انتخاب مبنای متن‌باز و مسیر بومی‌سازی
مقایسه مستند چهار پروژه، اصلاح نقش EBA_detector، بررسی وابستگی‌ها و طراحی آزمایش انتخاب مبنای فنی؛ بازبینی ۱۵ اکتبر ۲۰۲۶.
فهرست این صفحه
نتیجه بررسی؛ یک مخزن برای همه کارها کافی نیست
پیشنهاد SPM GEO، توسعه مرحله‌ای است: ابتدا خط مبنای محلی و آزمون نقشه کشت؛ سپس منطق تغییر و هشدار قابل توضیح؛ و در نهایت اتصال نتایج به سایت. انتخاب نهایی موتور پردازش به آزمایش دسترسی، کیفیت و هزینه وابسته است.
WorldCereal نامزد اصلی آزمون نقشه کشت است؛ Sen4CAP مرجع روش‌های پایش و گزینه ارزیابی پردازشگرهای مرتبط؛ eo-learn گزینه سازمان‌دهی زنجیره سفارشی؛ و EBA_detector ابزار اختیاری بازبینی داده آموزشی است. این چهار پروژه، چهار رقیب هم‌نوع نیستند.
چه چیزی بررسی شده و چه چیزی هنوز اثبات نشده؟
تاریخ این بازبینی: ۱۵ اکتبر ۲۰۲۶. README مخازن، صفحات وابستگی، مجوزها و مستندات رسمی مرتبط بررسی شدند. نتیجه این فصل، ارزیابی مستنداتی و پیشنهاد مهندسی است؛ نصب، اجرای پردازشگر، ممیزی کامل کد و آزمون داده قزوین انجام نشده‌اند.
| سطح شاهد | وضعیت این بررسی | برداشت مجاز |
|---|---|---|
| مستندات و ساختار اعلام‌شده | بررسی شده | تعیین نقش و مسیر آزمایش |
| نصب و اجرای نمونه رسمی | انجام نشده | سازگاری محیط هنوز تأیید نشده |
| عملکرد روی داده قزوین | انجام نشده | دقت، هزینه و زمان اجرا نامعلوم |
| اتصال عملیاتی به SPM GEO | طراحی پیشنهادی | هیچ سرویس پردازش جدیدی فعال نشده |
مقایسه نقش، ورودی و خروجی
| گزینه | نوع ابزار و ورودی | خروجی مرتبط | بخش باقی‌مانده برای ما |
|---|---|---|---|
| WorldCereal | زنجیره طبقه‌بندی؛ سری زمانی و داده کمکی، با مرجع محلی در آموزش | نقشه اراضی زراعی / نوع کشت | نگاشت کلاس قزوین، آزمون مستقل و منطق هشدار |
| Sen4CAP | سامانه و روش‌های پایش کشاورزی مبتنی بر Sentinel | محصولات و نشانگرهای پایش | انتخاب پردازشگر و بازتعریف قواعد محلی |
| eo-learn | چارچوب پایتونی داده مکانی–زمانی | زنجیره وظایف پردازشی قابل ترکیب | مدل، ارزیابی و محصول مدیریتی |
| EBA_detector | کنترل کیفیت نمونه مرجع با embedding و برچسب | امتیاز و پرچم ناهنجاری نمونه | بازبینی کارشناس و آزمون اثر پاک‌سازی |
WorldCereal؛ نامزد نقشه کشت و سازگارسازی محلی
README، تولید نقشه اراضی زراعی و نوع کشت را با مدل پیش‌آموزش‌دیده یا آموزش سفارشی معرفی می‌کند. مسیر ابری از openEO و به‌طور پیش‌فرض CDSE استفاده می‌کند؛ محیط کاربر می‌تواند محلی یا notebook میزبانی‌شده باشد. در راهنمای پردازش، استخراج ویژگی با Presto و آموزش طبقه‌بند سفارشی CatBoost توضیح داده شده است.
پیشنهاد بومی‌سازی: ابتدا یک ماسک کشت آزمایشی تولید کنیم، سپس برچسب‌های محلی را با تعریف کلاس‌های طرح تطبیق دهیم. گروه غلات زمستانه را پیش از تفکیک گندم و جو ارزیابی کنیم. باغ و تاکستان را به‌طور خودکار معادل temporary crops نگیریم.
آزمایش پذیرش پیشنهادی: مدل جهانی، Random Forest محلی و مدل سازگارشده روی یک تقسیم مکانی و زمانی یکسان مقایسه شوند. علاوه بر Macro-F1، خطای هر کلاس، مساحت فاقد داده، زمان و هزینه اندازه‌گیری شود. اگر روش پیچیده بهبود قابل دفاع نداشت، روش ساده‌تر حفظ شود.
- نقشه نوع کشت پایان فصل، به‌خودی‌خود هشدار میان‌فصل نیست؛ برای هشدار فقط اطلاعات موجود تا تاریخ تصمیم مجاز است.
- وجود محصول تاریخی آبیاری در خانواده WorldCereal، اثبات وجود همان قابلیت در API فعلی classification نیست.
- قبل از پذیرش، باندها، داده کمکی، وزن مدل، بازه زمانی و legend همان نسخه ثبت شوند.
Sen4CAP؛ مرجع روش پایش و قواعد قابل بومی‌سازی
مستندات رسمی، مبانی الگوریتمی نقشه نوع کشت، پایش فعالیت کشاورزی، تغییر کلاس، خاک لخت و ناهمگنی قطعات را فهرست می‌کنند. این تفکیک برای طرح ما مفید است: مشاهده خاک لخت با اثبات ترک کشت یا تغییر کاربری یکسان نیست.
پیشنهاد بومی‌سازی: یک مسئله محدود مانند تداوم خاک لخت در پنجره مورد انتظار رشد انتخاب شود. ورودی، شرایط اعتبار، رویداد برداشت و تقویم محلی آن مسئله نوشته و با شاهد زمینی سنجیده شود. قواعد سیاست کشاورزی اروپا مستقیماً معیار تخلف یا تصمیم اداری در قزوین نیستند.
سایت رسمی در زمان بررسی خبر انتشار نسخه ۵٫۰ در ۶ اکتبر ۲۰۲۶ را نمایش می‌داد. این خبر به معنی تطابق خودکار شاخه GitHub، بسته نصب و نسخه همه اسناد نیست؛ این تطابق باید در آزمایش نصب ثبت شود.
- برای شروع، بازاستفاده از روش و ارزیابی یک پردازشگر منتخب پیشنهاد می‌شود؛ استقرار کل سامانه شرط مرحله اول نیست.
- اگر محصول انتخابی به همدوسی راداری نیاز داشته باشد، ورودی SLC و پردازش مربوط لازم است؛ GRD به‌تنهایی همدوسی تولید نمی‌کند.
- فهرست دقیق داده و پیش‌پردازش از ATBD و راهنمای همان محصول استخراج شود؛ همه محصولات Sen4CAP الزاماً ورودی یکسان ندارند.
eo-learn؛ انتخابی برای ساخت زنجیره سفارشی
eo-learn چارچوب پردازش پایتونی است. EOPatch داده را نگه می‌دارد، EOTask یک وظیفه پردازشی و EOWorkflow اتصال وظایف را بیان می‌کند. ماژول‌هایی برای ورودی/خروجی، ماسک، ویژگی و هندسه دارد. مدل آماده اختصاصی قزوین یا داشبورد مدیریتی از این تعریف نتیجه نمی‌شود.
پیشنهاد کاربرد: دریافت یا خواندن داده، ماسک کیفیت، استخراج ویژگی و تجمیع قطعه‌ای را در وظایف قابل بازاجرا سازمان‌دهی کنیم. اگر زنجیره ساده با کتابخانه‌های پایه نیاز را پوشش دهد، افزودن eo-learn الزامی نیست؛ هزینه نگهداری باید با سود بازاستفاده سنجیده شود.
README هشدار می‌دهد که همه مثال‌های مخزن examples به‌روز نیستند. بنابراین notebook قدیمی بدون ثبت نسخه و اجرای نمونه، مبنای استقرار قرار نگیرد. کار با فایل محلی از استفاده از task متصل به Sentinel Hub جداست؛ نیاز حساب و هزینه به task و سرویس انتخابی بستگی دارد.
EBA_detector؛ کنترل کیفیت برچسب، نه تشخیص تنش
طبق README، ابزار روی بردارهای ویژگی از پیش محاسبه‌شده کار می‌کند و نمونه‌های مرجع را در گروه‌های مکانی و هم‌کلاس مقایسه می‌کند. هدف آن یافتن نمونه‌های غیرعادی و احتمالاً دارای برچسب نادرست است. خروجی، امتیاز و وضعیت نمونه برای استفاده در بازبینی یا آموزش است.
مثال پیشنهادی برای قزوین: قطعه‌ای با برچسب گندم رفتار متفاوتی از همتاها دارد. ابتدا تاریخ، مرز و برچسب آن بازبینی می‌شود؛ تفاوت ممکن است از خطای برچسب، شرایط واقعی متفاوت یا نمونه نادر درست ناشی شود. حذف خودکار همه نمونه‌های غیرعادی می‌تواند تنوع واقعی را از آموزش حذف کند.
این ابزار در مسیر پیش از آموزش قرار می‌گیرد. برای پذیرش آن، آموزش بدون پاک‌سازی با آموزش پس از بازبینی روی آزمون مستقل ثابت مقایسه شود. برچسب آزمون با خروجی این ابزار تغییر نکند؛ اختلاف آزمون به داوری مستقل نیاز دارد.
ریسک سازگاری نسخه‌ها؛ یک نمونه واقعی
در صفحات بررسی‌شده، pyproject مربوط به WorldCereal به prometheo نسخه v0.1.6 ارجاع می‌داد، ولی مثال نصب README مربوط به EBA_detector نسخه v0.0.5 را ذکر می‌کرد. این اختلاف مستنداتی، دلیل کافی برای ادعای ناسازگاری قطعی نیست؛ اما کپی‌کردن دو دستور نصب در یک محیط را به انتخاب قابل اتکا تبدیل نمی‌کند.
| گزینه | نکته محیط | آزمون لازم |
|---|---|---|
| WorldCereal | README حداقل Python 3.11؛ وابستگی به بسته‌ها و سرویس پردازش | ساخت محیط از commit منتخب و اجرای نمونه رسمی |
| eo-learn | pyproject بررسی‌شده Python >=3.8؛ وابستگی‌های مکانی و افزونه‌ها | نصب روی محیط هدف و اجرای زنجیره کوچک |
| EBA_detector | pyproject حداقل Python 3.10؛ مسیر کامل به WorldCereal هم وابسته است | سازگاری زوج نسخه‌ها و تولید امتیاز نمونه |
| Sen4CAP | بسته نصب، پردازشگر و راهنما باید هم‌نسخه باشند | اجرای محصول منتخب و ثبت پیش‌نیازهای واقعی |
مجوز، وزن مدل و سرویس؛ چهار بررسی جدا
WorldCereal classification، eo-learn و EBA_detector در منابع بررسی‌شده MIT معرفی شده‌اند. Sen4CAP فایل تجمیعی مجوزها و وابستگی‌های متعدد دارد. این برچسب‌ها جای بررسی فایل‌های همان نسخه و اجزای واقعاً استفاده‌شده را نمی‌گیرند. در این مرحله کد این مخازن داخل سایت کپی نشده است.
| موضوع | چه چیزی ثبت شود؟ |
|---|---|
| کد و وابستگی | مجوز فایل/بسته، متن notices و تغییرات محلی |
| وزن مدل | منبع دریافت، نسخه، checksum و شرایط استفاده |
| داده آموزشی و مرجع | مجوز استفاده، امکان انتشار و محدودیت داده شخصی |
| سرویس پردازش | حساب، سقف مصرف، شرایط دسترسی و هزینه زمان اجرا |
چه چیزی باید برای SPM GEO ساخته شود؟
خروجی مخزن باید به قرارداد داده یکسان تبدیل شود؛ اتصال سایت به نام یا ساختار داخلی یک مدل، تعویض آن را پرهزینه می‌کند. معماری زیر پیشنهاد این طرح است، نه قابلیت آماده مشترک این مخازن.
- API کار پردازشی را ثبت و job_id برمی‌گرداند؛ پردازش سنگین در worker مستقل انجام می‌شود.
- فیلدهای حداقلی خروجی: parcel_id، season_id، observed_at، model_version، data_status، score و evidence_ids.
- نسخه legend، داده ناموجود و واحد امتیاز همراه نتیجه ثبت شوند؛ خروجی مدل مستقیماً حکم کارشناسی نیست.
| لایه | بازاستفاده احتمالی | توسعه اختصاصی |
|---|---|---|
| کیفیت داده مرجع | EBA_detector اختیاری | بازبینی زراعی، اصلاح برچسب و ثبت سابقه |
| نقشه کشت | WorldCereal یا خط مبنای محلی | کلاس‌های قزوین و آزمون انتقال |
| پایش و تغییر | روش‌های منتخب Sen4CAP؛ eo-learn در صورت نیاز | منطق زمان‌مند هشدار، کیفیت داده و توضیح علت |
| گردش‌کار کارشناس | خروجی استاندارد پردازش | ارجاع، بازدید، تأیید/رد و پیگیری |
| نمایش وب | Next.js موجود | نقشه، نمودار، دسترسی و گزارش مدیریتی |
آزمایش انتخاب مخزن؛ تحویل قابل بررسی
| مرحله | کار پیشنهادی | شرط عبور |
|---|---|---|
| ۱. دسترسی | حساب، دانلود داده و دریافت وزن روی محدوده کوچک | دسترسی واقعی و تکرارپذیر؛ ثبت محدودیت |
| ۲. بازتولید | نمونه رسمی با نسخه قفل‌شده | خروجی قابل بازاجرا و محیط ثبت‌شده |
| ۳. بومی‌سازی | legend محلی، قطعات و مرجع بازبینی‌شده | تطابق ورودی و کلاس‌ها بدون حذف پنهان نمونه |
| ۴. مقایسه علمی | خط مبنا و مدل منتخب روی تقسیم ثابت | کیفیت، هزینه و عدم‌قطعیت گزارش‌شده |
| ۵. تحویل به وب | تبدیل نتیجه به قرارداد داده | زمان، وضعیت و شاهد هر خروجی قابل پیگیری |
معیار ادامه، بازطراحی یا کنارگذاشتن
به‌جای امتیاز ظاهراً دقیق برای مخازنی که هنوز اجرا نشده‌اند، تصمیم مشروط ثبت می‌کنیم. تعداد ستاره و حجم کد شاهد دقت محلی یا کیفیت پشتیبانی نیست.
| وضعیت مشاهده‌شده | تصمیم پیشنهادی |
|---|---|
| مدل ساده و پیچیده کیفیت مشابه دارند | ترجیح گزینه کم‌هزینه‌تر و قابل توضیح‌تر |
| دقت خوب ولی دسترسی سرویس ناپایدار است | آزمون مسیر جایگزین یا کاهش وابستگی |
| پاک‌سازی برچسب عملکرد کلاس نادر را بدتر می‌کند | بازگشت و بازبینی؛ حذف خودکار متوقف شود |
| نقشه پایان فصل خوب ولی هشدار میان‌فصل ضعیف است | تفکیک دو محصول و بازطراحی هشدار |
| هیچ روش به معیار توافق‌شده نمی‌رسد | کاهش دامنه کلاس‌ها یا تکمیل مرجع؛ انتشار دقت ادعایی ممنوع |
شناسنامه نسخه؛ قبل از اجرای پایلوت
در این بررسی هیچ commit اجرایی تثبیت نشده است. قالب زیر برای ثبت انتخاب نهایی است؛ مقدارهای خالی باید با نتیجه واقعی پر شوند. شاخه main یا master به‌تنهایی شناسه آزمایش نیست.
- توکن، رمز و اطلاعات خصوصی در شناسنامه عمومی قرار نگیرند.
- نام نسخه مدل با نام نسخه کد متفاوت است؛ هر دو ثبت شوند.
- اجرای دوباره با ورودی ثابت و تلرانس مشخص، شرط بازتولید است.
repository_url: ""
commit_sha: ""
retrieved_at_utc: ""
license_record: ""
python_version: ""
environment_lock_sha256: ""
model_uri: ""
model_sha256: ""
class_legend_version: ""
input_manifest_sha256: ""
split_version: ""
parameters_file: ""
processing_backend: ""
run_id: ""
runtime_minutes: null
cost: null
currency: ""
review_status: "not_run"مسیر مطالعه و اقدام بعدی
برای مدیر طرح، جدول مقایسه و معیار پذیرش نقطه شروع است. برای پژوهشگر، مرور روش و طراحی آزمون مستقل؛ و برای توسعه‌دهنده، وابستگی‌ها و قرارداد خروجی اولویت دارند. اجرای هم‌زمان همه مخازن هدف نیست؛ هر وابستگی باید نقش و معیار پذیرش روشن داشته باشد.
- WorldCereal: README و نمونه رسمی، سپس راهنمای آموزش محلی و ورودی‌ها.
- Sen4CAP: ابتدا ATBD محصول مرتبط، سپس راهنمای نصب همان نسخه.
- eo-learn: یک زنجیره کوچک از وظایف مورد نیاز؛ بررسی سازگاری مثال با نسخه.
- EBA_detector: فقط پس از شکل‌گیری مرجع محلی و تعریف فرآیند بازبینی برچسب.
- ثبت تصمیم انتخاب و شواهد آزمون در دفتر آزمایش؛ سپس ورود به بومی‌سازی.
برای انتخاب محدوده پایلوت، تأمین مرز قطعات و برنامه بازدید زراعی با تیم پژوهش در ارتباط باشید.
ارتباط با تیم پژوهش ←