تخطَّ إلى المحتوى

نماذج استشعار الرادار تخدعها خلفيات الصور: تنبيه تشغيلي لفرق الرصد بالمنطقة

شارك المقال
نماذج استشعار الرادار تخدعها خلفيات الصور: تنبيه تشغيلي لفرق الرصد بالمنطقة
الصورة: Stephan Widua / Unsplash

استمع لهذا المقال

بصوت ليلى (Layla)

تكشف الأبحاث الجديدة في معالجة صور رادار الفتحة التركيبية عن فجوة جوهرية تفصل بين أرقام المعامل والجاهزية الميدانية، وهو تنبيه مهني مباشر لفرق الرصد الفضائي والاستشعار عن بعد في المنطقة. فعلى الرغم من تسجيل الشبكات العصبية العميقة نسب دقة تلامس 99% في معيار MSTAR الشهير لتمييز المركبات، أظهرت ورقة بحثية أودعها الباحث موسى شايع في منصة أركايف أن جزءا ضخما من هذه الدقة لا يعود إلى بصمة المركبة نفسها، بل إلى الاختصارات البصرية التي تلتقطها الخوارزميات من خلفية المشهد والتضاريس المحيطة بها.

أعادت الدراسة فحص معمارية ConvNeXt-Small الحديثة عبر ثلاث عينات عشوائية، وجاءت النتيجة كاشفة: عند حجب المركبة تماما وتصفير مساحة 96x96 بكسل المركزية في بيانات MSTAR، حقق النموذج دقة تصنيف بلغت 73.3%، في حين أن نسبة الصدفة المجردة لا تتعدى 10%. ولم تتوقف هذه الثغرة عند المعايير الكلاسيكية، بل امتدت إلى معيار ATRNet-STAR الأحدث والمجموع عبر مشاهد متعددة؛ إذ حقق النموذج عند إزالة المركبة بالكامل دقة وصلت إلى 63.3% في تقسيم SOC المكون من 40 فئة، بينما نسبة الاحتمال العشوائي تقف عند 2.5% فقط. إن هذه النماذج اعتادت حفظ سمات التربة والضجيج الراداري المحيط بالهدف بدلا من تحليل هندسة المركبة ومعداتها.

تتحول هذه الخلفيات إلى عبء تشغيلي مباشر فور تغير موقع التصوير. ففي اختبار تغيير المشهد المعتمد رسميا، هبطت دقة النموذج إلى 22.8% عند استخدام الصور الكاملة، لكنها ارتفعت إلى 30.8% بمجرد عزل الخلفية وإظهار المركبة وحدها، ما يثبت أن محيط الهدف صار يضلل الخوارزمية بدل مساعدتها. ولم ينج النموذج التأسيسي المتخصص في رادارات الفتحة التركيبية SARATR-X من هذا الفخ، بل اتكأ على الخلفيات بدرجة تفوق شبكة ConvNeXt بفارق تراوح بين 4 و6 نقاط مئوية في كل التجارب عند إزالة المركبة، وعجز تماما عن معالجة معضلة اختلاف المشاهد.

امتدت نتائج الدراسة لتكشف أثر زوايا الانخفاض الراداري واكتمال المكتبات التدريبية؛ فمع تثبيت حجم البيانات، ارتبطت دقة التمييز مباشرة بالفجوة نحو أقرب زاوية تدريب، مسجلة 57% عند فجوة 15 درجة، وتراجعت إلى 39% عند 30 درجة، ثم هوت إلى 26% عند فجوة 45 درجة، دون أن يسهم إكثار زوايا التدريب في سد هذا الخلل. الأخطر من ذلك هو سلوك النماذج تجاه الفئات الناقصة: فعندما تتوفر صور تدريبية لمعظم الفئات عند زاوية معينة وتغيب لفئات محددة، حققت الفئات المفقودة دقة لم تتجاوز 9.0%، مقارنة بنحو 22.4% في حال غياب زاوية التدريب عن كافة الفئات، حيث صنف النموذج معظم مركباتها المجهولة قسرا ضمن الفئات المعروفة لديه، ما دفع الباحث للتوصية بإلزامية إرفاق اختبارات عزل الهدف والخلفية وفجوات الزوايا مع كل مقياس دقة معلن.

ماذا يعني هذا للمنطقة

يفرض هذا البحث إعادة ضبط فورية لمعايير الفحص والتعاقد لدى مشغلي الأقمار الاصطناعية ومراكز التحليل الجيومكاني في الخليج ومصر؛ إذ لم يعد مقبولا اعتماد مؤشرات دقة تتجاوز 90% دون إلزام الشركات الموردة بتقديم اختبارات عزل الخلفية واختبارات حجب الهدف للتأكد من قدرة النموذج الحقيقية.

ينطوي نقل النماذج المدربة خارجيا إلى التضاريس الإقليمية، من سبخات ساحلية وكثبان رملية وهضاب صخرية، على مخاطر انهيار تشغيلي فوري يتطابق مع سيناريو انخفاض الدقة إلى 22%، نتيجة اختلاف التشتت الراداري للتربة المحلية مقارنة ببيئات جمع البيانات الأصلية.

تفرض هندسة المدارات وزوايا التقاط صور الاستشعار فوق المنطقة توثيق فجوات الزوايا بدقة داخل غرف العمليات، مع الحذر الشديد من تغذية الأنظمة بمكتبات أهداف منقوصة؛ إذ يثبت البحث أن الأنظمة المؤتمتة ستنسب الأهداف غير المألوفة إلى فئات معروفة بـ نسبة خطأ فادحة تقارب 91% بدلا من تنبيه المشغل البشري بوجود هدف مجهول.

اشترك في همسات الذكاء الاصطناعي — كل أسبوع: قصص وفرص وأحداث مختصرة وموثقة، بلا حشو.

اشترك ليصلك الجديد