معالجة صور الأقمار الصّناعيّة باستخدام شبكات التّعلّم العميق على منصّات البيانات الكبيرة

الملخص

مكّن التقدّم الكبير الحاصل في تقنيات الاستشعار عن بعد من جعل حسّاسات الأقمار الصّناعيّة قادرة على التقاط صور عالية الوضوح والدّقّة وذات حزم طيفيّة متعدّدة. تحوي هذه الصّور معلومات قيّمة يمكن استخدامها في تطبيقات معالجة الصّور في عدّة مجالات مختلفة، كتصنيف الغطاء اللأرضي واكتشاف التغيّرات والتحذير المبكّر من الكوارث. الّا أنّ هذه التّطبيقات وخصوصاً تلك التي تعتمد على تقنيات التّعلّم العميق تواجه مشكلة الحاجة الكبيرة لموارد الحوسبة أثناء معالجة بياناتها إضافةً الى الوقت الكبير المُستهلك عند تنفيذها على النّظم التّقليديّة، وهذه المشكلة تزداد سوءا للتطبيقات التي تتطلب سرعة استجابة عالية. الأكثر من ذلك وبسبب الازدياد الكبير في الصّور المُولّدة عن طريق الاقمار الصّنعيّة أصبحت هناك حاجة لوجود أنظمة قادرة على استيعاب وتخزين حجوم ضخمة من الصّور الموّلّدة وبنفس الوقت لها القدرة على التّوسّع عند زيادة حجمها. يدرس هذا البحث استخدام النّظم فائقة الأداء ومنصّات البيانات الكبيرة باستخدام سبارك وهادووب واستثمارها في معالجة صور الأقمار الصّناعيّة بمساعدة أُطر عمل تفرّعيّة مُخصّصّة (Horovod, TensorFlowOnSpark)، حيث تمّ العمل على نمّوذج تعلّم عميق للتّقطيع الدّلاليّ (U-Net) كمثالٍ عمليٍّ وقُيّم أداءُ النّظام في كلّ من برنامجي التّدريب والتّنبؤ. هذا وقد أظهرت النّتائج تحسيناً كبيراً في زمن التّنفيذ للمنهجيّة المُقترحة بالمقارنة مع منهجيّة الجهاز المنفرد وقدرةً على التّوسّع لحجوم مختلفة من عناقيد البيانات الكبيرة.