מעבר להסקה מפריים בודד במודיעין שיטפונות ארגוני
מערכת ה-AI של תאגיד לוגיסטיקה סימנה כביש מהיר קריטי כ"מוצף". ניתוב מחדש אוטומטי הופעל. 50 משאיות הוסטו ב-100 ק"מ. חלונות אספקה פוספסו. מטענים נפגעו. עלות: $250,000+.
ומה הייתה המציאות? ענן קומולוס בגובה 2,000 מטרים הטיל צל, ומערכת ה-AI — הלכודה ברגע בודד בזמן — ראתה בו הזיה של שיטפון. זהו עקב האכילס של ה-AI המודרני בחישה מרחוק.
השוק רווי בפתרונות "עטיפה" (wrappers) המעבירים פרומפטים למודלים כלליים. לאלה חסרים היסק סיבתי ועיגון פיזיקלי — הם מתאימי דפוסים, לא סימולטורים של פיזיקה.
מודלים גנריים אינם מבינים את ההבדל הרדיומטרי בין צל למים. הם מכירים רק דמיון חזותי — הם מתאימי דפוסים, לא סימולטורים של פיזיקה.
מודלים של פריים בודד מעבדים את תמונה t ללא כל ידע על תמונה t-1. הם אינם מסוגלים לראות שה"מים" נעו במהירות של 50 קמ"ש (מהירות הענן) — דבר שהוא בלתי אפשרי מבחינה פיזיקלית עבור מי שיטפון.
פתרונות עטיפה מתייחסים לנתוני SAR ונתונים אופטיים כאל "תמונות" בלבד, תוך התעלמות ממאפיינים פיזיקליים מובחנים (פיזור חוזר לעומת החזרתיות). הם אינם יכולים לנצל את ההשלמה ההדדית של היתוך רב-חיישני.
"בעוד שמפעיל אנושי יכול לראות בבירור מגש שחור על מסוע, מערכת הראייה הממוחשבת למעשה אינה רואה דבר. זהו כשל של הפיזיקה ששום התאמת ניגודיות בראייה ממוחשבת או הנדסת פרומפטים אינן יכולות לפתור. אי אפשר להגביר אות שמעולם לא נקלט."
— מסמך טכני של Veriprajna, 2024
הכישלון להבדיל בין צל לשיטפון אינו רק תקלה טכנית — זהו דימום כלכלי המשתרשר לאורך שרשראות אספקה, מעוות מודלי סיכון ושוחק אמון.
התראות שווא על שיטפון כופות ניתוב מחדש אוטומטי, ומוסיפות מאות קילומטרים למסלולים. חלונות אספקה בשיטת JIT מתפספסים, ומטען מתכלה ניזוק.
שיגור צוותי חיפוש והצלה למיקומים יבשים (צללי עננים) מותיר קורבנות ממשיים פגיעים במקומות אחרים. שיעור גבוה של אזעקות שווא גורם לעייפות התראות.
פוליסות מופעלות אוטומטית על סמך נתוני לוויין. דיוק הוא מטבע משפטי. חיוביים שגויים גוררים תשלומי פיצוי בלתי מוצדקים; שליליים שגויים מזמינים תביעות משפטיות.
מדוע AI רדוד נכשל? כדי להנדס פתרון, יש לנתח תחילה את אופן הכשל של הטכנולוגיה הקיימת.
מים הם בולע חזק של קרינת NIR/SWIR — הם נראים כהים. אך כהות אינה ייחודית למים. צללי עננים, צללי תוואי שטח ומשטחים כהים (אספלט) מביאים כולם לערכי קרינה (radiance) נמוכים.
לצללים יש לעיתים קרובות שוליים רכים ובלתי סדירים המחקים את דפוסי ההתפשטות של מים על פני שטח לא אחיד. שניהם מעלימים מרקמים תחתונים (שורות גידולים, סימוני כביש).
רשתות CNN שאומנו על תמונות סטטיות חסרות הקשר חיצוני. פונקציות הפסד הממושקלות להעניש שליליים שגויים הופכות מודלים ל"קלי דק" — ומסווגות כל כתם כהה כהצפה.
כיצד אנליסט אנושי מאמת האם כתם כהה הוא צל או מים? הוא ממתין. הוא עובר לתמונה הבאה. הוא בוחן את השעה הקודמת. Veriprajna בונה ארכיטקטורות שבהן הזמן הוא המבדיל האולטימטיבי.
רשתות CNN סטנדרטיות משתמשות בגרעינים דו-ממדיים להפקת מאפיינים מרחביים. כדי ללכוד תנועה והתפתחות זמנית, אנו מפעילים רשתות 3D CNN עם ממדים זמניים (k_x × k_y × k_t).
בעוד ש-3D CNNs לוכדות תנועה לטווח קצר, תלויות ארוכות טווח (שיטפונות המתפתחים לאורך ימים) דורשות זיכרון. אנו משתמשים ב- Convolutional LSTMs המשמרות את המבנה המרחבי הדו-ממדי.
למידול התפשטות שיטפונות לאורך רשתות כבישים או ערוצי נהרות, שיטות מבוססות פיקסלים אינן יעילות. אנו ממדלים אזורים כגרפים שבהם צמתים מייצגים מיקומים וקשתות מייצגות קישוריות.
אחד הארטיפקטים של ניתוח פריים אחר פריים הוא "הבהוב" (flickering) — פיקסלים המחליפים מצב בין "מוצף" ל"יבש" ככל שתנאי התאורה משתנים. מודלים מרחביים-זמניים מרסנים רעש זה על ידי הטלת קנס על תחזיות המפרות המשכיות פיזיקלית.
הדרך החזקה ביותר לאמת אנומליה חזותית היא לבחון אותה באמצעות סט עיניים שונה. אנו משלבים את הספקטרום החזותי עם ספקטרום גלי המיקרו.
| מאפיין | אופטי (Sentinel-2, Landsat) | SAR (Sentinel-1) |
|---|---|---|
| סוג | סביל (מחזיר אור שמש) | פעיל (פולט גלי מיקרו) |
| ספקטרום | נראה, NIR, SWIR | גלי מיקרו (C-band, L-band, X-band) |
| חדירת עננים | אין (נחסם על ידי עננים) | מלאה (חודר עננים, גשם, עשן) |
| יום/לילה | יום בלבד | יום ולילה |
| חתימת מים | החזרתיות כהה/נמוכה | פיזור חוזר נמוך (החזרה ספקולרית) |
| רגישות לצללים | גבוהה (מבלבל צל עם מים) | נמוכה (צללים הם חללים גיאומטריים) |
| חולשה עיקרית | עננים, צללים, סנוור שמש (Sun Glint) | רעש נצנוץ (Speckle Noise), עיוות גיאומטרי |
הליבה של מנוע ההיתוך שלנו היא בלוק ה-Cross-Modal Attention. מנגנון זה מאפשר למודל להפנות קשב דינמי לחיישן המהימן ביותר עבור כל פיקסל נתון.
הארכיטקטורה הקניינית שלנו משלבת מודלים מרחביים-זמניים והיתוך רב-חיישני לתהליך עבודה מוכן לייצור המסוגל לעבד פטabytes של נתוני לוויין.
קליטת נתוני Sentinel-1 (SAR GRD) ו-Sentinel-2 (Optical L1C/L2A). רישום הדדי מדויק עם התאמת נקודות קשר (Tie-Points) אוטומטית.
מקודדים דו-ערוציים: Swin-Transformer לנתונים אופטיים (תלויות ארוכות טווח), ResNet ל-SAR (מרקם/פיזור חוזר).
ארכיטקטורת Pseudo-Siamese עם Cross-Attention. שערים אדפטיביים מדכאים מאפיינים דמויי צל כאשר SAR אינו מציג חתימת מים.
רשת דה-קונבולוציה תלת-ממדית מבצעת דגימת-יתר (Upsampling) למאפיינים המותכים. פונקציית הפסד עקביות קונסת תחזיות מהבהבות.
מערכת AI עמוקה טובה רק כאיכות הנתונים שעליהם אומנה. Veriprajna ממנפת את מדדי הביצוע המחמירים ביותר, מתוגברים באירועים מתויגים קנייניים. איננו מסתמכים על מערך נתונים בודד — הטיות בתיוג מובילות לעיוורון של המודל.
Veriprajna משתפת פעולה עם תאגידי לוגיסטיקה, סוכנויות ממשלתיות, חברות ביטוח וארגוני מענה לאסונות כדי לספק מודיעין שיטפונות ברמה פורנזית.
בטלו חסימות צירים מדומות. הבטיחו שאלגוריתמי אופטימיזציית מסלולים יפעלו על סמך זמינות מדויקת של רשת הכבישים. צמצמו בזבוז דלק, שעות נוספות של נהגים וכשלי אספקה בשיטת JIT.
פרסו משאבים בביטחון. בטלו את עייפות ההתראות מחיוביים שגויים. חיזוי מיידי (Nowcasting) מספק זמן התרעה מוקדם של שעתיים למנהלי חירום.
ראיות ברמה פורנזית להפעלה אוטומטית של פוליסות. נתיבי ביקורת מרחביים-זמניים מספקים הוכחה הניתנת לאימות לתיקוף תביעות ומניעת הונאות.
עידן ה-AI של "טוב מספיק" בחישה מרחוק הגיע לסיומו. ככל ששינויי האקלים מאיצים אירועי מזג אוויר קיצוניים — ואת כיסוי העננים הנלווה אליהם — מערכות שנכשלות בנוכחות עננים או צללים אינן רק מוגבלות; הן מיושנות לחלוטין.
איננו רק מזהים פיקסלים; אנו ממדלים תופעות. המערכות שלנו מבינות את הפיזיקה של מים, צללים והתפתחות לאורך זמן.
איננו מביטים בפריימים בודדים; אנו צופים בהתפתחות הזמנית. הזמן הוא המבדיל האולטימטיבי בין צל למים.
איננו מסתמכים על מידע אופטי בלבד; אנו מתיכים מידע על פני הספקטרום האלקטרומגנטי. SAR חודר עננים כאשר מערכות אופטיות נכשלות.
"כאשר ה-AI ראה כביש מוצף, מודל עטיפה נכנס לפאניקה.
Veriprajna בדקה את המכ"ם, הריצה את ההקלטה לאחור, אימתה את העקביות הזמנית ואישרה שהכביש פנוי."
זהו Deep AI.
מודלי CNN של פריים בודד מעבדים תמונות לוויין ללא הקשר זמני. בספקטרום ה-NIR/SWIR, מרחק וקטור המאפיינים בין צל למים הוא כ-0.02, מה שהופך אותם לבלתי ניתנים להבחנה מבחינה מתמטית. צללי עננים נעים במהירות של 45 קמ"ש בעוד ששיטפונות ממשיים נמשכים שעות או ימים, אך מודלים סטטיים אינם מסוגלים לקלוט הבדל זה מכיוון שחסרים להם זיכרון זמני והבנה של הפיזיקה של SAR.
מנוע ה-Chronos-Fusion של Veriprajna משתמש ברשתות 3D CNN כדי ללכוד תנועה והתפתחות זמנית לאורך רצפי תמונות, ב-ConvLSTM לזיכרון ארוך טווח של דפוסי שיטפון, ובמנגנון Cross-Attention בין נתוני SAR לנתונים אופטיים. מכ"ם SAR חודר עננים ומודד חספוס פני שטח. צל ענן מציג פיזור חוזר (backscatter) גבוה של SAR (משטח יבש ומחוספס) בעוד ששיטפונות ממשיים מציגים פיזור חוזר נמוך (מים חלקים). הבחנה זו המבוססת על פיזיקה משיגה הפחתה של 85% בהתראות שווא ודיוק של 0.91 mIoU.
חברות לוגיסטיקה מונעות אירועי ניתוב מחדש מדומים ויקרים שיכולים לעלות על 250,000 דולר לאירוע. חברות ביטוח פרמטרי דורשות ראיות לווייניות ברמה פורנזית עבור הפעלה אוטומטית של פוליסות, שבהן תוצאה חיובית שגויה בודדת גורמת לתשלומי פיצוי בלתי מוצדקים של 50,000 עד 500,000 דולר. סוכנויות מענה לאסונות מבטלות את עייפות ההתראות מאזעקות שווא, ומבטיחות שמשאבים יופנו לאזורי שיטפון ממשיים ולא לאזורים יבשים תחת צללי עננים.
ההיתוך המרחבי-זמני של Veriprajna לא רק משפר את הדיוק — הוא משנה מהיסוד את פיזיקת התצפית.
תאמו פגישת ייעוץ טכנית כדי לדון כיצד Chronos-Fusion יכול לבטל תוצאות חיוביות שגויות בצינור מודיעין השיטפונות שלכם.
דוח הנדסי מלא: ארכיטקטורת 3D CNN, מתמטיקה של Cross-Attention, תיאורי מערכי נתונים, מדדי ביצועים, רשימת מקורות מקיפה (42 מקורות).