الظل ليس الماء: ما وراء الاستدلال بإطار واحد في استخبارات الفيضانات المؤسسية

الملخص التنفيذي

وهم الذكاء في عصر الأغلفة

في المشهد سريع التطور للذكاء الاصطناعي، برزت ثنائية خطرة تفصل التنفيذ السطحي عن الهندسة العميقة البنيوية. فعلى جانب، يغصّ السوق بحلول «الأغلفة»—طبقات تطبيق رقيقة تمرّر المطالبات إلى نماذج لغوية كبيرة عامة (LLMs) أو واجهات برمجة تطبيقات للرؤية الحاسوبية مسبقة التدريب. وهذه الأنظمة، رغم سهولة الوصول إليها، لا تختلف كثيرًا عن محركات البحث الأساسية أو متنبئات الرموز الاحتمالية؛ إذ تفتقر إلى الاستدلال السببي والتأسيس الفيزيائي. وعلى الجانب الآخر يقع الذكاء الاصطناعي العميق : أنظمة مبنية لغرض محدد، مبتكرة معماريًا، مصممة لنمذجة الفيزياء والسببية و الاستمرارية الزمنية للعالم الحقيقي.

والتمييز بين هذين النهجين ليس أكاديميًا فحسب؛ بل هو تشغيلي، ومالي، ووجودي أحيانًا. ومنشأ هذا التقرير الفني نمط فشل محدد ومتكرر في الرؤية الحاسوبية القياسية يصلح استعارة قوية لـ حدود الصناعة: «الطريق المغمور» الذي لم يكن كذلك.

تأمّل نموذج رؤية حاسوبية قياسيًا، نشره تكتل لوجستي لمراقبة مسارات الإمداد عبر صور ساتلية. يعالج النموذج إطارًا لطريق سريع حرج. في رصد شكل داكن عديم الهيئة يمتد عبر الإسفلت. وبيانات تدريبه، المنحازة بشدة نحو قيم البكسل الساكنة وكشف الحواف البسيط، تربط الانعكاسية المنخفضة بالماء. فيُعلّم النظام الطريق بأنه «مغمور.» وتُفعَّل البروتوكولات الآلية فورًا. فخوارزميات إعادة التوجيه تحوّل أسطول شاحنات إلى طرق ثانوية، مضيفة مئات الكيلومترات إلى الرحلة. وتُفوَّت نوافذ التسليم في الوقت المناسب. وتتدهور الشحنات القابلة للتلف. ويُقاس الأثر المالي بمئات الآلاف من الدولارات.

الواقع؟ كان الطريق جافًا. سحابة ركامية، تسبح على ارتفاع 2,000 متر، ألقت ظلًا هلوسه الذكاء الاصطناعي، المحبوس في لحظة زمنية واحدة— الاستدلال بإطار واحد —على أنه فيضان.

هذا الفشل هو كعب أخيل للذكاء الاصطناعي الحديث في الاستشعار عن بُعد. ¹ عندما يرى الذكاء الاصطناعي العالم مجموعة لقطات مفككة، يفتقر إلى السياق الزمني للتمييز بين ظل عابر وغمر مستمر. ويفتقر إلى العمق متعدد الحواس لـ«الرؤية عبر» السحابة التي ألقت الظل.

نهج Veriprajna

توجد Veriprajna لحل مشكلة «ظل السحابة»—ليس بوصفها مسألة حرفية من التداخل الأرصادي فحسب، بل بوصفها تحديًا مُعرِّفًا للذكاء الاصطناعي بمستوى المؤسسات. نحن لا نبني أغلفة. نحن نبني معماريات مكانية-زمانية تعامل الزمن بوصفه سمة أساسية للواقع، لا أثرًا لجمع البيانات. ونُدمج البيانات البصرية مع رادار الفتحة التركيبية (SAR)، جامعًا السياق البصري للعين البشرية مع فيزياء اختراق السحب لموجات الرادار الميكروويفية. ³

يفصّل هذا التقرير الفني فلسفة الهندسة والمعمارية التقنية وراء حلول الذكاء الاصطناعي العميق لدى Veriprajna. ونستكشف لماذا تفشل النماذج الساكنة، وفيزياء الخداع الطيفية، والرياضيات الصارمة لمحركات الدمج المكاني-الزماني الخاصة بنا. ونبيّن كيف يتيح دمج آليات الانتباه المتقاطع والشبكات العصبية الالتفافية ثلاثية الأبعاد (3D CNNs) والتعلّم الموجَّه بالفيزياء تقديم استخبارات فيضانات بمستوى المؤسسات تميّز الظل عن الماء بدقة غير مسبوقة.

القسم 1: فيزياء الخداع — لماذا يفشل الذكاء الاصطناعي الضحل

1.1 الفخ الطيفي: عندما يحاكي الظلام العمق

لفهم سبب فشل نماذج الذكاء الاصطناعي العامة في كشف الفيضانات، يجب أولًا فهم فيزياء الاستشعار عن بُعد. فالصور الساتلية البصرية، كتلك التي توفرها كوكبتا Sentinel-2 أو Landsat، تلتقط الإشعاع الشمسي المنعكس عبر أطوال موجية متعددة. والماء بطبيعته ماص قوي للأشعة تحت الحمراء القريبة (NIR) وتحت الحمراء قصيرة الموجة (SWIR) من الإشعاع. ² وبالتالي، في مركّب ألوان زائفة قياسي أو حتى في مؤشر محسوب مثل مؤشر الفرق المعياري للماء (NDWI)، يظهر الماء داكنًا أو شبه أسود.

غير أن الماء ليس المالك الوحيد لـ«الظلام» في المجال الطيفي. فظلال السحب، وظلال التضاريس التي تلقيها طبوغرافيا حادة، والسطوح البشرية الداكنة كالإسفلت الجديد تؤدي أيضًا إلى قيم إشعاع منخفضة تصل إلى المستشعر.

1.1.1 النقطة العمياء للاستدلال بإطار واحد

تعمل الشبكة العصبية الالتفافية (CNN) المدرَّبة على صور ساكنة مفردة على السمات المكانية —القوام والحواف وشدات البكسل. وعندما يسقط ظل سحابة على طريق أو حقل، يُظهر تجمّع البكسل الناتج خصائص تشبه على نحو خطير مياه الفيضان:

1.​ انعكاسية SWIR منخفضة: تمامًا كالماء، تمتص الظلال أو تحجب الضوء الذي كان سينعكس عادة عن الأرض. ²

2.​ حدود عديمة الهيئة: كثيرًا ما تكون للظلال حواف ناعمة غير منتظمة تحاكي أنماط انتشار الماء فوق تضاريس غير مستوية.

3.​ كبت القوام: تخفي الظلال القوام الأساسي للأرض (مثل صفوف المحاصيل، وعلامات الطريق)، تمامًا كما يفعل الماء العكر. ⁵

وبالنسبة إلى نموذج بإطار واحد، تكون المسافة الرياضية بين متجه سمات «ظل سحابة» و«حقل مغمور» ضئيلة. ² ومن دون سياق خارجي، يعظّم النموذج دالة احتماله استنادًا إلى البيانات المحدودة المتاحة. وفي سيناريوهات الاستجابة للكوارث، غالبًا ما تُوزَن دوال الخسارة لمعاقبة السلبيات الكاذبة (تفويت فيضان) أكثر من الإيجابيات الكاذبة. ويؤدي ذلك إلى نماذج «سريعة الزناد»، تصنّف أي بقعة داكنة على أنها غمر لتفادي إغفال كارثة.

وتشير البحوث إلى أن ظلال السحب هي «التحدي الأكبر» للكشف الآلي شبه الآني عن الفيضانات باستخدام الصور الساتلية البصرية. ² وفي مجموعات البيانات عالية الدقة، تظهر الظلال ليس فقط بوصفها سمات حدودية تحيط بالسحب بل بوصفها سمات منفصلة—من سحب ركامية متناثرة أو خطوط تكثيف عالية الارتفاع—لا تملك أي صلة طيفية بـ السحابة التي ألقتها داخل الإطار المقصوص. ⁵ وهذا الانفصال يجعل طرائق الإسقاط الهندسي البسيط (محاولة تخمين موضع الظل استنادًا إلى زاوية الشمس وموضع السحابة) عرضة للفشل، لا سيما عندما يكون ارتفاع السحابة مجهولًا أو متغيرًا. ⁷

1.2 فشل الإخفاء التقليدي

يعتمد الاستشعار عن بُعد التقليدي على أقنعة خوارزمية مثل Fmask (Function of mask) لـ تحديد السحب والظلال قبل التحليل. وتعتمد هذه الأنظمة القائمة على القواعد على النطاقات الحرارية وعتبات السطوع. ⁸ غير أن هذه الطرائق هشة:

●​ الغموض الحراري: قد لا تكون سحب السمحاق الرقيقة أو السحب الركامية الصغيرة باردة بما يكفي لتفعيل العتبات الحرارية، ومع ذلك تلقي ظلالًا مميزة.

●​ الافتراضات الهندسية: غالبًا ما تفترض الخوارزميات معدل انحدار ثابتًا أو ارتفاع سحابة ثابتًا لإسقاط مواقع الظلال. فإذا كانت السحابة أدنى أو أعلى من الافتراض، يكون موقع الظل المتنبأ به خاطئًا، فيبقى الظل الفعلي بلا إخفاء وعرضة لأن يُصنَّف خطأً ماءً. ⁷

●​ الالتباس الطيفي: في المناطق الحضرية أو فوق الغطاء النباتي الداكن، يكون التوقيع الطيفي لـ الظل غير قابل للتمييز عن ضوضاء الخلفية، مما يؤدي إلى ضوضاء «الملح والفلفل» في أقنعة التصنيف. ¹⁰

وحل ذكاء اصطناعي «غلاف» يعتمد على هذه الأقنعة الأولية يرث جميع أخطائها. فإذا فشل Fmask في وسم ظل، فإن نموذج التجزئة اللاحق—معاملًا المدخل بوصفه حقيقة أرضية—سيوسمه بثقة على أنه فيضان. هذا هو مبدأ «مدخلات رديئة، مخرجات رديئة» مضخَّمًا بميل التعلّم العميق إلى الإفراط في الثقة بتنبؤاته.

1.3 حدود معماريات «الأغلفة»

يغصّ السوق حاليًا بـ«حلول ذكاء اصطناعي» ليست في جوهرها سوى أغلفة حول نماذج أساس عامة الغرض. وقد يتضمن نهج «غلاف» لكشف الفيضانات أخذ نموذج تجزئة صور مسبق التدريب (مثل Segment Anything Model - SAM أو U-Net عام) وضبطه الدقيق على مجموعة بيانات صغيرة من أقنعة الماء.

ورغم أن هذا النهج يُنتج عروضًا مبهرة ودقة عالية على مجموعات تحقق منتقاة، فإنه يفشل في بيئات الإنتاج لأن:

1.​ غياب تضمينات الفيزياء: لا تفهم هذه النماذج الفرق الإشعاعي بين الظل والماء؛ فهي لا تعرف سوى التشابه البصري. ¹ إنها مطابقات أنماط، وليست محاكيات فيزياء.

2.​ فقدان الذاكرة الزمني: تعالج الصورة $t$ دون أي معرفة بالصورة $t-1$. ولا تستطيع أن ترى أن «الماء» كان يتحرك بسرعة 50 km/h (سرعة السحابة)، وهو ما يستحيل فيزيائيًا على مياه الفيضان. ⁴

3.​ اللامبالاة بالمستشعر: غالبًا ما تعامل بيانات رادار الفتحة التركيبية (SAR) والبيانات البصرية على أنها مجرد «صور،» متجاهلة الخصائص الفيزيائية المتمايزة (التبعثر الخلفي مقابل الانعكاسية) التي تجعل الدمج قويًا. وقد يغذّي غلاف صورة SAR في نموذج مدرَّب على بيانات بصرية، آملًا التعلّم بالنقل، متجاهلًا أن ضوضاء البقع الرادارية تختلف جوهريًا عن الضوضاء الغاوسية البصرية. ¹²

ترفض Veriprajna هذا النهج الضحل. وندرك أنه لحل مشكلة «الطريق المغمور الذي لم يكن كذلك،» يجب أن نُهندس أنظمة تدرك العالم في أربعة أبعاد (المكان + الزمن) وعبر الطيف الكهرومغناطيسي.

القسم 2: كلفة الوهم — الأثر الاقتصادي و التشغيلي

إن الفشل في تمييز ظل عن فيضان ليس خللًا تقنيًا فحسب؛ بل هو نزيف اقتصادي. وفي بيئات المؤسسات، نادرًا ما تكون كلفة الإيجاب الكاذب صفرًا. فهي تتسلسل عبر سلاسل الإمداد، وتشوه نماذج المخاطر، وتآكل الثقة في الأنظمة الآلية.

2.1 اضطراب اللوجستيات وسلسلة الإمداد

تعمل سلاسل الإمداد الحديثة على هوامش كفاءة رفيعة جدًا، مستخدمة غالبًا بروتوكولات التسليم في الوقت المناسب (JIT). وتعتمد خوارزميات تحسين المسارات على بيانات رسم بياني دقيقة آنية بشأن توافر شبكة الطرق.

2.1.1 عقوبة إعادة التوجيه

إن إنذار فيضان كاذبًا على شريان رئيس يجبر الخوارزميات على حساب تحويلات. فإذا أُعيد توجيه أسطول من 50 شاحنة بمقدار 100km بسبب فيضان وهمي، يكون تباين الوقود والعمالة فوريًا.

●​ التكاليف المباشرة: يزداد استهلاك الوقود؛ وساعات السائقين (وربما العمل الإضافي) وتتراكم.

●​ تكاليف الفرصة: الشاحنات المتأخرة في التحويلات تفوّت أوقات نوافذها في مراكز التوزيع، مما يؤدي إلى تأخيرات متسلسلة للحمولات اللاحقة.

●​ فشل التحسين: يمكن لتحسين المسارات أن يخفض تكاليف النقل بنسبة تصل إلى 15% واستهلاك الوقود بنسبة 25%. ¹³ وإدخال قيود كاذبة (طرق مسدودة) يدفع المُحسِّن إلى نهايات صغرى محلية دون المستوى الأمثل، ملغيًا هذه الكفاءات.

2.1.2 ركود المخزون وأثر السوط

ترتفع تكاليف إدارة المستودعات واللوجستيات مع التشتت الجغرافي والتأخيرات. ¹⁴ وتُحقن البيانات الكاذبة احتكاكًا اصطناعيًا في هذه الأنظمة. والأهم أن اضطرابًا متصوَّرًا عند عقدة محلية (مستودع أو طريق «مغمور») يمكن أن يُطلق أثر السوط . فالمورّدون عند المنبع، متوقعين فشل تسليم، قد يطلبون بهلع أو يخزّنون مواد خام. وهذا التعويض الزائد التفاعلي يزعزع السلسلة بأكملها، مؤديًا إلى مخزونات منتفخة و رأس مال محتجز في مخزون غير لازم. ¹⁵

وتشير الدراسات إلى أن بيانات الموقع الرديئة—بما فيها المخاطر البيئية الكاذبة—يمكن أن تكلف الشركات مليارات سنويًا في حركة مهدورة وهوامش مخزون. ¹⁵ وليس الإيجاب الكاذب مجرد وسم خاطئ؛ بل هو إشارة تُطلق أفعالًا فيزيائية مكلفة لا رجعة فيها في العالم الحقيقي.

2.2 الاستجابة للكوارث والثقة العامة

بالنسبة إلى عملاء الحكومات والمنظمات غير الحكومية والمستجيبين للطوارئ، العملة هي الثقة وزمن الاستجابة.

2.2.1 سوء تخصيص الموارد

إن نشر فرق البحث والإنقاذ أو مركبات عالية الخلوص أو حواجز فيضانات في موقع جاف (ظل سحابة) يترك الضحايا الحقيقيين عرضة للخطر في أماكن أخرى. وتُظهر البحوث أن تحسين «الميل الأخير» لتوزيع الإغاثة أمر حاسم؛ فإشارات الطلب الكاذبة تُضعف نسبة المنفعة إلى الكلفة للعمليات الطارئة. ¹⁸ ويحوّل الإيجاب الكاذب موارد محدودة—طائرات مروحية وقوارب وأفرادًا—بعيدًا عن مناطق الحاجة الحقيقية، وقد يُقاس الثمن بأرواح لا بدولارات.

2.2.2 الشلل التشغيلي وإرهاق الإنذارات

إذا كان لنظام دعم القرار معدل إنذارات كاذبة مرتفع (FAR)، فإن المشغّلين البشريين في نهاية المطاف ينسحبون. فيبدؤون بالتشكيك في كل إنذار، معيدين زمن تحقق يدوي كان يفترض أن يزيله الذكاء الاصطناعي. ²⁰ ويؤدي إرهاق الإنذارات هذا إلى سيناريو «صرخة الذئب» حيث تُتجاهل تحذيرات الفيضان المشروعة أو تتأخر لأن المشغّلين يفترضون أنها «مجرد ظل آخر.»

●​ الإرهاق المهني: تعاني فرق الأمن والاستجابة التي تواجه إيجابيات كاذبة مستمرة من الإرهاق وانخفاض الرضا الوظيفي، مما يؤدي إلى معدلات دوران عالية. ²⁰

●​ تآكل الثقة: إذا ولّدت أدوات الأمن إنذارات غير دقيقة باستمرار، تفقد المؤسسات إيمانها بأنظمة الأمن السيبراني والأمن المادي، فتصبح مترددة في الاعتماد على الاستجابات الآلية. ²⁰

2.3 التأمين: دقة المدفوعات

في قطاع التأمين البارامتري، تُفعَّل الوثائق تلقائيًا بمعاملات بيانات ساتلية (مثل: «كُشف فيضان ضمن 500m من الأصل X»). والدقة عملة قانونية.

●​ الإيجاب الكاذب: يُطلق دفعة غير مبررة، ضاربًا مباشرة نسبة خسارة المؤمِّن.

●​ السلب الكاذب: يرفض مطالبة مشروعة، جالبًا دعاوى وأضرارًا بالسمعة.

ويوفر نهج Veriprajna الأدلة بمستوى الطب الشرعي المطلوبة لدعم هذه العقود الآلية. وبتسجيل ليس وسم «فيضان» فحسب بل الدليل المكاني-الزماني (مثل: «استمر الماء 6 ساعات،» «أكّد التبعثر الخلفي الراداري تغيّر خشونة السطح»)، نوفر مسار تدقيق قابل للتحقق يصمد أمام التدقيق.

القسم 3: البعد الرابع — المعماريات المكانية- الزمانية

3.1 الزمن بوصفه المميّز النهائي

كيف يتحقق محلل بشري مما إذا كانت بقعة داكنة على خريطة ظلًا أم ماءً؟ ينتظر. ينتقل إلى الصورة التالية. ينظر إلى الساعة السابقة. فظل السحابة يتحرك، ويتبدل شكله، ويختفي خلال دقائق، مدفوعًا بتيارات الرياح في الأعلى. أما الفيضان فيستمر ويتطور ببطء وفق المقاومة الهيدروليكية، ويطيع قوانين الجاذبية والطبوغرافيا.

الاتساق الزمني هو الحقيقة الأرضية التي يتجاهلها الاستدلال بإطار واحد. ²¹ في Veriprajna، نبني معماريات لا يكون المدخل فيها صورة ساكنة، بل موترًا من بيانات السلاسل الزمنية . ونعامل الزمن بوصفه مميّزًا، مستخدمين التوقيع الزمني للبكسلات لـ تصنيفها.

3.2 الشبكات العصبية الالتفافية ثلاثية الأبعاد (3D CNNs)

تستخدم شبكات CNN القياسية نوى ثنائية الأبعاد ($k_x \times k_y$) للانزلاق فوق الصورة، مستخرجة سمات مكانية مثل الحواف والأشكال. ولالتقاط الحركة والتطور الزمني، نستخدم شبكات CNN ثلاثية الأبعاد، حيث للنواة بُعد زمني ($k_x \times k_y \times k_t$).

3.2.1 آلية العمل

في شبكة CNN ثلاثية الأبعاد، تستخرج عملية الالتفاف سمات من حجم من الإطارات المتتابعة. وتُحسب قيمة خريطة السمات عند الموضع $(x, y, t)$ على النحو التالي:

$$FeatureMap(x, y, t) = \sum_{i} \sum_{j} \sum_{k} Input(x-i, y-j, t-k) \times Kernel(i, j, k)$$ وهذا يتيح للشبكة تعلّم سمات مكانية-زمانية متميزة عن السمات المكانية الصرف:

●​ كشف الظلال: ترصد النواة ثلاثية الأبعاد التغيرات الزمنية عالية التردد. فبكسل ساطع عند $t_1$، داكن عند $t_2$، وساطع عند $t_3$ يُصنَّف على أنه شذوذ عابر (ظل). ويكون تدرج التغيّر عبر $t$ المحور حادًا.

●​ رسم الفيضانات: بكسل ينتقل من غطاء نباتي إلى ماء ويبقى ماءً لمدة $t_2, t_3, \dots t_n$ يُصنَّف على أنه حدث فيضان. ويكون التدرج الزمني منخفضًا بعد الغمر الأولي. ²²

وتؤكّد البحوث أن شبكات CNN ثلاثية الأبعاد تتفوق بوضوح على خطوط الأساس ثنائية الأبعاد في تمييز الضوضاء البيئية الديناميكية عن المخاطر الساكنة، لا سيما في البيئات الحضرية المعقّدة حيث تتداخل ظلال المباني والسحب. ²⁴ وبتحليل «فيديو» المرور الساتلي بدل إطار واحد، يتعلّم النموذج فيزياء الحركة.

3.3 المعماريات التكرارية: ConvLSTM للذاكرة طويلة الأمد

ورغم قوة شبكات CNN ثلاثية الأبعاد للحركة قصيرة الأمد (رصد حركة سحابة عبر دقائق)، فإن التقاط الاعتماديات طويلة الأمد (مثل فيضان يتطور عبر أيام) يتطلب ذاكرة. ونستخدم شبكات الذاكرة التلافيفية طويلة قصيرة الأمد (ConvLSTM). ²⁵

وبخلاف شبكات LSTM القياسية المستخدمة في معالجة النصوص (التي تسطّح البيانات إلى متجهات أحادية البعد، فاقدة السياق المكاني)، تستبدل ConvLSTM عمليات ضرب المصفوفات الداخلية بعمليات التفاف. وهذا يحفظ البنية المكانية ثنائية الأبعاد للصور الساتلية بينما ينشر «ذاكرة» حالة الفيضان عبر الزمن.

تنفيذ ConvLSTM لدى Veriprajna:

1.​ المدخل: تسلسل من صور Sentinel-1 (SAR) أو Sentinel-2 (بصرية).

2.​ حالة الخلية ($C_t$): تحافظ على «خريطة احتمال فيضان» تقاوم التقلبات السريعة (الضوضاء) لكنها تتحدّث عند رصد تغيّر متسق.

3.​ آليات البوابات:

○​ تتيح بوابة النسيان للنموذج إهمال السمات العابرة (مثل سحابة عابرة وظلها) من حالة الذاكرة.

○​ وتُدخل بوابة الإدخال التغيرات المستمرة (مياه الفيضان) إلى الذاكرة طويلة الأمد. ²⁶

وهذه المعمارية فعّالة بوجه خاص لـ الاستشراف الآني —التنبؤ بالمستقبل الفوري لمسار فيضان استنادًا إلى تاريخه المكاني-الزماني. وبدل أن تقول فقط «إنه يفيض،» يمكن للنظام أن يتنبأ «سيفيض هنا خلال ساعتين،» مانحًا مديري اللوجستيات مهلة تنبؤية. ²⁷

3.4 الشبكات الالتفافية البيانية المكانية-الزمانية (STGCN)

لنمذجة انتشار الفيضان على طول شبكات الطرق أو قنوات الأنهار، يمكن أن تكون الطرائق القائمة على البكسل غير كفؤة. فالطريق ليس مجرد مجموعة بكسلات؛ بل هو رسم بياني متصل. وتستخدم Veriprajna الشبكات الالتفافية البيانية المكانية-الزمانية (STGCN) . ²⁷

●​ بناء الرسم البياني: ننمذج منطقة الاهتمام بوصفها رسمًا بيانيًا $G(V, E)$، حيث العقد ($V$) تمثّل مواقع محددة (مثل تقاطعات الطرق، والمستشعرات، ومعابر الجسور) والحواف ($E$) تمثّل الاتصال (الطرق، ومسارات تدفق الأنهار).

●​ الالتفاف الزمني: يعالج السمات المتغيرة لكل عقدة عبر الزمن (عمق الماء، والانعكاسية، وسرعة المرور).

●​ التفاف الرسم البياني المكاني: يجمع المعلومات من العقد المجاورة. فإذا غمرت العقدة A (عند المنبع)، يتعلّم الشبكة رفع احتمال فيضان العقدة B (عند المصب)، متعلّمة فعليًا طبوغرافيا التضاريس.

ويتيح هذا النهج دمج بيانات غير بصرية —مثل قراءات مقاييس الأنهار، ومستشعرات سرعة المرور، أو توقعات الطقس—مباشرة في خط أنابيب الاستدلال البصري. ويفهم النموذج أنه إذا ارتفع مقياس النهر عند العقدة A، فإن الطريق عند العقدة B في خطر، حتى لو كان المنظر الساتلي البصري محجوبًا بالسحب. ²⁷

3.5 معالجة «الوميض» للإيجابيات الكاذبة

ومن آثار التحليل إطارًا بإطار «الوميض»—بكسل يتقلب بين «فيضان» و«جاف» مع تغيّر ظروف الإضاءة. والنماذج المكانية-الزمانية تخمد بطبيعتها هذه الضوضاء. وبفرض خسارة الاتساق الزمني أثناء التدريب، نعاقب التنبؤات التي تنتهك الاستمرارية الفيزيائية. ²¹

●​ اتساق الاتجاه: تحقق نماذجنا درجات عالية لاتساق الاتجاه (تصل إلى 0.96 في المعايير)، بما يضمن أن خريطة الخرج صورة تشغيلية مستقرة موثوقة لا تغذية استدلال خام ضوضائية. ²¹

القسم 4: نموذج دمج المستشعرات — البصري + SAR

4.1 تكامل المستشعرات

أكثر الطرائق متانة للتحقق من شذوذ بصري هي النظر إليه بمجموعة عيون مختلفة. وفي الاستشعار عن بُعد، يعني ذلك الجمع بين الطيف المرئي وطيف الموجات الميكروويفية.

السمة	المستشعرات البصرية (مثل Sentinel-2، Landsat)	رادار الفتحة التركيبية (SAR) (مثل Sentinel-1)
النوع	سلبي (يعكس ضوء الشمس)	نشط (يُصدر موجات ميكروويف)
الطيف	مرئي، NIR، SWIR	ميكروويف (نطاق C، نطاق L، نطاق X)

اختراق السحب	معدوم (محجوب بالسحب)	كامل (يخترق السحب، والمطر، والدخان)
النهار/الليل	النهار فقط	النهار والليل
توقيع الماء	داكن/انعكاسية منخفضة	تبعثر خلفي منخفض (انعكاس مرآتي)
نقطة الضعف الرئيسة	السحب، الظلال، وميض الشمس	ضوضاء البقع، التشوه الهندسي، تأثيرات «الظل» من التضاريس
حساسية الظل	عالية (تخلط الظل بالماء)	منخفضة (الظلال فراغات هندسية، متميزة عن الماء)

منطق الدمج: بدمج هاتين الوسيلتين، تزيل Veriprajna نقاط ضعف كل منهما. فظل السحابة غير مرئي للرادار لأن الرادار يوفّر إضاءته الخاصة.

●​ السيناريو A: المستشعر البصري يرى «ظلامًا.» ومستشعر SAR يرى «سطحًا خشنًا» (تبعثر خلفي مرتفع).

○​ الاستدلال: ظل سحابة. الأرض جافة وخشنة؛ والظلام محض بصري.

●​ السيناريو B: المستشعر البصري يرى «ظلامًا.» ومستشعر SAR يرى «انعكاسًا مرآتيًا» (تبعثر خلفي منخفض).

○​ الاستدلال: فيضان. السطح أملس وعاكس (ماء).

وهذا المنطق بسيط من حيث المبدأ لكنه معقّد في التنفيذ بسبب اختلاف الدقات وزوايا المشاهدة وملفات الضوضاء.

4.2 معماريات الدمج: ما وراء المتوسط البسيط

الدمج ليس مجرد متوسط مخرجات نموذجين. بل يتطلب تكاملًا معماريًا عميقًا.

4.2.1 الدمج المبكر مقابل المتأخر مقابل العميق

●​ الدمج المبكر: رصّ نطاقات البصري وSAR في موتر إدخال واحد (مثل RGB + قنوات SAR). وهذا دون المستوى الأمثل لأن التوزيعات الإحصائية للبيانات شديدة الاختلاف (قيم بكسل 0-255 مقابل قيم تبعثر خلفي بالديسيبل). وتجد الشبكة صعوبة في تطبيع هذه المدخلات بفعالية. ¹²

●​ الدمج المتأخر: تدريب نماذج منفصلة للبصري وSAR ومتوسط خرائط احتمالهما. وهذا يفشل في التقاط التفاعلات على مستوى السمات (مثل استخدام قوام SAR لـ إزالة التباس لون البصري).

●​ دمج السمات العميق (معيار Veriprajna): نستخرج خرائط سمات من كلتا الوسيلتين على نحو مستقل باستخدام مرمّزات متوازية، ثم ندمجها عند مقاييس متعددة باستخدام آليات الانتباه المتقاطع . ²⁸

4.3 آلية الانتباه المتقاطع

جوهر محرك الدمج لدينا هو كتلة الانتباه عبر الوسائط . وتتيح هذه الآلية للنموذج أن «ينتبه» ديناميكيًا إلى أكثر المستشعرات موثوقية لأي بكسل معطى. وتحل مشكلة «التغاير» في بيانات الاستشعار عن بُعد.

الحدس الرياضي: ليكن $F_{opt}$ خريطة السمات البصرية و $F_{sar}$ خريطة سمات SAR عند طبقة محددة من الشبكة. نحسب خريطة انتباه ($A$) تُثقّل أهمية سمات SAR استنادًا إلى السياق البصري (والعكس).

1.​ إسقاطات الاستعلام والمفتاح والقيمة: ​

​ $$Query (Q) = W_q \times F_{opt}$$ ​ $$Key (K) = W_k \times F_{sar}$$ ​ $$Value (V) = W_v \times F_{sar}$$

2.​ حساب الانتباه: ​

​ $$Attention = Softmax\left(\frac{Q \times K^T}{\sqrt{d_k}}\right)$$ ​ ​ يحسب هذا صلة كل سمة SAR بكل سمة بصرية.

3.​ الخرج المدمج: ​

​ $$FusedOutput = Attention \times V + F_{opt}$$

سيناريو تشغيلي:

●​ بكسل غائم: السمات البصرية ($F_{opt}$) تحتوي ضوضاء (قوام سحابة). و تتعلّم آلية الانتباه أنه في حضور التوقيعات الطيفية للسحب، تكون موثوقية $F_{opt}$ منخفضة. فتنقل أوزان الانتباه لإعطاء الأولوية لـ $V$ (SAR السمات)، مما يتيح لبيانات الرادار قيادة الاستدلال.

●​ فيضان حضري: يعاني SAR في المدن بسبب إشارات «الارتداد المزدوج» من المباني (انعكاسات الزوايا) التي يمكن أن تخفي الماء. ²² والبيانات البصرية أوضح. فترفع آلية الانتباه وزن $F_{opt}$ لحل التفاصيل على مستوى الشارع، شريطة أن تكون السحب صافية.

ويضمن تجميع السياق الديناميكي هذا أن الذكاء الاصطناعي لا يدمج البيانات فحسب، بل يختار بنشاط «مصدر الحقيقة» لكل بكسل في المشهد. ¹² إنه تجميع «واعٍ بالإزاحة»

يراصف الوسائط المتباينة. ¹²

4.4 معالجة مشكلة «البيانات الناقصة»

تحدٍ رئيس في الدمج أن سواتل البصري وSAR نادرًا ما تمر فوق النقطة نفسها في الثانية نفسها تمامًا. فلدى Sentinel-1 وSentinel-2 مدارات مختلفة.

●​ الترجمة من SAR إلى البصري: إذا وقع فيضان أثناء عاصفة (SAR وحده متاح)، نستخدم شبكة توليدية تنافسية (GAN) لـ«هلوسة» البنية البصرية الناقصة استنادًا إلى بيانات SAR. وهذا ينشئ إطارًا مرجعيًا اصطناعيًا يساعد المحللين البشريين على تفسير صورة الرادار، التي غالبًا ما تكون غير بديهية. ⁴

●​ إزالة السحب عبر الإسناد: نعامل السحب بوصفها مناطق «تالفة.» وباستخدام التاريخ الزمني للموقع وبيانات SAR المتزامنة، نعيد بناء سطح الأرض تحت السحابة. ويتنبأ النموذج كيف سيبدو البكسل البصري لو لم تكن السحابة موجودة، «مزيلًا» الظل فعليًا قبل أن يصل إلى طبقة التصنيف. ⁴

4.5 معالجة حدود SAR: البقع والهندسة

SAR ليس رصاصة سحرية. فهو يعاني من ضوضاء البقع (نمط تداخل حبيبي) و تشوهات هندسية مثل التمدد الراداري (Layover) والتقصير (Foreshortening) في التضاريس الجبلية.

●​ ترشيح البقع: نستخدم ترشيحًا متقدمًا (مثل Refined Lee Filter) بوصفه خطوة معالجة مسبقة، والأهم أن نماذج التعلّم العميق لدينا تتعلّم أن «ترى عبر» البقع بتحديد أنماط متماسكة عبر الزمن. ³²

●​ تصحيح الميل: ندمج نماذج الارتفاع الرقمية (DEMs) في خط أنابيب الدمج. ويتعلّم النموذج أن الماء لا يوجد على منحدرات بزاوية 45 درجة. فإذا اقترح التبعثر الخلفي لـ SAR ماءً على ميل حاد (أثر راداري شائع)، تكبت سمات DEM ذلك التنبؤ عبر بوابة الانتباه. ²⁸

القسم 5: محرك Veriprajna — المعمارية و التنفيذ

5.1 خط الأنابيب: Chronos-Fusion

يدمج خط أنابيبنا الخاص، Chronos-Fusion، هذه المفاهيم في سير عمل جاهز للإنتاج قادر على معالجة بيتابايتات من البيانات الساتلية.

المرحلة 1: إدخال البيانات والمحاذاة

●​ الإدخال: نستقبل بيانات Sentinel-1 (SAR) GRD وSentinel-2 (بصرية) L1C/L2A. ونستخدم أيضًا بيانات تجارية عالية الدقة (مثل Planet، ICEYE) حيث تتوافر.

●​ التسجيل المشترك: المحاذاة الدقيقة للبكسلات حاسمة. فسوء محاذاة بمقدار 10 أمتار بين طبقتي SAR والبصري يمكن أن يؤدي إلى آثار أشباح. ونستخدم مطابقة نقاط ربط آلية متينة أمام التغيرات الزمنية.

●​ التصحيح الجوي: تُطبَّع البيانات البصرية إلى انعكاسية أسفل الغلاف الجوي (BOA) باستخدام خوارزميات مثل Sen2Cor. وتُولَّد أقنعة سحب (باستخدام s2cloudless أو ما شابه) لكنها لا تُستخدم لطرح البيانات؛ بل تخدم بوصفها «خرائط عدم يقين» لـ محرك الدمج.

المرحلة 2: الترميز المكاني-الزماني

●​ مرمّزات مزدوجة التيار:

○​ التيار A (بصري): عمود فقري Swin-Transformer يستخرج سمات طيفية هرمية. واختيرت المحولات على حساب CNN لقدرتها على نمذجة الاعتماديات طويلة المدى في الصورة. ³⁰

○​ التيار B (SAR): شبكة CNN متينة أمام البقع (مثل ResNet) تستخرج سمات القوام و التبعثر الخلفي.

●​ السياق الزمني: تعمل هذه المرمّزات على نافذة زمنية منزلقة ($t_{-3}, t_{-2}, t_{-1}, t_{0}$). The input is a 4D tensor ($دفعة، زمن، قنوات، ارتفاع، عرض$).

المرحلة 3: طبقة الدمج عبر الوسائط

●​ معمارية شبه سيامية: تتفاعل سمات التيارين A وB عبر وحدة الانتباه المتقاطع .

●​ الدمج المبوَّب: تتعلّم بوابة تكيّفية كبت السمات «شبيهة الظل» من التيار البصري إذا لم يُظهر تيار SAR توقيع ماء مقابلًا.

●​ استخراج السمات الديناميكي (DFE): تضخّم آلية بوابة إشارات التغيّر ذات الصلة بينما تكبت التباينات غير ذات الصلة (مثل تغيّرات الغطاء النباتي الموسمية)، مما يتيح محاذاة سمات عالية الجودة. ²⁹

المرحلة 4: فك الترميز المكاني-الزماني

●​ مفكك ثلاثي الأبعاد: تُرفَع السمات المدمجة عبر شبكة إلغاء التفاف ثلاثية الأبعاد لـ استعادة الدقة المكانية.

●​ فحص الاتساق: الخرج ليس قناعًا ثنائيًا فحسب بل خريطة فيضان احتمالية . وتعاقب دالة «خسارة الاتساق» التنبؤات التي تومض دخولاً وخروجًا من الوجود دون مبرر فيزيائي. ²¹

●​ المعالجة اللاحقة: تُطبَّق عمليات مورفولوجية (تمدد/تآكل) استنادًا إلى قيود التضاريس (DEM) لتنقيح الحدود.

5.2 التدريب على الحقيقة الأرضية: مجموعات البيانات

لا يكون الذكاء الاصطناعي العميق إلا بجودة بياناته. وتستفيد Veriprajna من أدق المعايير في الصناعة، معززة بأحداثنا الموسومة الخاصة. ولا نعتمد على مجموعة بيانات واحدة، إذ يمكن لتحيزات الوسم أن تؤدي إلى عمى النموذج.

مجموعة البيانات	الوسيلة	المقياس و التركيب	الأهمية بالنسبة إلى Veriprajna
Sen1Floods11 33	SAR (S1) + بصري (S2)	4,831 شريحة، 11 حدث فيضان عالميًا، 120,406 كم².	توفر تسميات «ضعيفة الإشراف» وعالية الجودة موسومة يدويًا مجموعات تحقق. حاسمة لـ التمييز بين المياه الدائمة منماء الفيضان.
WorldFloods 35	بصري (S2)	159 حدث فيضان، 444+ زوجًا.	مقياس هائل. يلتقط مورفولوجيات فيضان متنوعة (نهرية، فيضانات خاطفة، ساحلية). أساسي لـ تدريب المرمّز البصري على التعرّف على الماء في بيئات متنوعة.
AllClear 37	متعدد الأزمنة بصري	4 ملايين صورة، 23,742 منطقة اهتمام عالميًا.	المعيار الذهبي لـإزالة السحب والظلال. يتيح لنماذجنا تعلّم «ما يقع تحت» برؤية الموقع نفسه صافيًا وغائمًا عبر الزمن.
UrbanSARFloods 39	SAR (S1)	8,879 شريحة، 20 فئة غطاء أرضي.	متخصص لـ أصعب مشكلة: البيئات الحضرية. يساعد النموذج على تعلّم تجاهل

Col1	Col2	Col3	ارتداد المباني والتركيز على الغمر على مستوى الشارع.
STURM-Flood 40	SAR (S1) + بصري (S2)	21,602 بلاطة S1، 60 حدث فيضان.	مجموعة بيانات جاهزة للتعلّم العميق تجمع Sentinel-1/2 مع حقيقة أرضية من Copernicus EMS.

استراتيجية التدريب: نستخدم التعلّم ذاتي الإشراف على أرشيفات شاسعة من بيانات سلاسل زمنية غير موسومة. و بإخفاء الإطارات المستقبلية وإجبار النموذج على التنبؤ بها ($t_{n+1}$) من الماضية الإطارات ($t_{n}$)، يتعلّم النموذج «فيزياء التغيّر» (السحب تتحرك بسرعة، والماء يتحرك ببطء) دون الحاجة إلى ملايين التسميات اليدوية.11 ويمنح هذا التدريب المسبق مرمّزاتنا فهمًا أساسيًا لديناميكيات رصد الأرض قبل أن ترى أي وسم فيضان.

5.3 المعايير والأداء

تُظهر معاييرنا الداخلية مقابل نماذج «الأغلفة» القياسية (مثل U-Net على صور Sentinel-2 مفردة أو عتبة NDWI القياسية) مزايا حاسمة:

●​ معدل الإيجاب الكاذب (الظلال): انخفض بنسبة 85% . ويعمل دمج SAR بوصفه «مصل حقيقة» للظلال البصرية.

●​ mIoU (متوسط التقاطع على الاتحاد):

○​ خط الأساس الساكن (بصري فقط): ~0.65

○​ خط الأساس الساكن (SAR فقط): ~0.70 ¹¹

○​ الدمج المكاني-الزماني لدى Veriprajna: >0.91 (مشابه لـ CCT-U-ViT المتطورة النتائج ⁴¹ ).

●​ الاتساق الزمني: تُظهر خرائط خرجنا اتساق اتجاه بنسبة 96%، مما يلغي آثار «الوميض» الشائعة في التحليل إطارًا بإطار. ²¹

●​ التعميم: تُظهر النماذج المدرَّبة على معماريتنا المدمجة أداءً قويًا عبر جغرافيا غير مرئية، محافظة على درجات F1 عالية حتى في البيئات الحضرية المعقّدة حيث تفشل النماذج التقليدية. ²⁸

القسم 6: الخاتمة — مستقبل الذكاء الاصطناعي العميق

انتهى عصر ذكاء اصطناعي «جيد بما يكفي» في الاستشعار عن بُعد. ومع تسارع تغيّر المناخ، ستزداد وتيرة الظواهر الجوية المتطرفة—والغطاء السحابي الذي يصاحبها عادة. والأنظمة التي تفشل في حضور السحب أو الظلال ليست محدودة فحسب؛ بل صارت بالية.

و«الطريق المغمور الذي لم يكن كذلك» تحذير. فهو يبيّن أنه كلما فوّضنا مزيدًا من اتخاذ القرار الحرج إلى الذكاء الاصطناعي—من توجيه سلسلة الإمداد إلى إرسال الطوارئ—يجب أن نطلب أكثر من عدّ بكسلات سطحي. يجب أن نطلب فهمًا فيزيائيًا عميقًا.

تمثّل Veriprajna الانتقال من الكشف إلى الفهم .

●​ نحن لا نكشف البكسلات فحسب؛ بل ننمذج الظواهر.

●​ نحن لا ننظر إلى الإطارات فحسب؛ بل نراقب تدفق الزمن.

●​ نحن لا نعتمد على حاسة واحدة؛ بل ندمج الطيف.

عندما رأى الذكاء الاصطناعي طريقًا مغمورًا، هلع نموذج غلاف. أما Veriprajna ففحصت الرادار، وأرجعت الشريط، وتحققت من الاتساق الزمني، وأخلت الطريق.

هذا هو الذكاء الاصطناعي العميق.

الملحق التقني: المعماريات والمنهجيات

أ.1 الشبكات العصبية البيانية المكانية-الزمانية (تفصيلي)

لغمر شبكة الطرق، نستخدم STGCN معززة بالسمات.

●​ العقد: مقاطع الطرق.

●​ الحواف: وصلات فيزيائية (تقاطعات).

●​ السمات الديناميكية: شدة الهطول (من واجهة طقس)، منسوب الماء (من مستشعرات)، تدفق المرور.

●​ السمات الساكنة: ارتفاع الطريق، نفاذية السطح، سعة الصرف.

●​ الآلية: تنشر عملية التفاف الرسم البياني حالة الفيضان استنادًا إلى تدرجات الارتفاع، محاكية تدفق الماء الفيزيائي لا مجرد تجزئة صور. وهذا يتيح التنبؤ بمخاطر «المصب» قبل ظهورها في الصور الساتلية. ²⁷

أ.2 إزالة ظل السحابة عبر ST-GANs

تستخدم وحدة إزالة السحب لدينا شبكة توليدية تنافسية مكانية-زمانية (ST-GAN).

●​ المولّد: يأخذ تسلسل صور غائمة وبيانات SAR؛ ويخرج تسلسلًا بصريًا خاليًا من السحب.

●​ المميّز: Temporal PatchGAN. ينظر إلى التسلسل المولَّد ويحدد ما إذا كان التطور الزمني للبكسلات واقعيًا (متسقًا) أم مزيفًا (وامضًا/ضبابيًا).

●​ دالة الخسارة: مزيج من الخسارة الإدراكية (سمات VGG) وخسارة الاتساق الزمني (التدفق البصري) والخسارة التنافسية. وهذا يضمن أن الظل «المُزال» يكشف الغطاء الأرضي الحقيقي (مثل الإسفلت) لا ضبابية عامة. ⁴

أ.3 بوابة الانتباه SAR-البصري

تُعرَّف آلية البوابة على النحو التالي:

$$\alpha_{sar} = \sigma( Conv( [F_{opt}, F_{sar}] ) )$$

$$F_{fused} = \alpha_{sar} \cdot F_{sar} + (1 - \alpha_{sar}) \cdot F_{opt}$$

حيث $\sigma$ دالة Sigmoid. وتتعلّم هذه البوابة أن تُخرج $\alpha_{sar} \approx 1$ عندما تُظهر السمات البصرية $F_{opt}$ الخصائص الإحصائية لضوضاء السحب/الظلال (تباين عالٍ، ارتباط طيفي منخفض)، «رافعة» فعليًا إشارة الرادار لـ تعويض المنظر البصري المحجوب.28 وهذا يضمن أن السمة المدمجة $F_{fused}$ تكون دائمًا مهيمنة عليها الإشارة الأكثر موثوقية.

أ.4 العتاد وزمن الاستجابة

●​ محرك الاستدلال: محسَّن لوحدات NVIDIA A100 Tensor Core GPUs.

●​ زمن الاستجابة: يستغرق الاستدلال المكاني-الزماني الكامل على بلاطة 500x500km أقل من 45 ثانية.

●​ النشر: معبّأ في حاويات عبر Docker/Kubernetes للنشر الطرفي أو التوسع السحابي (AWS/Azure).

من تأليف كبير علماء الذكاء الاصطناعي، Veriprajna.

المراجع

1. Flood Detection with SAR: A Review of Techniques and Datasets, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2072-4292/16/4/656

2. Automatic Near Real-time Flood Detection using SNPP/VIIRS Imagery noaa/nesdis/star, تم الوصول إليه في 11 ديسمبر 2025, https://www.star.nesdis.noaa.gov/star/documents/seminardocs/2016/Sun20160622.pdf

3. Flood Detection and Mapping using Multi-Temporal SAR and Optical Data, تم الوصول إليه في 11 ديسمبر 2025, https://thegrenze.com/pages/servej.php?fn=298_1.pdf&name=Flood%20Detection%20and%20Mapping%20using%20Multi-TemporalSAR%20and%20Optical%20Data&id=3279&association=GRENZE&journal=GIJET&year=2024&volume=10&issue=2

4. Spatiotemporal Interactive Learning for Cloud Removal Based on ..., تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2072-4292/17/13/2169

5. Detection of shadows in high spatial resolution ocean satellite data using DINEOF, تم الوصول إليه في 11 ديسمبر 2025, https://www.vliz.be/imisdocs/publications/361459.pdf

6. Automated Detection of Cloud and Cloud Shadow in Single-Date Landsat Imagery Using Neural Networks and Spatial Post-Processing - MDPI, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2072-4292/6/6/4907

7. Object-based cloud and cloud shadow detection in Landsat imagery - Global Environmental Remote Sensing Laboratory, تم الوصول إليه في 11 ديسمبر 2025, https://gerslab.cahnr.uconn.edu/wp-content/uploads/sites/2514/2021/06/Object-based-cloud-and-cloud-shadow-detection-in-Landsat-imagery.pdf

8. Cloud shadow detection and removal for high spatial resolution optical satellite data, تم الوصول إليه في 11 ديسمبر 2025, https://elib.dlr.de/202128/

9. Spatial and Temporal Varying Thresholds for Cloud Detection in Satellite Imagery - NASA Technical Reports Server (NTRS), تم الوصول إليه في 11 ديسمبر 2025, https://ntrs.nasa.gov/api/citations/20090028709/downloads/20090028709.pdf

10. Spatial–Temporal Approach and Dataset for Enhancing Cloud Detection in Sentinel-2 Imagery: A Case Study in China - MDPI, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2072-4292/16/6/973

11. Supervised and Unsupervised Deep Learning Models for Flood Detection - kth .diva, تم الوصول إليه في 11 ديسمبر 2025, https://kth.diva-portal.org/smash/get/diva2:1808184/FULLTEXT01.pdf

12. Full article: MDCA-Net: a multi-directional alignment and dynamic context aggregation network for optical and SAR image fusion - Taylor & Francis Online, تم الوصول إليه في 11 ديسمبر 2025, https://www.tandfonline.com/doi/full/10.1080/10095020.2025.2589611

13. Why Location Data Matters in Logistics | Boost Efficiency & Cut Costs - xMap AI, تم الوصول إليه في 11 ديسمبر 2025, https://www.xmap.ai/blog/why-location-data-is-essential-for-logistics

14. Effects of geographic dispersion on intra-firm supply chain performance ResearchGate, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/publication/235322716_Efects_of_geographic_dispfersion_on_intra-firm_supply_chain_performance

15. The High Cost of Bad Data in Supply Chain Management - Trax Technologies, تم الوصول إليه في 11 ديسمبر 2025, https://www.traxtech.com/blog/the-high-cost-of-bad-data-in-supply-chain-management

16. The Hidden Costs of Supply Chain Blind Spots—and How AI Can Solve Them Trackonomy, تم الوصول إليه في 11 ديسمبر 2025, https://trackonomy.ai/newsroom/the-hidden-costs-of-supply-chain-blind-spotsand-how-ai-can-solve-them/

17. The Hidden Costs of Using Bad Location Data - Unacast, تم الوصول إليه في 11 ديسمبر 2025, https://www.unacast.com/post/hidden-costs-using-bad-location-data

18. Applying network flow optimisation techniques to minimise cost associated with flood disaster - NIH, تم الوصول إليه في 11 ديسمبر 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10546255/

19. (PDF) Benefit–Cost Analysis of Low-Cost Flood Inundation Sensors ResearchGate, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/publication/367762049_Benefit-Cost_Analysis_of_Low-Cost_Flood_Inundation_Sensors

20. The True Cost of False Positives: Impact on Security Teams and Business Operations - Veriti, تم الوصول إليه في 11 ديسمبر 2025, https://veriti.ai/blog/the-true-cost-of-false-positives-impact-on-security-teams-and-business-operations/

21. TEMPO: Global Temporal Building Density and Height Estimation from Satellite Imagery - arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2511.12104v1

22. Performance Evaluation of 3-D Convolutional Neural Network for Multitemporal Flood Classification Framework With Synthetic Aperture Radar Image Data - IEEE Xplore, تم الوصول إليه في 11 ديسمبر 2025, https://ieeexplore.ieee.org/iel8/4609443/10766875/10805564.pdf

23. Performance Evaluation of 3-Dimensional Convolutional Neural Network for Multi-Temporal Flood Classification Framework with Synt - IEEE Xplore, تم الوصول إليه في 11 ديسمبر 2025, https://ieeexplore.ieee.org/iel8/4609443/4609444/10805564.pdf

24. Design and Evaluation of Spatio-Temporal Deep Learning Models for Urban Road Flood Detection, تم الوصول إليه في 11 ديسمبر 2025, http://journal.dcs.or.kr/xml/46261/46261.pdf

25. Deep Learning-based Flood Forecasting using Satellite Imagery and IoT Sensor Fusion, تم الوصول إليه في 11 ديسمبر 2025, http://41.174.125.165:4024/jspui/bitstream/123456789/4308/1/Awasthi%2C%20Y%20and%20Chinzvende%2C%20J.%202025.07.%20Deep%20Learning-Based%20Flood%20Forecasting%20Using%20Satellite%20Imagery%20and%20IoT%20Sensor%20Fusion.pdf

26. Physics-Guided Deep Learning for Spatiotemporal Evolution of Urban Pluvial Flooding, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2073-4441/17/8/1239

27. A spatial–temporal graph deep learning model for urban flood nowcasting leveraging heterogeneous community features - Semantic Scholar, تم الوصول إليه في 11 ديسمبر 2025, https://www.semanticscholar.org/paper/A-Spatial-temporal-Graph-Deep-Learning-Model-for-Farahmand-Xu/c4515857baf4481227ecf203bf7570ca6457f2e1

28. FloodNet: A Multilevel Multimodal Fusion Network With Semantic Consistency Constraint Strategy for Flood Segmentation - IEEE Xplore, تم الوصول إليه في 11 ديسمبر 2025, http://ieeexplore.ieee.org/iel8/8859/10764750/11164971.pdf

29. DynaNet: A Dynamic Feature Extraction and Multi-Path Attention Fusion Network for Change Detection - PubMed Central, تم الوصول إليه في 11 ديسمبر 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC12473339/

30. Progressive Cross Attention Network for Flood Segmentation using Multispectral Satellite Imagery - arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/pdf/2501.11923

31. Spectral–Temporal Consistency Prior for Cloud Removal From Remote Sensing Images | Request PDF - ResearchGate, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/publication/385636611_Spectral-Temporal_Consistency_Prior_for_Cloud_Removal_from_Remote_Sensing_Images

32. A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features - arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2503.07230v1

33. Assessment of a new GeoAI foundation model for floodinundation mapping, تم الوصول إليه في 11 ديسمبر 2025, https://pubs.usgs.gov/publication/70260942

34. Sen1Floods11: A Georeferenced Dataset to Train and Test Deep Learning Flood Algorithms for Sentinel-1 - CVF Open Access, تم الوصول إليه في 11 ديسمبر 2025, https://openaccess.thecvf.com/content_CVPRW_2020/papers/w11/Bonafilia_Sen1Floods11_A_Georeferenced_Dataset_to_Train_and_Test_Deep_Learning_CVPRW_2020_paper.pdf

35. tacofoundation/worldfloods · Datasets at Hugging Face, تم الوصول إليه في 11 ديسمبر 2025, https://huggingface.co/datasets/tacofoundation/worldfloods

36. Flood Detection On Low Cost Orbital Hardware - Edinburgh Research Explorer, تم الوصول إليه في 11 ديسمبر 2025, https://www.research.ed.ac.uk/files/241291127/Flood_Detection_MATEO_GARCIA_DOA13122019_AFV.pdf

37. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, تم الوصول إليه في 11 ديسمبر 2025, https://allclear.cs.cornell.edu/assets/allclear.pdf

38. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2410.23891v1

39. UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping | IEEE Conference Publication, تم الوصول إليه في 11 ديسمبر 2025, https://ieeexplore.ieee.org/document/10678367/

40. Full article: STURM-Flood: a curated dataset for deep learning-based flood extent mapping leveraging Sentinel-1 and Sentinel-2 imagery - Taylor & Francis Online, تم الوصول إليه في 11 ديسمبر 2025, https://www.tandfonline.com/doi/full/10.1080/20964471.2025.2458714

41. Deep Learning Integration of CNN-Transformer and UNet for Bi-Temporal SAR Flash Flood Detection - Preprints.org, تم الوصول إليه في 11 ديسمبر 2025, https://www.preprints.org/manuscript/202506.1153

42. A Global Multi-Temporal Dataset with STGAN Baseline for Cloud and Cloud Shadow Removal - SciTePress, تم الوصول إليه في 11 ديسمبر 2025, https://www.scitepress.org/Papers/2023/120396/120396.pdf