0
settings
الوضع الليلي
moon
انماط الصفحة الرئيسية arrow
EN
1
المرجع الالكتروني للمعلوماتية

الجغرافية الطبيعية

الجغرافية الحيوية

جغرافية النبات

جغرافية الحيوان

الجغرافية الفلكية

الجغرافية المناخية

جغرافية المياه

جغرافية البحار والمحيطات

جغرافية التربة

جغرافية التضاريس

الجيولوجيا

الجيومورفولوجيا

الجغرافية البشرية

الجغرافية الاجتماعية

جغرافية السكان

جغرافية العمران

جغرافية المدن

جغرافية الريف

جغرافية الجريمة

جغرافية الخدمات

الجغرافية الاقتصادية

الجغرافية الزراعية

الجغرافية الصناعية

الجغرافية السياحية

جغرافية النقل

جغرافية التجارة

جغرافية الطاقة

جغرافية التعدين

الجغرافية التاريخية

الجغرافية الحضارية

الجغرافية السياسية و الانتخابات

الجغرافية العسكرية

الجغرافية الثقافية

الجغرافية الطبية

جغرافية التنمية

جغرافية التخطيط

جغرافية الفكر الجغرافي

جغرافية المخاطر

جغرافية الاسماء

جغرافية السلالات

الجغرافية الاقليمية

جغرافية الخرائط

الاتجاهات الحديثة في الجغرافية

نظام الاستشعار عن بعد

نظام المعلومات الجغرافية (GIS)

نظام تحديد المواقع العالمي(GPS)

الجغرافية التطبيقية

جغرافية البيئة والتلوث

جغرافية العالم الاسلامي

الاطالس

معلومات جغرافية عامة

مناهج البحث الجغرافي

قم بتسجيل الدخول اولاً لكي يتسنى لك الاعجاب والتعليق.

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

80

+

-

20

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.

 

 

 

لا توجد تعليقات بعد

ما رأيك بالمقال : كن أول من يعلق على هذا المحتوى

اخر الاخبار

اشترك بقناتنا على التلجرام ليصلك كل ما هو جديد