TWI مرتفع أو TPI منخفض).

  • درجة حرارة سطح منخفضة (TIRS).

  • امتصاص قوي للأشعة تحت الحمراء القريبة (NDVI سلبي).

• الأشجار:

  • ارتفاعات متفاوتة (انحراف معياري مرتفع لـ nDSM).

  • انعكاس قوي في نطاق الأشعة تحت الحمراء القريبة (NDVI مرتفع).

• المباني:

  • أشكال هندسية منتظمة (ملاءمة مستطيلة عالية).

  • ارتفاع كبير (nDSM مرتفع).

  • منحدرات حادة.

• العشب:

  • قصير (nDSM منخفض).

  • مسطح (انحراف معياري منخفض لـ nDSM).

  • انعكاس متوسط في نطاق NIR (NDVI متوسط).

• الطرق:

  • انعكاس عالٍ في النطاقات المرئية (RGB).

  • سطح مستوٍ (nDSM منخفض).

  • NDVI منخفض أو سلبي.

طرق التصنيف في OBIA

1. مجموعات القواعد (Rule Sets):

   • تشبه ModelBuilder في ArcGIS.

   • عبارة عن سلسلة من الخطوات المحددة مسبقاً لتقسيم الكائنات وتصنيفها تلقائياً.

2. تصنيف أقرب جار (Nearest Neighbor):

   • متاح في برامج مثل Trimble eCognition.

   • يعتمد على عينات تدريبية يحددها المستخدم لتصنيف بقية الكائنات.

تطور التصنيف مع تطور دقة الصور

• في Landsat-1 (1972)، كان البكسل الواحد يغطي مساحات واسعة تحتوي على مبانٍ وحدائق معاً، مما جعل التصنيف التقليدي كافياً في ذلك الوقت.

• مع ظهور صور عالية الدقة (مثل WorldView، Planet، بيانات LiDAR والطائرات بدون طيار DJI)، أصبح من الضروري الانتقال إلى تحليل الصور القائم على الكائنات (OBIA) لفصل التفاصيل بدقة.

• التصنيف التقليدي الآن غالباً ما ينتج مظهر الملح والفلفل غير المرغوب فيه، بينما يقدم OBIA خرائط أكثر وضوحاً ودقة.

من OBIA إلى GEOBIA

• بدأت فكرة OBIA في المجال الطبي، حيث استُخدمت لتحليل صور الخلايا.

• مع إدخال البعد الجغرافي، ظهر مصطلح GEOBIA (تحليل الصور القائم على الكائنات الجغرافية) ليصف تطبيق هذا النهج في الاستشعار عن بُعد.

لماذا يعد OBIA مهماً اليوم؟

• الأقمار الصناعية تجمع يومياً كميات ضخمة من البيانات، لكن قيمتها الحقيقية تكمن في قدرتنا على تحليلها بفعالية.

• OBIA يسمح بـ الإنتاج الضخم للتصنيفات:

  • بناء مجموعات قواعد.

  • تطبيقها تلقائياً على مشاهد متعددة.

  • تحرير النتائج حسب الحاجة.

تصنيف ميزات الغطاء الأرضي باستخدام OBIA/GEOBIA يمثل المستقبل في تحليل الصور الفضائية. فهو يجمع بين الذكاء الطيفي والهندسي والمكاني، ويتيح إنتاج خرائط دقيقة وواقعية، خاصة مع البيانات عالية الدقة القادمة من الأقمار الصناعية والطائرات بدون طيار.