خورشید مشرق 25، یافته های هوش مصنوعی در علوم زمین

 یافته‌های هوش مصنوعی در علوم زمین
هوش مصنوعی در علوم زمین به واسطه تجزیه و تحلیل مجموعه داده‌های بزرگ و پیچیده، مدل‌سازی‌ها، پیش‌بینی، بهبود کارایی و کاهش هزینه‌ها مورد استفاده قرار می‌گیرد. فصلنامه خورشید مشرق به منظور آشنایی مخاطبین با کاربردهای هوش مصنوعی در علوم زمین در هر شماره به معرفی جدیدترین پلتفرم‌ها و مدل‌های هوش مصنوعی پرکاربرد در گرایش‌های مختلف دانش زمین‌شناسی و معدن خواهد پرداخت.

جدیدترین یافته های هوش مصنوعی
وقتی ماهواره خودش فکر می کند
توسط: سمیه آزادبخت

چکیده
علوم زمین در سال‌های اخیر با گسترش فناوری‌های فضایی، سنجش از دور، پردازش داده‌های کلان و هوش مصنوعی وارد مرحله تازه‌ای شده است. تصاویر ماهواره‌ای امروز امکان پایش مستمر تغییرات سطح زمین، مخاطرات طبیعی، منابع آب، پوشش گیاهی و بسیاری از پدیده‌های محیطی را فراهم می‌کنند؛ اما حجم بسیار زیاد داده‌های تولیدشده، خود به یکی از چالش‌های اصلی تبدیل شده است.
اکنون تحول دیگری در حال شکل‌گیری است: انتقال بخشی از توان تحلیل هوش مصنوعی از مراکز پردازش زمینی به خود ماهواره‌ها و سکوهای مداری. در ماه مه ۲۰۲۶، مدل بنیادین ژئواسپیشال Prithvi که حاصل همکاری ناسا و IBM است، برای نخستین بار در دو سکوی مداری مورد آزمایش قرار گرفت. این دستاورد می‌تواند مقدمه‌ای برای نسل آینده سامانه‌های مشاهده زمین باشد؛ سامانه‌هایی که نه‌تنها داده جمع‌آوری می‌کنند، بلکه قادرند بخشی از تحلیل آن را پیش از ارسال به زمین انجام دهند.

از «چشم در فضا» تا پردازش هوشمند در مدار
برای دهه‌ها، ماهواره‌های مشاهده زمین عمدتاً نقش «چشم‌های انسان در فضا» را ایفا می‌کردند. تصاویر ثبت می‌شد، به ایستگاه‌های زمینی انتقال می‌یافت و سپس متخصصان و سامانه‌های رایانه‌ای آن را پردازش و تحلیل می‌کردند.
اما با افزایش تعداد ماهواره‌ها، قدرت تفکیک تصاویر و تکرار تصویربرداری، حجم داده‌های تولیدشده به‌شدت افزایش یافته است. در چنین شرایطی، انتقال همه داده‌ها به زمین و سپس پردازش آنها همیشه کارآمدترین روش نیست.
راه‌حل جدید این است که بخشی از پردازش و تحلیل داده همان‌جا در مدار انجام شود.
در اردیبهشت ۱۴۰۵ (مه ۲۰۲۶)، ناسا اعلام کرد که یک نسخه فشرده‌شده از مدل هوش مصنوعی ژئواسپیشال Prithvi با موفقیت در دو سکوی فضایی مورد آزمایش قرار گرفته است: ماهواره استرالیایی Kanyini و محموله IMAGIN-e مستقر در ایستگاه فضایی بین‌المللی (ISS).
این آزمایش، Prithvi را به نخستین مدل بنیادین ژئواسپیشال مستقرشده و آزمایش‌شده در مدار تبدیل کرد.

شکل1. ماهواره Landsat 9، یکی از مهم‌ترین سامانه‌های پایش زمین که با تصویربرداری مستمر از سطح سیاره، داده‌های ارزشمندی برای مطالعات

جدیدترین کشفیات علوم زمین در جهان
Prithvi چیست؟
مدل‌های بنیادین (Foundation Models) نوعی از مدل‌های هوش مصنوعی هستند که با حجم بسیار بزرگی از داده آموزش می‌بینند و سپس می‌توان آنها را برای انجام وظایف مختلف تخصصی سازگار کرد.
Prithvi توسط ناسا و IBM توسعه یافته و با استفاده از مجموعه داده Harmonized Landsat and Sentinel-2 (HLS) آموزش دیده است؛ مجموعه‌ای که داده‌های ماهواره‌های Landsat و Sentinel-2 را یکپارچه می‌کند.
این مدل با حدود ۱۳ سال داده مشاهده زمین آموزش دیده و می‌تواند برای کاربردهای مختلف سنجش از دور سازگار شود؛ از جمله نقشه‌برداری سیلاب، شناسایی آثار آتش‌سوزی، طبقه‌بندی پوشش و محصولات کشاورزی و پایش برخی تغییرات سطح زمین.

شکل 2. تصویر مفهومی ناسا از مدل Prithvi درمدار

چه اتفاقی در مدار افتاد؟
در آزمایش سال ۲۰۲۶، پژوهشگران نسخه‌ای فشرده از Prithvi را در دو محیط پردازشی متفاوت در مدار اجرا کردند و توانایی آن را برای انجام استنتاج (Inference) مستقیم روی تصاویر مورد بررسی قرار دادند.
مدل توانست وظایفی مانند تشخیص سیلاب و شناسایی پوشش ابری را در مدار انجام دهد.
اهمیت این آزمایش در آن است که برای انجام بخشی از تحلیل‌ها، دیگر لازم نیست ابتدا تمام داده خام به زمین منتقل و سپس پردازش شود. ماهواره یا سکوی مداری می‌تواند بخشی از تحلیل را همان لحظه انجام دهد و در آینده، اطلاعات مهم‌تر را برای انتقال و پردازش‌های تکمیلی در اولویت قرار دهد.
البته باید میان «تحلیل داده در مدار» و «تصمیم‌گیری مستقل ماهواره» تفاوت قائل شد. در آزمایش فعلی، Prithvi مستقیماً درباره انتخاب هدف بعدی تصویربرداری تصمیم‌گیری نکرد؛ بلکه توانایی انجام تحلیل و استنتاج روی داده‌ها را در مدار نشان داد. با این حال، همین قابلیت می‌تواند زیرساخت مهمی برای توسعه نسل آینده ماهواره‌های هوشمند و خودمختار باشد.

چرا پردازش در مدار اهمیت دارد؟
تصور کنید ماهواره‌ای از فراز منطقه‌ای که در آن سیلاب یا آتش‌سوزی رخ داده عبور می‌کند.
در معماری متداول:
تصویربرداری ← انتقال داده به زمین ← پردازش ← تحلیل ← تصمیم
اما در نسل آینده سامانه‌ها می‌توان بخشی از این مسیر را تغییر داد:
تصویربرداری ← تحلیل اولیه در مدار ← تشخیص داده مهم ← انتقال اطلاعات اولویت‌دار
در چنین ساختاری، تصاویر کم‌اهمیت یا داده‌هایی که برای یک مأموریت خاص ضروری نیستند می‌توانند در اولویت پایین‌تری قرار گیرند و ظرفیت ارتباطی ماهواره برای انتقال اطلاعات مهم‌تر استفاده شود.
این موضوع به‌ویژه هنگام وقوع مخاطرات طبیعی که سرعت دسترسی به اطلاعات اهمیت زیادی دارد، ارزشمند است.
از سیلاب و آتش‌سوزی تا مدیریت منابع
توان پردازش هوشمند تصاویر در مدار می‌تواند در آینده دامنه وسیعی از کاربردها را پشتیبانی کند؛ از پایش سریع سیلاب‌ها و آثار آتش‌سوزی گرفته تا بررسی تغییرات پوشش زمین، کشاورزی، منابع طبیعی و مدیریت بحران.
مزیت مهم مدل‌های بنیادین آن است که برخلاف بسیاری از الگوریتم‌های قدیمی که برای یک وظیفه خاص طراحی می‌شوند، یک مدل پایه می‌تواند با تنظیم و آموزش تکمیلی برای وظایف مختلف مورد استفاده قرار گیرد.
این ویژگی برای ماهواره‌ها اهمیت ویژه‌ای دارد؛ زیرا محدودیت پهنای باند، توان پردازشی و امکان به‌روزرسانی نرم‌افزار در فضا، توسعه سامانه‌های انعطاف‌پذیر را ضروری می‌کند.
وقتی ماهواره فقط «چشم» نیست
اهمیت Prithvi فراتر از اجرای یک الگوریتم جدید در فضاست. این آزمایش نشان‌دهنده تغییر تدریجی معماری سامانه‌های مشاهده زمین است.
در گذشته، ماهواره عمدتاً داده را جمع‌آوری می‌کرد و هوشمندی اصلی در زمین قرار داشت.
اما در معماری آینده، ممکن است بخشی از این هوشمندی به خود ماهواره منتقل شود؛ به‌گونه‌ای که سامانه فضایی بتواند داده را مشاهده، تحلیل و اولویت‌بندی کند و سپس اطلاعات مهم‌تر را برای زمین ارسال نماید.
به تعبیری ساده:
ماهواره‌ها دیگر فقط «چشم» نخواهند بود؛ به‌تدریج بخشی از «مغز پردازش» نیز به مدار منتقل می‌شود.
این تحول برای علوم زمین چه معنایی دارد؟
برای علوم زمین، ارزش این فناوری تنها در سرعت پردازش تصاویر خلاصه نمی‌شود. افزایش توان تحلیل هوشمند داده‌های ماهواره‌ای می‌تواند در آینده به پایش سریع‌تر مخاطرات زمین‌شناختی، تغییرشکل سطح زمین، فرونشست، تغییرات محیطی و مدیریت منابع طبیعی کمک کند.
در حوزه زمین‌شناسی و اکتشافات معدنی نیز ترکیب سنجش از دور، داده‌های چندطیفی و فراطیفی، مدل‌های هوش مصنوعی و پردازش سریع می‌تواند مسیر تازه‌ای برای غربالگری مناطق وسیع، شناسایی الگوهای زمین‌شناسی و دگرسانی، اولویت‌بندی مناطق امیدبخش و هدایت مطالعات صحرایی فراهم کند.
برای کشوری مانند ایران با گستره وسیع، تنوع زمین‌شناسی، ظرفیت معدنی قابل توجه و هم‌زمان چالش‌هایی مانند فرونشست و مخاطرات زمین‌شناختی، توسعه توانمندی در تقاطع سنجش از دور، علوم زمین و هوش مصنوعی می‌تواند اهمیت راهبردی داشته باشد.
آینده؛ زمین زیر نگاه یک شبکه هوشمند
اجرای Prithvi در مدار هنوز یک گام اولیه است و به معنای شکل‌گیری ماهواره‌های کاملاً مستقل و تصمیم‌گیر نیست. با این حال، نشان می‌دهد که مرز میان هوش مصنوعی و فناوری فضایی به‌سرعت در حال تغییر است.
نسل آینده سامانه‌های مشاهده زمین احتمالاً تنها تولیدکننده تصویر نخواهند بود؛ بلکه بخشی از تحلیل را نیز پیش از رسیدن داده به زمین انجام خواهند داد.
در چنین آینده‌ای، ارزش اصلی تنها در اختیار داشتن تصاویر ماهواره‌ای بیشتر نیست، بلکه در توان تبدیل سریع داده به اطلاعات و اطلاعات به تصمیم خواهد بود.
برای علوم زمین نیز پیام این تحول روشن است: آینده متعلق به تلفیق دانش زمین‌شناسی، داده‌های سنجش از دور و هوش مصنوعی است؛ جایی که مشاهده دقیق‌تر زمین باید به شناخت سریع‌تر و تصمیم‌گیری هوشمندانه‌تر منجر شود.

1. Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., Fortunato, M., Alet, F., Ravuri, S., Ewalds, T., Eaton-Rosen, Z., Hu, W., Merose, A., Hoyer, S., Holland, G., Vinyals, O., Stott, J., Pritzel, A., Mohamed, S., & Battaglia, P. (2023).
   Learning skillful medium-range global weather forecasting.
   Science, 382(6677), 1416–1421.
   https://doi.org/10.1126/science.adi2336
2. Bodnar, C., Bruinsma, W. P., Lucic, A., et al. (2024).
   A Foundation Model for the Earth System.
   arXiv preprint arXiv:2405.13063.
   https://arxiv.org/abs/2405.13063
3. Chen, K., Han, T., Gong, J., Bai, L., Ling, F., Luo, J.-J., Chen, X., Ma, L., Zhang, T., Su, R., Ci, Y., Li, B., & Ouyang, W. (2023).
   FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead.
   arXiv preprint arXiv:2304.02948.
4. Pathak, J., Subramanian, S., Harrington, P., et al. (2022).
   FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators.
   arXiv preprint arXiv:2202.11214.
5. European Centre for Medium-Range Weather Forecasts (ECMWF).
   Artificial Intelligence and Machine Learning for Weather Prediction.
   ECMWF Research and Innovation.
6. National Oceanic and Atmospheric Administration (NOAA).
   Numerical Weather Prediction and Earth System Modeling Resources.
   NOAA Research.
7. Andrew Du, Roberto Del Prete, Alejandro Mousist, Nick Manser, Fabrice Marre, Andrew Barton, Carl Seubert, Gabriele Meoni, Tat-Jun Chin, [v1] Mon, 1 Dec 2025 01:43:03 UTC (15,119 KB)