المكاسب:
- القدرة على تحديد بيانات القمر الصناعي (منطقة واسعة) وبيانات الاستشعار (المحلية) وفقًا للسؤال وتحليل المؤشرات مثل NDVI من خلال تطبيق قناع السحابة
- القدرة على التمييز بين الانحراف والعطل عن الإشارة الحقيقية عن طريق تمرير بيانات مستشعر إنترنت الأشياء من خلال المعايرة ومراقبة الجودة
- القدرة على إسناد نتائج المراقبة إلى الاتجاه بدلاً من تاريخ واحد ووضع خطة تحقق مع الحقيقة الأساسية أو البيانات المستقلة
لإدارة البيئة، من الضروري رؤيتها أولاً. ومن الضروري أن نعرف مدى صغر حجم الغابة، أو مدى تلوث النهر، أو مقدار غاز الميثان الذي تتسرب منه المنشأة، ليس عن طريق التخمين، بل عن طريق البيانات. المراقبة البيئية هي القياس المنتظم والمتكرر لحالة البيئة. في هذه الوحدة، ستتعرف على مصدرين كبيرين للبيانات - الأقمار الصناعية التي تنظر من الفضاء وأجهزة الاستشعار في الميدان - ودور الذكاء الاصطناعي في فهم هذه البيانات الضخمة.
المفاهيم أولا يقوم الاستشعار عن بعد بجمع المعلومات عن طريق قياس الضوء المنعكس من مسافة بعيدة (من قمر صناعي أو طائرة) دون لمس أي جسم. مستشعر إنترنت الأشياء (إنترنت الأشياء) هو جهاز صغير يتم وضعه في الميدان ويرسل تلقائيًا القيمة المقاسة (درجة الحرارة وجودة الهواء ومستوى المياه) عبر الإنترنت. وهي توفر معًا صورة واسعة (قمر صناعي) ومحلية (مستشعر) للبيئة.
كيف تقرأ بيانات الأقمار الصناعية؟
لا تلتقط الأقمار الصناعية الصور فحسب؛ يقيس أطوال موجية مختلفة ("نطاقات") من الضوء. يُظهر المزيج الرياضي لهذه النطاقات ما هو غير مرئي بالعين المجردة. المثال الأكثر شهرة هو NDVI (مؤشر الاختلاف الطبيعي للغطاء النباتي): فهو يقيس كثافة الغطاء النباتي برقم يتراوح بين 0 و1، بناءً على مبدأ مفاده أن النباتات السليمة تعكس ضوء الأشعة تحت الحمراء بشكل كبير. قد يعني انخفاض مؤشر NDVI إزالة الغابات أو الجفاف أو الضرر.
أكثر مصادر الأقمار الصناعية المجانية والمفتوحة شيوعًا هي الأقمار الصناعية Sentinel (برنامج كوبرنيكوس الأوروبي) والأقمار الصناعية Landsat (الولايات المتحدة الأمريكية). ويمكن الوصول إليها من خلال منصات مثل Google Earth Engine أو Python (مع مكتبات مثل rasterio وxarray).
نصيحة: أكبر عدو لبيانات الأقمار الصناعية هو السحابة. هل انخفاض مؤشر الغطاء النباتي للغطاء النباتي (NDVI) يمثل خسارة حقيقية للغابات، أم كانت هناك سحابة فوقها في ذلك اليوم؟ قم دائمًا بتطبيق قناع السحابة ومقارنة التواريخ المتعددة قبل التحليل.
بيانات مستشعر إنترنت الأشياء والمعايرة
أجهزة الاستشعار رخيصة وشائعة، ولكنها ليست مثالية. سوف ينحرف مستشعر جودة الهواء منخفض التكلفة بمرور الوقت، أو يتأثر بالرطوبة، أو يفشل. ولذلك، فإن بيانات الاستشعار في شكلها الأولي غير موثوقة؛ تعد المعايرة (التصحيح عن طريق المقارنة بجهاز مرجعي معروف) ومراقبة الجودة أمرًا ضروريًا.
هنا منظمة العفو الدولية؛ إنه قوي جدًا في كتابة التعليمات البرمجية لمعالجة بيانات الصور والسلاسل الزمنية الكبيرة، والمسح بحثًا عن الحالات الشاذة (الانحراف غير المتوقع)، وإنشاء نموذج تصنيف وتلخيص النتائج. لكن الواقع المادي للقياس يعود إلى قرار المعايرة والسؤال "هل هذه الإشارة حقيقية أم أنها ضوضاء؟" التفسير ينتمي إلى الخبير.
خطوة بخطوة: تحليل التتبع
1. حدد السؤال. وتساءل "كيف تغير الغطاء النباتي في هذه المساحة البالغة 10 آلاف هكتار بين عامي 2020 و2024؟" سؤال واضح مكاني وزماني مثل:
2. حدد مصدر البيانات. القمر الصناعي (منطقة واسعة) أو جهاز الاستشعار (محلي، مستمر)؟ هل القرار والتكرار مناسبان للسؤال؟
3. المعالجة المسبقة. قناع السحابة، المعايرة، وضع علامة على البيانات المفقودة. إذا تم تخطي هذه الخطوة، تكون النتيجة مضللة.
4. حساب المؤشر/المتري. NDVI، متوسط درجة الحرارة، تركيز الملوثات.
5. البحث عن التغيير والشذوذ. تحليل الاتجاه، عبور العتبة، القفز المفاجئ.
6. تحقق بالمجال. إذا كان ذلك ممكنا، قم بالتأكيد بالحقيقة الأرضية؛ توفير إشارة فضائية مع زيارة ميدانية أو بيانات مستقلة.
ثلاث حالات صغيرة
الحالة 1 - السقوط في السحابة. وكانت إحدى المنظمات البيئية غير الحكومية على وشك دق ناقوس الخطر بشأن "إزالة الغابات المفاجئة" عندما رأت أن مؤشر الغطاء النباتي للغطاء النباتي (NDVI) في إحدى المناطق قد انخفض بنسبة 40% في شهر واحد. وعندما قام المحلل بتطبيق قناع السحابة ونظر إلى التواريخ المجاورة، رأى أن معظم الصورة في ذلك اليوم كانت غائمة، وفي الصورة التالية الخالية من السحب، عاد مؤشر NDVI إلى وضعه الطبيعي. تم منع الإنذار الكاذب. الوقت الضائع: 20 دقيقة، والسمعة المكتسبة: لا تقدر بثمن.
الحالة 2 - مستشعر غير معاير. كانت إحدى البلديات تقوم بإعداد تقرير "الهواء ملوث جدًا" باستخدام بيانات من أجهزة استشعار PM2.5 منخفضة التكلفة (جسيمات أصغر من 2.5 ميكرون - غبار ناعم قابل للتنفس). وعندما قارن الخبير أجهزة الاستشعار بمحطة مرجعية، وجد أنها بالغت في تقدير القيمة بما يصل إلى الضعف في حالة الرطوبة العالية. وعندما تم تطبيق تصحيح (معايرة) الرطوبة ظهرت القيم الحقيقية؛ تم تجنب الذعر.
الحالة 3 - أتمتة الكود. خطط أحد فرق البحث لقضاء أسابيع في العمل يدويًا لاستخراج اتجاهات مؤشر الغطاء النباتي للغطاء النباتي (NDVI) من 200 صورة قمر صناعي. لقد طلبوا من الذكاء الاصطناعي كتابة سير عمل آلي باستخدام Google Earth Engine وPython code (قناع سحابي + متوسط NDVI شهري + رسم بياني للاتجاه). استغرق التحليل بضع دقائق لـ 200 صورة؛ وخصص الفريق وقته لتفسير النتيجة. لقد فحصوا كل خطوة من التعليمات البرمجية على أي حال.
موجه ضعيف / موجه قوي
حث ضعيف:
البحث عن إزالة الغابات من بيانات الأقمار الصناعية.
لماذا هو ضعيف: لا يوجد مجال ونطاق زمني ومصدر بيانات ودقة ومعالجة سحابية. يوفر الذكاء الاصطناعي نصًا عامًا، وليس تحليلاً قابلاً للتنفيذ.
مطالبة قوية:
دورك: محلل الاستشعار عن بعد. اكتب كود Python (Earth Engine) الذي يحسب اتجاه NDVI الشهري للفترة 2020-2024 لـ [حدود المنطقة] باستخدام بيانات Sentinel-2. الخطوات: (1) تطبيق قناع السحابة، (2) المتوسط الشهري لـ NDVI، (3) رسم مخطط الاتجاه، (4) تحديد الأشهر مع انخفاض أكثر من 20%. دع الكود قابل للتنفيذ؛ التعليق على كل خطوة. لاحظ أيضًا حدود البيانات (الدقة، السحابة).
أربعة قوالب قابلة للنسخ
1) تحليل مؤشر الأقمار الصناعية (مع الكود):
دورك: محلل الاستشعار عن بعد. اكتب كود Python القابل للتنفيذ الذي يحسب [NDVI/NDWI/مؤشر آخر] على [نطاق التاريخ] لـ [منطقة] مع بيانات [Sentinel-2/Landsat]. تأكد من إضافة قناع السحابة. بمناسبة الاتجاه والشذوذ. حدد الدقة وحدود السحابة للبيانات في التعليقات.
2) مراقبة جودة السلسلة الزمنية للمستشعر:
ابحث عن مشكلات الجودة في السلسلة الزمنية التالية للمستشعر باستخدام Python: البيانات المفقودة، القيمة المتوقفة، القفز المفاجئ، الانجراف، الشديد. ضع علامة على كل مشكلة بطابع زمني. لا تغير البيانات، فقط أبلغ. أضف اقتراح معايرة بسيط إن أمكن. البيانات: [هنا]
3) مخطط التحقق من الحقيقة الأرضية:
اقترح خطة لكيفية التحقق من النتائج المعتمدة على الأقمار الصناعية التالية (مثل انخفاض مؤشر الغطاء النباتي للفرق) في الميدان: ما هي النقاط، وما القياس، وما هو مصدر البيانات المستقل. قم أيضًا بإحصاء المواقف التي قد تكون فيها النتائج خاطئة (السحابة، الموسم، الظل). البحث: [هنا]
4) ملخص الشذوذ:
قم بتلخيص الحالات الشاذة التي تم العثور عليها من بيانات المراقبة أدناه بلغة واضحة لمدير البيئة. لكل حالة شاذة: أين ومتى ومقدار الانحراف والأسباب المحتملة وملاحظة "يلزم التحقق منها". بالتأكيد لماذا هو مناسب؛ تقديمه كاحتمال. البيانات: [هنا]
الأخطاء الشائعة
- عدم تطبيق قناع السحابة. السحابة هي الإشارة الزائفة الأكثر شيوعًا.
- الثقة في المستشعر دون معايرته. أجهزة الاستشعار منخفضة التكلفة تنزلق وتتأثر بالرطوبة.
- مجرد إلقاء نظرة على التاريخ. مطلوب تواريخ واتجاهات متعددة للمطالبة بالتغيير.
- تجاوز الحقيقة الأرضية. وينبغي تأكيد إشارة القمر الصناعي ببيانات ميدانية أو مستقلة إن أمكن.
- الوقوع في ادعاء "السبب الدقيق" لمنظمة العفو الدولية. تتبع البيانات يرتبط. أما تأكيد السبب فهو أمر آخر.
تحذير: قد تحتوي صور الأقمار الصناعية والطائرات بدون طيار عالية الدقة على ممتلكات خاصة أو أشخاص أو منشآت حساسة. احرص على مراعاة القيود المتعلقة بالخصوصية والقانونية (خاصة البيانات الشخصية والأمن) عند مشاركة بيانات التتبع.
باختصار
تجمع المراقبة البيئية بين بيانات الأقمار الصناعية (الواسعة) وأجهزة الاستشعار (المحلية). منظمة العفو الدولية. إنه مسرع قوي لكتابة التعليمات البرمجية التي تعالج بيانات ضخمة من الصور والسلاسل الزمنية، ومسح الشذوذ والتلخيص. لكن القناع السحابي، ومعايرة المستشعر، والمقارنة متعددة التواريخ، والتحقق من الحقيقة على الأرض، كلها ملك للخبير. ثق في الإشارة النظيفة والمؤكدة، وليس الإشارة الأولية.
مهمة التطبيق
اختر حقلاً ونطاقًا زمنيًا (حقيقيًا أو افتراضيًا). 1. اطبع كود سير عمل تحليل NDVI على الذكاء الاصطناعي باستخدام القالب وتحقق من وجود خطوة قناع السحابة. بعد ذلك، قم بتمرير السلسلة الزمنية للمستشعر لديك (أو عينة) من خلال مراقبة الجودة باستخدام القالب الثاني. أخيرًا، باستخدام النموذج 3، ضع خطة لكيفية التحقق من صحة التغيير الذي تجده في هذا المجال.
قائمة مرجعية
- [ ] حددت التحليل بسؤال مكاني وزماني واضح.
- [ ] قمت بتطبيق قناع سحابي على بيانات القمر الصناعي.
- [ ] قمت بتمرير بيانات المستشعر من خلال المعايرة ومراقبة الجودة.
- [ ] لقد بنيت ادعاء التغيير على الاتجاه، وليس على تاريخ واحد.
- [ ] لقد وضعت خطة للتحقق من النتائج باستخدام الحقيقة الأساسية أو البيانات المستقلة.
- [ ] لقد لاحظت السرية والقيود القانونية.