تعتبر خريطة الفيضانات باستخدام الأقمار الصناعية واحدة من الحلول الأكثر وعدًا لمراقبة الفيضانات في الوقت الحقيقي، ويرجع ذلك إلى زيادة عدد الأقمار الصناعية التي تحسن من دقة المراقبة الزمنية. تمثل هذه العملية أحد التطبيقات المهمة للذكاء الاصطناعي الجغرافي (GeoAI).
تتواصل الأبحاث في هذا المجال لتعزيز الأداء التنبؤي، حيث تُظهر الأساليب المعتمدة على التعلم العميق نجاحًا في فهم الأنماط المكانية والطيفية المعقدة من أحجام كبيرة من بيانات الاستشعار عن بُعد. لكن، تبقى العمليات الغامضة لنماذج التعلم العميق عائقًا أمام دمجها في مسارات العمل العلمية والعملية الحيوية.
الحاجة للشفافية
تستدعي هذه العقبات الحاجة الملحة لتقييم منهجي بشأن ما إذا كانت تفسيرات النموذج تتوافق مع المعرفة المكتسبة في مجال الاستشعار عن بُعد. لمواجهة هذا التحدي، تم تقديم إطار ADAGE (تقييم توافق المعرفة العلمية مع تفسيرات GeoAI).
ماذا يقدّم إطار ADAGE؟
تم تصميم إطار ADAGE لتقييم مدى توافق تفسيرات نماذج التعلم العميق مع المعرفة العلمية المعترف بها في مجال الاستشعار عن بُعد، خاصة فيما يتعلق بخصائص الطيف المتميزة لسطح الأرض.
يستخدم الإطار طريقة Channel-Group SHAP (SHapley Additive exPlanations) لتقدير مساهمات القنوات المدخلة المجمعة في التنبؤات على مستوى البكسل. من خلال التجارب على مهام خريطة الفيضانات المعتمدة على الأقمار الصناعية، يُظهر إطار ADAGE قدرته على:
1. تقييم توافق تفسيرات النموذج بشكل كمي مع تفسيرات مرجعية مشتقة من المعرفة العلمية.
2. مساعدة الخبراء في المجال على تحديد التفسيرات غير المتوافقة من خلال درجات التوافق.
إن هذه الدراسة تسهم في سد الفجوة بين الشفافية والمعرفة العلمية في GeoAI لمراقبة الأرض، مما يعزز من تطبيقات نماذج GeoAI في المسارات العلمية والعملية.