التكامل بين التعلم الآلي والتحليل المبني على الكائنات (OBIA)
المؤلف:
د. عمرو أحمد طاحون
المصدر:
التصنيف الذكي للغطاء الأرضي باستخدام التعلم الالي
الجزء والصفحة:
ص 15
2026-11-17
32
شهدت منهجية التحليل المبني على الكائنات (OBIA) تطورًا ملحوظا مع بروز تقنيات الذكاء الاصطناعي الجغرافي (GeoAl) ، فبعد أن كانت تطبيقات OBIA التقليدية تعتمد بدرجة كبيرة على خوارزميات تجزئة ومعلمات يحددها الخبير، ثم على قواعد معرفية يدوية (Rule-based) لتصنيف الكائنات الناتجة، أتاحت تقنيات التعلم الآلي (Machine Learning) والتعلم العميق (Deep Learning) إمكانات أوسع لأتمتة وتحسين عملية التصنيف.
ولتوضيح مفهوم هذه الأتمتة، ففي المنهج القائم على القواعد، قد يحدد الباحث شروطا مثل أن تكون قيمة NDVI أكبر من 0.4 وأن تتجاوز مساحة الكائن 100م، لتصنيف الكائن كغطاء نباتي. أما عند استخدام التعلم الآلي، فيمكن تحديد مجموعة من الكائنات التدريبية وتزويد الخوارزمية بخصائصها الطيفية والهندسية والنسيجية، لتتعلم الأنماط التي تميز الفئات المختلفة وتستخدمها في تصنيف بقية الكائنات دون الحاجة إلى صياغة شروط يدوية لكل فئة.
ويظهر ذلك بصورة أوضح عند التعامل مع الفئات المتقاربة طيفيًا؛ فعلى سبيل المثال، قد تتقارب بعض المباني والطرق الإسفلتية طيفيًا، بينما تختلف في الشكل والمساحة والاتجاه والملمس والسياق المكاني. وهنا يمكن لخوارزميات مثل Random Forest RF و Support Vector Machines (SVM) أن تتعلم من الكائنات التدريبية كيفية التمييز بين الفئتين اعتمادا على مجموعة هذه الخصائص، ثم تطبق النموذج المتعلم على بقية الكائنات.
ومن ثم، لا تعني الأتمتة اختفاء دور الباحث أو الخبير ، وإنما انتقال جزء من مهمة تحديد قواعد التصنيف من صياغة القواعد يدويًا إلى تدريب نموذج يتعلم هذه الأنماط من بيانات التدريب. ويظل دور الباحث أساسيا في تحديد الفئات وإعداد بيانات التدريب واختيار الخصائص والخوارزمية المناسبة، وضبط معلمات النموذج، وتقييم دقة النتائج، مما يسهم في تقليل الجهد والوقت اللازمين لتطبيق قواعد التصنيف يدويًا.
0
0
لا توجد تعليقات بعد
ما رأيك بالمقال : كن أول من يعلق على هذا المحتوى
الاكثر قراءة في معلومات جغرافية عامة
اخر الاخبار
اخبار العتبة العباسية المقدسة