تحليل الصور والمرئيات في برامج ArcGIS

المقدمة

في السنوات الأخيرة، أصبح تحليل الصور والمرئيات جزءًا أساسيًا في تطبيقات نظم المعلومات الجغرافية (GIS)، حيث توفر الصور المستخرجة من الأقمار الصناعية والطائرات بدون طيار معلومات غنية حول الأرض، الطبيعة، والبنية التحتية. يلعب برنامج ArcGIS دورًا رئيسيًا في تحليل هذه الصور، إذ يوفر أدوات وخوارزميات متقدمة للتصنيف وتحليل المرئيات. يساعد تحليل الصور في ArcGIS على تحويل البيانات الخام إلى معلومات مفيدة، مثل تحديد الغطاء النباتي، الكشف عن الأراضي الزراعية، ومراقبة التغيرات البيئية.

أولاً: مراحل عملية تصنيف الصور:

تمر عملية تصنيف الصور في ArcGIS بعدة خطوات رئيسية تساهم في تحسين جودة التصنيف وضمان الدقة المطلوبة، وتشمل هذه المراحل:

2. تحليل البيانات المبدئي:
   • قبل البدء في عملية التصنيف، يتم إجراء تحليل مبدئي للصور للتعرف على طبيعتها وتحديد الفئات التي سيتم استخدامها في التصنيف. يتم في هذه الخطوة تحديد خصائص كل فئة اعتمادًا على قيم البكسلات الطيفية.
   • قد يتم تحسين الصور مسبقًا باستخدام تقنيات مثل التصحيح الشعاعي (Radiometric Correction) وتصحيح الهندسي (Geometric Correction) لتحسين جودة الصور ودقة المواقع.
3. اختيار فئات التدريب:
   • في التصنيف الخاضع للإشراف، يعتمد دقة التصنيف على جودة فئات التدريب. يتم اختيار عينات تمثل كل فئة في الصورة، ويفضل أن تكون هذه العينات متنوعة وكبيرة لضمان دقة أكبر.
   • يجب أيضًا أن تكون فئات التدريب متسقة وقابلة للفصل بين بعضها البعض. يمكن استخدام أداة Training Samples Manager في ArcGIS Pro لتحديد وإدارة عينات التدريب بشكل دقيق.
4. اختيار الخوارزمية المناسبة:
   • بناءً على طبيعة الصورة والغرض من التصنيف، يتم اختيار خوارزمية التصنيف المناسبة، سواء كانت خاضعة للإشراف أو غير خاضعة للإشراف أو باستخدام التعلم العميق.
   • يفضل استخدام الخوارزميات المعقدة مثل الشبكات العصبية العميقة أو شجرة القرار للصور ذات التفاصيل الدقيقة، في حين أن الطرق البسيطة مثل كاي-مينز قد تكون كافية للصور الأقل تعقيدًا.

4. التصنيف والتطبيق:
   • بعد اختيار الخوارزمية، يتم تطبيق التصنيف على الصورة. هنا، يتم تعيين كل بيكسل إلى إحدى الفئات المحددة بناءً على الأنماط الطيفية والقيم العددية.

5. تقييم دقة التصنيف:
   • بعد اكتمال التصنيف، من الضروري تقييم دقة النتائج باستخدام تقنيات مثل مصفوفة الالتباس (Confusion Matrix). هذه التقنية تساعد في مقارنة النتائج المصنفة مع البيانات المرجعية لتحديد مستوى الدقة والأخطاء المحتملة.

 

ثانياً: أنواع التصنيف (Image Classification Types):

يمكن تقسيم تصنيف الصور بشكل أساسي إلى عدة أنواع، تتضمن تصنيف البكسلات، تصنيف الكائنات، وتصنيف التحليل متعدد الأطياف. لكل نوع خصائصه وتطبيقاته الخاصة، ويعتمد الاختيار بينها على متطلبات المشروع وطبيعة البيانات.

1. تصنيف البكسلات (Pixel-based Classification)

تصنيف البكسلات هو أحد الأساليب التقليدية في تحليل الصور، حيث يتم تصنيف كل بيكسل في الصورة على حدة بناءً على خصائصه الطيفية دون أخذ البيئة المحيطة للبيكسل في الحسبان. يعتمد هذا النوع على القيم الطيفية لكل بيكسل، حيث يتم تحليل كل بيكسل وتحديد انتمائه إلى فئة معينة.

مزايا تصنيف البكسلات

• مناسب للتطبيقات التي تحتوي على صور بدقة عالية وألوان محددة وواضحة.
• يوفر تحليل دقيق عند التعامل مع الفئات ذات الحدود الواضحة، مثل المياه والأراضي المكشوفة.

عيوب تصنيف البكسلات

• قد يكون عرضة للضوضاء، خاصة في الصور ذات الدقة المنخفضة أو المناطق التي تحتوي على تداخلات طيفية.
• لا يأخذ السياق المكاني للبكسلات في الحسبان، مما قد يؤثر على دقة التصنيف في بعض الحالات.

أدوات ArcGIS لتصنيف البكسلات

يتم دعم تصنيف البكسلات في ArcGIS باستخدام عدة أدوات، منها أدوات التصنيف الخاضع للإشراف مثل Maximum Likelihood Classification وأدوات التصنيف غير الخاضع للإشراف مثل K-Means وIso-Cluster.

 

2. تصنيف الكائنات (Object-based Classification)

في تصنيف الكائنات، يتم تقسيم الصورة إلى كائنات أو مقاطع بناءً على الخصائص الطيفية والخصائص المكانية مثل الشكل، الحجم، والملمس. يتم تحليل الصورة ككائنات بدلاً من تحليل البكسلات بشكل فردي. يتم ذلك باستخدام خوارزميات تجزئة الصورة (Image Segmentation) التي تقسم الصورة إلى كائنات بناءً على التشابه في القيم الطيفية والمكانية.

مزايا تصنيف الكائنات

• يأخذ السياق المكاني في الاعتبار، مما يجعله مناسبًا للصور ذات الدقة العالية.
• يقدم دقة تصنيف أعلى في التطبيقات التي تتطلب تصنيف التفاصيل، مثل الغابات أو الأراضي الزراعية أو المناطق العمرانية.

عيوب تصنيف الكائنات

• قد يكون أكثر تعقيدًا ويحتاج إلى إعدادات دقيقة للتجزئة لضمان نتائج دقيقة.
• يحتاج إلى بيانات ذات دقة عالية وخصائص طيفية ومكانية واضحة للحصول على أفضل النتائج.

أدوات ArcGIS لتصنيف الكائنات

تدعم ArcGIS أدوات تصنيف الكائنات من خلال إضافة Image Analyst وArcGIS Pro باستخدام أدوات مثل Object-based Image Analysis، والتي توفر إمكانيات قوية للتجزئة والتحليل الطيفي والمكاني.

 

3. التصنيف متعدد الأطياف (Multispectral Classification)

التصنيف متعدد الأطياف يعتمد على تحليل القيم الطيفية لكل بكسل عبر عدة نطاقات طيفية (Bands)، مثل الأحمر، الأخضر، الأزرق، والأشعة تحت الحمراء. يعتمد هذا النوع من التصنيف على قدرة بعض المواد، مثل النباتات والمياه، على عكس أو امتصاص الضوء بشكل مختلف عبر الأطياف المتعددة.

مزايا التصنيف متعدد الأطياف

• يقدم دقة عالية في التصنيف خاصة عند التعامل مع بيانات صور تحتوي على عدة نطاقات طيفية.
• مناسب لتطبيقات الزراعة والغابات، حيث يمكن استخدام النطاقات الطيفية لتحديد صحة النباتات أو تمييز أنواع النباتات.

عيوب التصنيف متعدد الأطياف

• قد يتطلب معالجة مسبقة للصور مثل التصحيح الشعاعي لضمان الحصول على قيم دقيقة في النطاقات الطيفية.
• غير فعال في الصور ذات الدقة المنخفضة التي تحتوي على عدد محدود من النطاقات الطيفية.

أدوات ArcGIS للتصنيف متعدد الأطياف

يتيح ArcGIS أدوات متعددة للتصنيف متعدد الأطياف من خلال Image Analyst Extension، حيث يمكن استخدام بيانات الاستشعار عن بعد التي تحتوي على نطاقات متعددة واستخدام أدوات مثل NDVI وSAVI لتحديد الفئات بناءً على القيم الطيفية.

 

4. التصنيف القائم على التحليل الطيفي (Spectral Analysis Classification)

يعد التصنيف القائم على التحليل الطيفي نوعًا متخصصًا من التصنيف يعتمد على استخدام التحليل الطيفي للتمييز بين الفئات بناءً على الأنماط الطيفية المحددة لكل فئة. يتم استخدامه بشكل خاص عند التعامل مع صور الأقمار الصناعية المتعددة الأطياف أو الصور الطيفية فائقة الدقة (Hyperspectral Images) التي تحتوي على مئات النطاقات الطيفية.

مزايا التحليل الطيفي

• يوفر دقة عالية للغاية في تصنيف المواد، خاصة عندما تكون هذه المواد ذات خصائص طيفية متميزة، مثل المعادن أو أنواع النباتات.
• فعال في التطبيقات البيئية والصناعية التي تتطلب التحديد الدقيق للمواد أو التحليل الكيميائي.

عيوب التحليل الطيفي

• يتطلب بيانات ذات جودة عالية بعدد كبير من النطاقات الطيفية، مما قد يكون مكلفًا.
• قد يتطلب قدرات حسابية عالية لتحليل وتفسير البيانات، خاصة عند التعامل مع عدد كبير من الفئات.

أدوات ArcGIS للتحليل الطيفي

يدعم ArcGIS التحليل الطيفي من خلال أدوات مثل Spectral Analyst، والتي تتيح للمستخدمين استخدام التحليل الطيفي لتحديد الفئات وإنشاء خرائط استشعار عن بعد دقيقة.

 

5. التصنيف المعتمد على التعلم العميق (Deep Learning-based Classification)

مع تطور التعلم العميق، أصبح بإمكان ArcGIS دعم خوارزميات متقدمة للتصنيف باستخدام الشبكات العصبية العميقة (Deep Neural Networks). يتم تدريب هذه الشبكات باستخدام عينات ضخمة من الصور لتعلم الخصائص المعقدة، مثل أشكال الأجسام والأنماط الطيفية.

مزايا التعلم العميق

• قادر على معالجة الصور ذات التفاصيل المعقدة، مثل الصور الحضرية أو الصور البيئية، واستخراج أنماط دقيقة لا يمكن الوصول إليها باستخدام الأساليب التقليدية.
• يتعلم من البيانات الضخمة ويصبح أكثر دقة مع زيادة حجم بيانات التدريب.

عيوب التعلم العميق

• يتطلب بيانات تدريب كبيرة وحوسبة عالية، مما يزيد من التكلفة والوقت.
• قد يكون صعب التفسير، حيث تعتمد الخوارزميات على العمليات الداخلية للشبكة العصبية التي قد تكون غير شفافة.

أدوات ArcGIS للتعلم العميق

يوفر ArcGIS إمكانيات واسعة لتطبيق التعلم العميق باستخدام مكتبات مثل TensorFlow وPyTorch، حيث يمكن استخدام أدوات مثل Train Deep Learning Model وClassify Pixels Using Deep Learning.

 

ثالثاً: طرق التصنيف (Image Classification Methods):

تقنيات تصنيف الصور هي أدوات تحليلية متقدمة في برنامج ArcGIS تساعد في تحليل ومعالجة بيانات الصور الملتقطة بواسطة الأقمار الصناعية والطائرات بدون طيار وغيرها من مصادر الاستشعار عن بعد. يمكن تصنيف هذه التقنيات إلى أساليب تصنيف خاضعة للإشراف وأخرى غير خاضعة للإشراف. تتطلب التقنيات الخاضعة للإشراف أن يحدد المستخدم عينات من الفئات المطلوبة لتعليم النموذج، بينما تعتمد التقنيات غير الخاضعة للإشراف على الخوارزميات لتجميع البيانات إلى فئات بناءً على الأنماط المكتشفة تلقائيًا.

1. التصنيف الخاضع للإشراف (Supervised Classification)

في هذا الأسلوب، يقوم المستخدم بتحديد فئات معينة كمدخلات، مثل الأراضي الزراعية، المباني، المياه، وغيرها. هذه الفئات تُعرف باسم فئات التدريب. بناءً على هذه الفئات، تُستخدم الخوارزميات لتطبيق التصنيف على بقية الصورة. فيما يلي بعض الطرق الشائعة في هذا النوع من التصنيف في ArcGIS:

• طريقة أقرب جارٍ (K-Nearest Neighbor): تعتمد خوارزمية KNN على تحديد المسافة بين نقاط البيانات في الصورة وفئات التدريب المحددة مسبقًا. تعتبر هذه الطريقة فعالة عند وجود تباين طيفي كبير بين الفئات المختلفة، لكنها قد تكون حساسة للضوضاء إذا لم يتم تحسين البيانات مسبقًا.
• خوارزمية شجرة القرار (Decision Tree): تعتبر شجرة القرار من الطرق الفعّالة لتصنيف الصور لأنها تستخدم تسلسل من القرارات لفصل الفئات المختلفة. في ArcGIS، يمكن تعديل شجرة القرار بحيث تركز على خصائص معينة لكل فئة، مثل نسبة الانعكاس الطيفي في القنوات الحمراء والخضراء والزرقاء.
• التصنيف الأقصى الاحتمالية (Maximum Likelihood Classification): تعتمد هذه الطريقة على فكرة أن كل فئة لها توزيع إحصائي معين للقيم الطيفية. يقوم النموذج بحساب احتمالية انتماء كل بكسل إلى كل فئة ويصنفه بناءً على أعلى احتمالية. تعد MLC من الطرق الشائعة لتصنيف الصور ذات الخصائص الطيفية المتعددة، خاصة إذا كانت الفئات متداخلة.

2. التصنيف غير الخاضع للإشراف (Unsupervised Classification)

في هذا الأسلوب، يقوم برنامج ArcGIS بتحديد الفئات تلقائيًا بناءً على الأنماط في البيانات دون الحاجة إلى فئات تدريب مسبقة. يمكن للمستخدم تحديد عدد الفئات المطلوبة، ولكن البرنامج يقوم بتحديد خصائص كل فئة تلقائيًا. ومن الطرق المستخدمة:

• خوارزمية كاي-مينز (K-Means): تجمع خوارزمية K-Means البكسلات في مجموعات بناءً على مسافة مشابهة محددة. تقوم الخوارزمية بتحسين مواقع المراكز مرارًا حتى تصل إلى الاستقرار. تعتبر K-Means ملائمة للصور التي تحتوي على توزيع طيفي واضح بين الفئات المختلفة، لكنها قد تحتاج إلى تحديد عدد المجموعات بشكل دقيق.
• تصنيف Iso-Cluster: يجمع Iso-Cluster بين التجميع والتحليل الإحصائي لتحديد الفئات بناءً على تشابه القيم الطيفية. تستخدم هذه الخوارزمية في الحالات التي لا يكون فيها توزيع القيم الطيفية واضحًا، حيث يعتمد Iso-Cluster على تحليل الكثافة الاحتمالية لتحديد حدود الفئات.

3. التعلم العميق (Deep Learning)

أصبح التعلم العميق جزءًا لا يتجزأ من تقنيات تصنيف الصور الحديثة في ArcGIS، حيث تستخدم الشبكات العصبية العميقة لاكتشاف الأنماط المعقدة في البيانات. يعتبر ArcGIS أحد الأدوات الرائدة التي تدعم الشبكات العصبية للتصنيف باستخدام مكتبة Deep Learning Framework. يساعد هذا الأسلوب في تحديد الميزات المعقدة كالأشكال التفصيلية والأنماط التي يصعب على الطرق التقليدية اكتشافها. من أشهر الشبكات المستخدمة في ArcGIS:

• شبكة CNN (Convolutional Neural Network): تعتبر CNN من أكثر الشبكات استخدامًا في تصنيف الصور المعقدة، حيث تقوم الطبقات الملتفة باستخراج الخصائص المكانية من الصورة. تعتبر هذه الطريقة فعالة بشكل خاص في تحديد ميزات مثل الطرق والمباني والتضاريس.
• شبكة R-CNN: R-CNN هي شبكة متقدمة تستخدم في تحديد وتصنيف الأجسام بشكل منفصل داخل الصورة. تُعد هذه الشبكة ملائمة للمهام التي تتطلب التعرف على مواقع الأجسام وأحجامها، مثل مراقبة الغطاء النباتي أو تحديد المباني.

 

رابعا: طرق تقييم دقة التصنيف وتطبيقاته العملية:

بعد اكتمال عملية التصنيف، من الضروري تقييم دقة النتائج لضمان موثوقية التصنيف وقابلية الاعتماد عليه. يتم هذا التقييم من خلال عدة طرق شائعة تساعد في فهم مدى تطابق النتائج المصنفة مع الواقع. يُعد تقييم الدقة خطوة حيوية، خصوصًا في المشاريع التي تعتمد على دقة النتائج لاتخاذ قرارات حاسمة.

1. مصفوفة الالتباس (Confusion Matrix)

   • التعريف: تُعد مصفوفة الالتباس الأداة الأساسية لتقييم دقة التصنيف، حيث تقارن الفئات المصنفة في الصورة مع البيانات المرجعية (البيانات الصحيحة التي تمثل الواقع).
   • آلية العمل: تحتوي مصفوفة الالتباس على صفوف وأعمدة تمثل الفئات المصنفة والفئات المرجعية، وتعرض عدد البكسلات لكل فئة وفقًا لتصنيفها الصحيح والخاطئ.
   • مؤشرات الدقة من مصفوفة الالتباس:
     • الدقة الإجمالية (Overall Accuracy): نسبة البكسلات المصنفة بشكل صحيح إلى إجمالي عدد البكسلات. تعطي مؤشرًا عامًا لجودة التصنيف.
     • دقة المنتج (Producer’s Accuracy): تقيس الدقة من منظور الفئة المرجعية، وهي نسبة البكسلات التي تم تصنيفها بشكل صحيح لفئة معينة.
     • دقة المستخدم (User’s Accuracy): تقيس الدقة من منظور الفئة المصنفة، وتحدد مدى دقة التصنيف بالنسبة للمستخدم.
     • معامل كابا (Kappa Coefficient): يقيس مدى اتفاق التصنيف مع الواقع. يعبر عن جودة التصنيف مقارنةً بما يمكن توقعه عشوائيًا.

2. تحليل دقة الأنماط المتقاطعة (Cross-Validation)

   • التعريف: يعتمد تحليل دقة الأنماط المتقاطعة على تقسيم بيانات التدريب إلى مجموعات متعددة واستخدام بعضها لتدريب النموذج والبعض الآخر لاختباره.
   • آلية العمل: يتم تدريب النموذج بشكل متكرر باستخدام مجموعات مختلفة من البيانات، ثم يتم قياس دقة التصنيف في كل مرة. تساعد هذه الطريقة في تحديد مدى استقرار ودقة النموذج عبر مجموعات مختلفة من البيانات.

3. تحليل دقة عينات النقاط (Point Sample Validation)

   • التعريف: يعتمد هذا التحليل على أخذ عينات من النقاط من مختلف الفئات والتحقق من دقتها باستخدام بيانات مرجعية.
   • آلية العمل: يتم أخذ عدد محدد من النقاط العشوائية لكل فئة مصنفة، ثم يتم التحقق من انتمائها الحقيقي باستخدام بيانات ميدانية أو صور دقيقة أخرى. يساعد هذا التحليل في تقييم دقة التصنيف عند عدم توفر بيانات شاملة لكل البكسلات.

4. تقييم دقة التصنيف باستخدام المقاييس الطيفية المتعددة (Spectral Accuracy Metrics)

   • التعريف: تعتمد هذه الطريقة على تحليل القيم الطيفية في نطاقات متعددة وتحديد مدى تقارب القيم الطيفية المصنفة مع القيم المرجعية لكل فئة.
   • آلية العمل: يتم تحديد المسافة بين القيم الطيفية لكل فئة مصنفة والقيم الطيفية المرجعية. يساعد هذا التقييم في المشاريع التي تعتمد على الدقة الطيفية، مثل تحليل صحة النباتات أو دراسة التربة.

يمكن استخدام هذه التقييمات لتحسين عملية التصنيف عن طريق:

1. تحديد الفئات التي قد تكون عرضة للخطأ وتصحيحها إما بتحسين عينات التدريب أو استخدام خوارزميات متقدمة.
2. إعادة تصنيف الفئات غير الدقيقة، خاصة إذا كانت الفئات متداخلة أو متقاربة طيفيًا.
3. تطوير تقارير توضيحية وخرائط دقة التصنيف لاستخدامها كمرجع في التحليل.

  

الخاتمة

يعتبر برنامج ArcGIS من أهم الأدوات لتحليل الصور وتصنيفها، حيث يوفر مجموعة متكاملة من التقنيات التي تساعد في تحويل البيانات الخام إلى معلومات قيمة. من خلال فهم مراحل التصنيف، واختيار النوع المناسب للتصنيف، وتطبيق الخوارزمية المثلى، يمكن للمستخدمين تحقيق نتائج دقيقة وموثوقة تلبي احتياجات مختلف المشاريع البيئية والعمرانية والزراعية.