رادار دهانه ترکیبی (SAR: Synthetic Aperture Radar) در GeoAI: چشمانی که در تاریکی و ابر می‌بینند

نویسنده: فاطمه جعفری نوبخت

در دنیای سنجش از دور، تصاویر اپتیکال (نوری) پادشاه هستند، اما یک نقطه ضعف بزرگ دارند: آن‌ها کور هستند! اگر هوا ابری باشد یا شب فرا برسد، ماهواره‌های نوری بی‌فایده می‌شوند.

اینجاست که SAR (Synthetic Aperture Radar) وارد می‌شود. یک تکنولوژی تصویربرداری فعال که از امواج مایکروویو استفاده می‌کند و می‌تواند در هر شرایط آب‌وهوایی، روز یا شب، زمین را ببیند. وقتی SAR با GeoAI ترکیب می‌شود، ما ابزاری داریم که نه تنها “می‌بیند”، بلکه پیچیده‌ترین الگوهای فیزیکی سطح زمین را “تفسیر” می‌کند.

1. رادار دهانه ترکیبی (SAR) چیست؟

برخلاف سنسورهای اپتیکال (فعال با نور خورشید)، SAR یک سنسور فعال است. یعنی خودش انرژی (امواج رادیویی) را می‌فرستد و بازتاب آن را دریافت می‌کند.

• چرا “دهانه ترکیبی”؟ برای داشتن تصاویر با رزولوشن بالا در رادار، نیاز به آنتنی به طول چند کیلومتر است. از آنجا که نمی‌توان چنین آنتنی را به فضا فرستاد، ماهواره با حرکت خود در مدار و ارسال پیاپی امواج، طول یک آنتن بزرگ را “شبیه‌سازی” می‌کند.

تصاویر SAR شبیه عکس‌های معمولی نیستند؛ آن‌ها نقشه‌هایی از پراکنش برگشتی (Backscatter) هستند که به زبری سطح، رطوبت و ساختار هندسی اشیاء بستگی دارند.

2. چالش SAR و راهکار GeoAI

تصاویر SAR برای چشم انسان (و حتی متخصصان) گیج‌کننده هستند. آن‌ها رنگ ندارند و پر از نویزهای دانه‌دانه به نام Speckle هستند. همچنین پدیده‌هایی مثل اعوجاج هندسی (Layover و Shadow) تفسیر آن‌ها را دشوار می‌کند.

GeoAI این مشکلات را حل می‌کند:

1.2. حذف نویز هوشمند (Despeckling)

نویز اسپکل (Speckle Noise) ذات تصاویر راداری است که باعث می‌شود تصویر “دانه‌دانه” به نظر برسد. فیلترهای ریاضی قدیمی باعث تار شدن لبه‌ها می‌شدند.

• راهکار AI: شبکه‌های عصبی کانولوشنال (CNN) و به ویژه مدل‌های GAN (شبکه‌های مولد تخاصمی) یاد گرفته‌اند که این نویز را حذف کنند بدون اینکه جزئیات و لبه‌های ساختمان‌ها یا رودخانه‌ها از بین برود.

2.2. رنگ‌آمیزی و ترجمه تصویر (SAR-to-Optical Translation)

تفسیر تصویر سیاه و سفید راداری سخت است.

• راهکار AI: مدل‌های یادگیری عمیق (مانند CycleGAN) می‌توانند تصویر SAR را دریافت کرده و یک تصویر شبیه به اپتیکال (رنگی و قابل فهم برای انسان) تولید کنند. این کار به تحلیلگران کمک می‌کند تا ماهیت عوارض را سریع‌تر درک کنند.

3. کاربردهای پیشرفته SAR در GeoAI

1.3. تداخل‌سنجی راداری (InSAR) و پایش فرونشست

InSAR تکنیکی است که با مقایسه فاز موج در دو تصویر SAR از زمان‌های مختلف، جابجایی زمین را با دقت میلی‌متر اندازه می‌گیرد.

• نقش GeoAI: فرآیند پردازش InSAR بسیار پیچیده و نیازمند دخالت انسانی است (مخصوصاً مرحله بازکردن فاز یا Phase Unwrapping). الگوریتم‌های هوش مصنوعی این فرآیند را خودکار کرده و می‌توانند نقشه‌های فرونشست دشت‌ها یا تغییرات آتشفشانی را به صورت آنی تولید کنند.

2.3. تشخیص لکه‌های نفتی (Oil Spill Detection)

در تصاویر SAR، سطح آب آرام (مثل لکه نفتی که امواج را می‌میراند) سیاه دیده می‌شود، در حالی که آب مواج روشن‌تر است.

• نقش GeoAI: تمایز بین “لکه نفتی” و “منطقه کم‌باد” (که آن هم سیاه دیده می‌شود) برای انسان سخت است. مدل‌های یادگیری عمیق با تحلیل بافت و شکل لکه، با دقت بالا منشأ آلودگی نفتی را در اقیانوس‌ها شناسایی می‌کنند.

3.3. نظارت بر کشتی‌ها (Ship Detection)

فلز کشتی‌ها امواج رادار را به شدت بازتاب می‌دهد و مثل نقاط درخشان دیده می‌شود.

• نقش GeoAI: الگوریتم‌های تشخیص شیء (مانند YOLO یا Faster R-CNN) که برای تصاویر SAR آموزش دیده‌اند، می‌توانند کشتی‌های غیرقانونی را که سیستم‌های ردیابی خود (AIS) را خاموش کرده‌اند، در هر شرایط آب و هوایی ردیابی کنند.

4.3. طبقه‌بندی محصولات کشاورزی

محصولات مختلف (ذرت، گندم، برنج) ساختار هندسی متفاوتی دارند و امواج رادار را متفاوت بازتاب می‌دهند. همچنین رادار به رطوبت گیاه حساس است.

• نقش GeoAI: با تحلیل سری‌های زمانی تصاویر SAR، هوش مصنوعی الگوی رشد گیاه را یاد می‌گیرد و نوع محصول را تشخیص می‌دهد، حتی اگر تمام فصل زراعی هوا ابری باشد.

4. داده‌ها و قطبش(Polarization)

در GeoAI پیشرفته، ما فقط از شدت سیگنال استفاده نمی‌کنیم، بلکه از قطبش (Polarization) استفاده می‌کنیم:

• HH, HV, VH, VV: امواج می‌توانند افقی (H) یا عمودی (V) ارسال و دریافت شوند.
• مثال: ترکیب قطبش ها به AI کمک می‌کند تا بفهمد یک سطح “صاف” است (مثل جاده) یا “حجمی” (مثل تاج درختان جنگل). این ویژگی برای تخمین زیست‌توده (Biomass) جنگل‌ها حیاتی است.

5. نتیجه‌گیری

ادغام SAR و GeoAI ابرقدرتی است که به ما “بینایی مطلق” می‌دهد. در حالی که ماهواره‌های نوری در ۶۰٪ مواقع به دلیل تاریکی شب یا پوشش ابر بلااستفاده هستند، ماهواره‌های SAR (مانند Sentinel-1) همراه با هوش مصنوعی، جریانی بی‌وقفه و قابل اعتماد از داده‌ها را برای مدیریت بحران، امنیت و پایش محیط زیست فراهم می‌کنند.

درباره نویسنده:

فاطمه جعفری نوبخت، متخصص برجسته و پژوهشگر حوزه مهندسی محیط زیست، با رویکردی نوین دانش کلاسیک این رشته را با فناوری‌های پیشرفته هوش مصنوعی تلفیق کرده و به عنوان پیشگام در زمینه هوش مصنوعی مکانی (GeoAI) شناخته می‌شود. وی با تکیه بر مدرک کارشناسی ارشد مهندسی محیط زیست و درک عمیق از اکوسیستم‌ها، تخصص خود را فراتر از روش‌های سنتی گسترش داده و با ورود به دنیای داده‌ها، فعالیت‌های حرفه‌ای خود را بر کاربرد هوش مصنوعی در علوم محیط زیست متمرکز کرده است. او هم‌اکنون به عنوان مشاور ارشد علوم مکانی در محیط زیست و منابع طبیعی، با استفاده از الگوریتم‌های پیشرفته در پی راهکارهایی برای پایش دقیق، پیش‌بینی تغییرات اقلیمی و مدیریت بهینه منابع است. فاطمه جعفری با باور بنیادین به اینکه «مهم‌ترین توجه انسان‌ها باید به مقوله محیط زیست باشد»، تکنولوژی را ابزاری قدرتمند برای نجات زمین می‌داند و علاوه بر پروژه‌های استراتژیک، با برگزاری مستمر کارگاه‌های آموزشی در زمینه علوم مکانی و زمین، مشتاقانه به انتقال دانش و تربیت نسلی متخصص برای حفاظت از آینده محیط زیست می‌پردازد.