تقنيات تصنيف الصور في الاستشعار عن بعد

 

تقنيات تصنيف الصور في الاستشعار عن بعد

تصنيف الصور هو أحد أهم مراحل تحليل بيانات الاستشعار عن بعد، حيث يتم تعيين فئات الغطاء الأرضي (مثل: مياه، مناطق حضرية، غابات، زراعة، أراضٍ عشبية) إلى الوحدات النقطية (Pixels) في الصور الفضائية أو الجوية.

تتعدد طرق التصنيف، ولكل منها مزايا وتحديات. يمكن تقسيمها إلى أربع تقنيات رئيسية:

1. التصنيف غير الخاضع للإشراف (Unsupervised Classification)

الفكرة الأساسية:

• يعتمد على التجميع التلقائي للبكسلات في مجموعات (Clusters) متشابهة طيفيًا.

• لا يتطلب بيانات مسبقة أو عينات تدريب.

الخطوات:

1. إنشاء المجموعات باستخدام خوارزميات التجميع.

2. تعيين الفئات يدويًا بعد تحليل خصائص كل مجموعة.

أشهر الخوارزميات:

• K-Means (K-المتوسط).

• ISODATA.

المزايا:

• سريع وبسيط.

• مناسب كبداية لفهم الصورة.

العيوب:

• لا يضمن دقة عالية لأنه لا يعرف الفئات مسبقًا.

• يتطلب خبرة لتعيين الفئات النهائية يدويًا.

2. التصنيف الخاضع للإشراف (Supervised Classification)

الفكرة الأساسية:

• يعتمد على عينات تدريبية (Training Samples) يختارها المحلل لتمثيل كل فئة من فئات الغطاء الأرضي.

• يستخدم البرنامج هذه العينات لبناء ملفات التوقيع الطيفي (Signature Files) ثم يطبقها على الصورة بأكملها.

الخطوات:

1. اختيار مناطق التدريب لكل فئة.

2. إنشاء ملف التوقيع الذي يخزن الخصائص الطيفية.

3. تشغيل التصنيف باستخدام خوارزمية مناسبة.

أشهر الخوارزميات:

• الاحتمالية العظمى (Maximum Likelihood).

• أقرب مسافة (Minimum Distance).

• آلات الدعم الناقل (SVM).

• المكونات الرئيسية (PCA).

المزايا:

• يعطي نتائج أكثر دقة إذا كانت عينات التدريب جيدة.

• مناسب للدراسات التي تحتاج دقة عالية.

العيوب:

• يتطلب خبرة ميدانية لاختيار عينات صحيحة.

• قد يتأثر بظروف التصوير (ظل، غيوم).

3. تحليل الصور المستندة إلى الكائن (OBIA)

التصنيف الخاضع للإشراف وغير الخاضع للإشراف يعتمد على البكسل؛ أي أن كل بكسل يُعطى فئة معينة بشكل منفصل. لكن في تحليل الصور المستندة إلى الكائن (OBIA) يتم تجميع البكسلات في كائنات متجانسة لها حجم وشكل ومعالم هندسية، مما يجعلها أكثر واقعية في تمثيل الظواهر الأرضية.

خطوات تنفيذ تصنيف الصور القائم على الكائنات:

1. التجزئة متعددة الدقة (Multiresolution Segmentation):
   تقسيم الصورة إلى كائنات لها معنى بدلاً من التعامل مع كل بكسل منفردًا.

2. اختيار مجالات التدريب (Training Samples):
   تحديد أمثلة من الكائنات تمثل فئات الغطاء الأرضي المختلفة.

3. تحديد الإحصاءات (Feature Extraction):
   استخراج خصائص طيفية وهندسية ومكانية من الكائنات.

4. التصنيف (Classification):
   تطبيق خوارزميات لتصنيف الكائنات إلى فئات محددة.

خصائص يمكن استخدامها في التصنيف القائم على الكائنات:

• الشكل (Shape): مثل "الملاءمة المستطيلة" لتحديد المباني.

• الملمس (Texture): لقياس درجة التجانس (المياه متجانسة، الغابات متنوعة الظلال).

• الطيف (Spectral): متوسط القيم الطيفية للباندات (الأحمر، الأخضر، الأزرق، NIR...).

• السياق الجغرافي (Context): العلاقات المكانية بين الكائنات (مثل وجود طريق بجوار مبنى).

أشهر خوارزميات التجزئة:

• التجزئة متعددة الدقة في برنامج eCognition.

• Mean Shift Segmentation في برنامج ArcGIS Pro.

التصنيف باستخدام أقرب جار (Nearest Neighbor):

• يعتمد على عينات تدريبية.

• بعد تحديد المواقع والإحصاءات، يتم تصنيف الكائنات وفقًا لتشابهها مع مواقع التدريب.

• يشبه إلى حد كبير التصنيف الخاضع للإشراف لكنه يُطبق على الكائنات بدلًا من البكسلات.

الفكرة الأساسية:

• بدلاً من تصنيف البكسل الفردي، يتم تقسيم الصورة إلى كائنات (Objects) تضم مجموعة بكسلات متجانسة.

• يعتمد على الخصائص: الشكل، الحجم، الملمس، الموقع المكاني، الخصائص الطيفية.

المزايا:

• يتفوق على التصنيف التقليدي خاصة في الصور عالية الدقة.

• يقلل من ظاهرة "الملح والفلفل" (Noise).

• يتيح دمج بيانات إضافية مثل LiDAR وDEM.

التطبيقات:

• مراقبة العمران.

• دراسة الغابات والموارد الطبيعية.

• تحليل صور الطائرات بدون طيار.

4. التعلم العميق لكشف الكائن (Deep Learning Object Detection)

شهد مجال الكشف بالتعلم العميق تطورًا كبيرًا في الاستشعار عن بعد بفضل الشبكات العصبية الالتفافية (CNNs) التي تتعلم من مجموعات ضخمة من البيانات.

هذه النماذج قادرة على التعرف على أجسام معقدة في الصور مثل: المباني، الطرق، الأشجار، المركبات، السفن...

أمثلة من نماذج Esri Analytics (أطلس العالم الحي):

• كشف المركبات والسفن.

• تجزئة الأشجار ورسم حدودها.

• تصنيف الأسطح الأرضية.

• ترسيم الحقول الزراعية.

• اكتشاف آثار المباني.

• تحديد مناطق حرائق الغابات.

• حتى تتبع الحيوانات مثل الفيلة.

الفكرة الأساسية:

• استخدام الشبكات العصبية العميقة (CNNs) للتعرف على الأجسام والأنماط مباشرة في الصور.

• لا يكتفي بتصنيف البكسلات بل يحدد موقع وحدود الأجسام.

أشهر النماذج:

• YOLO (You Only Look Once).

• Faster R-CNN.

• Mask R-CNN.

المزايا:

• دقة عالية جدًا خصوصًا في البيانات المعقدة.

• القدرة على التعميم والتعرف على أجسام جديدة.

• مناسب للتطبيقات الذكية (المراقبة، الزراعة الدقيقة، النقل).

العيوب:

• يتطلب بيانات ضخمة للتدريب.

• يحتاج لقدرات حوسبة عالية (GPU).

مقارنة بين تقنيات تصنيف الصور في الاستشعار عن بعد

لإعطاء رؤية أوضح، يمكننا مقارنة الطرق الأربع الأساسية:

التقنية	الآلية	المتطلبات	الدقة	المزايا	القيود	أمثلة للتطبيق
التصنيف غير الخاضع للإشراف	تجميع البكسلات في عناقيد (Clusters) استنادًا إلى التشابه الطيفي.	لا يتطلب بيانات تدريب.	منخفضة إلى متوسطة.	سهل وسريع، لا يحتاج خبرة مسبقة.	يحتاج تفسير يدوي للطبقات، وقد تكون النتائج غير دقيقة.	الاستكشاف الأولي للصور، تقسيم الغطاء الأرضي بشكل عام.
التصنيف الخاضع للإشراف	استخدام عينات تدريبية لتمثيل كل فئة ثم تعميمها على الصورة.	يتطلب عينات تدريبية دقيقة.	متوسطة إلى عالية (حسب العينات والخوارزمية).	أكثر تحكمًا، ينتج خرائط غطاء أرضي دقيقة.	يعتمد على جودة وحجم بيانات التدريب، وقد يخطئ في المناطق المختلطة.	رسم خرائط الغطاء النباتي، التوسع العمراني، رصد التغيرات.
تحليل الصور المستند إلى الكائن (OBIA)	تقسيم الصورة إلى كائنات متجانسة، ثم تصنيفها وفق الطيف والشكل والسياق.	صورة عالية الدقة + عينات تدريبية.	عالية جدًا.	يأخذ في الاعتبار الشكل والسياق وليس الطيف فقط.	يحتاج معالجة متقدمة وبرمجيات متخصصة.	الكشف عن المباني، شبكات الطرق، الزراعة الدقيقة.
التعلم العميق (Deep Learning)	تدريب الشبكات العصبية على مجموعات ضخمة من الصور لاكتشاف الأجسام تلقائيًا.	بيانات ضخمة للتدريب + قدرات حوسبة عالية.	عالية جدًا (خاصة للصور عالية الدقة).	يتعرف على أنماط معقدة، قادر على التعميم، نتائج دقيقة جدًا.	يحتاج موارد كبيرة وبيانات مرجعية ضخمة.	التعرف على السيارات، السفن، المباني، الغابات، وحتى الحيوانات.

التوجهات الحديثة في تصنيف الصور

1. الدمج بين التقنيات (Hybrid Approaches):
   الجمع بين OBIA والتعلم العميق لإنتاج خرائط أكثر دقة وموثوقية.

2. استخدام البيانات السحابية (Cloud-based Analysis):
   مثل Google Earth Engine وArcGIS Online، مما يسمح بمعالجة صور ضخمة دون الحاجة لأجهزة محلية قوية.

3. الزمنية (Time Series Analysis):
   بدلاً من صورة واحدة، يتم تحليل سلاسل زمنية من صور الأقمار الصناعية لاكتشاف التغيرات بشكل ديناميكي (مثل الجفاف، إزالة الغابات، التوسع العمراني).

4. الذكاء الاصطناعي التوليدي (Generative AI):
   بدأ يُستخدم لتوليد بيانات تدريب إضافية (Data Augmentation) أو لملء الفجوات في الصور المفقودة.

خلاصة

• التصنيف غير الخاضع للإشراف: الأفضل كبداية لفهم البيانات.

• التصنيف الخاضع للإشراف: يوفر دقة أعلى عند توفر عينات تدريبية جيدة.

• تحليل الكائنات (OBIA): مثالي للصور عالية الدقة والطائرات بدون طيار.

• التعلم العميق: يمثل المستقبل، خصوصًا مع تزايد البيانات والقدرات الحاسوبية.

 بذلك يمكن القول إن اختيار التقنية يعتمد على:

• دقة البيانات.

• الهدف من الدراسة.

• الموارد المتاحة (وقت، خبرة، حوسبة).