تصنيف الغطاء الأرضي باستخدام الصور الفضائية عالية الدقة بالاعتماد على الشبكات العميقة (U-Net + ResNet50)

عملت على تطوير وتنفيذ نظام متكامل يعتمد على التعلم العميق وتقنية التقسيم الدلالي (Semantic Segmentation) لمعالجة الصور الفضائية عالية الدقة. الهدف من المشروع هو تحليل وتصنيف الغطاء الأرضي بدقة عالية، مما يفتح المجال أمام تطبيقات عملية في المراقبة البيئية، الزراعة الذكية، والتخطيط العمراني.

التقنيات والأساليب المستخدمة:

تصميم نموذج U-Net مدمج مع ResNet50 Encoder مُدرب مسبقًا على ImageNet لاستخراج الخصائص بدقة من الصور المعقدة.

تدريب النموذج على قاعدة بيانات DeepGlobe Land Cover Classification والتي تحتوي على سبع فئات مختلفة من الغطاء الأرضي (مثل الغابات، المياه، الأراضي القاحلة، المناطق الحضرية).

معالجة مشكلة اختلال الفئات (Class Imbalance) باستخدام استراتيجية ثنائية الخسارة (Dice Loss + Weighted Cross-Entropy) لضمان دقة عالية حتى للفئات قليلة التمثيل مثل المياه والأراضي الجرداء.

الإنجازات والنتائج:

حقق النموذج دقة بلغت 81% IoU و 79% Dice Coefficient، متفوقًا على نماذج منافسة مثل Inception و DeepLabV3+ خصوصًا في الحفاظ على الحدود الدقيقة بين الفئات.

تحسين كفاءة التدريب باستخدام تقنيات مثل التقطيع المرحلي للصور (Patch-wise Preprocessing)، التدريب المختلط الدقة (Mixed Precision)، وزيادة البيانات (Data Augmentation) عبر التدوير وتغيير الإضاءة والعكس.

نشر النموذج النهائي على شكل تطبيق ويب تفاعلي يتيح الاستفادة منه في الزمن الحقيقي، بحيث يمكن للمستخدم رفع صور فضائية والحصول على تحليل مباشر للغطاء الأرضي.

القيمة المضافة:

يدعم الزراعة الدقيقة (Precision Agriculture) من خلال تحديد مناطق المحاصيل والمياه بدقة.

يساعد في المراقبة البيئية عبر تتبع تغيّرات الغطاء الأرضي ومعدلات التصحر أو التوسع العمراني.

يساهم في التخطيط العمراني من خلال توفير خريطة دقيقة لاستخدامات الأراضي.