دادههای مبتنی بر فضا با کمک به بهبود سامانههای خودمختار، شبکههای خودترمیمی و مدلهای هوش مصنوعی، نقش حیاتی در پیشبرد اقتصاد دیجیتال ایفا میکنند.
با ظهور موشکهای قابل استفاده مجدد و ابزارهای هوش مصنوعی برای بهینهسازی و تقویت شبکههای فضایی، صنعت فضایی دستخوش تحولات سریعی میشود. در کنار ادغام این فناوریهای نوظهور، دولت و بخشهای تجاری اشتهای فزایندهای برای یکی از مهمترین کالاها در اقتصاد دیجیتال ما نشان میدهند: دادههای مبتنی بر فضا.
وضعیت دادههای فضایی
بر اساس آخرین نسخه منتشر شده از گزارشهای ماهوارهای و پرتاب 2024 توسط ABI Research، بیش از 10000 ماهواره فعال در مدار وجود دارد که بیش از 900 مورد از آنها ماهوارههای رصد زمین (EO) (اپتیکی، راداری، هواشناسی) هستند. پیشبینی میشود تا سال 2032 این تعداد به بیش از 2300 ماهواره EO افزایش یابد. با برخی تخمینهای صنعتی که نشان میدهد هر ماهواره EO روزانه تقریباً 100 ترابایت (TB) داده تولید میکند، این میزان در مجموع تا سال 2032 به حدود 230 پتابایت (PB) داده در روز میرسد.
افزایش این حجم بزرگ از دادههای EO نیاز به مجموعهای در حال رشد از مدلها و ابزارهای هوش مصنوعی دارد که اغلب توسط خود اپراتورهای EO و شرکتهای تجزیه و تحلیل دادههای شخص ثالث برای کمک به تسریع بهرهوری و افزایش تحلیل توسعه و آموزش داده میشوند. برخلاف شرکتهای مبتنی بر هوش مصنوعی، این اپراتورها کنترل بیشتری بر دادههای آموزشی خود دارند. به این ترتیب، گروههای متمایز از شرکتهای هوش مصنوعی، آنهایی که بر دادههای هوش مصنوعی آموزشدیده از اینترنت – مدلهای زبان بزرگ (LLMS) – و سایرین متمرکز بر دادههای بدون برچسب مبتنی بر فضا – مدلهای بنیادی (FM) متمرکز هستند، قرار است تکامل یابند.
پتانسیل تاثیر دادههای فضایی
دادههای مبتنی بر فضا کاربردهای فراوانی در نظارت بر محیط زیست، کشاورزی، نظامی و دفاعی و مالی دارند:
1. سیستمهای خودمختار:
وسایل نقلیه خودران، مانند تسلا، از حسگرهای پیچیدهای مانند دوربینها، رادار، و LiDAR استفاده میکنند تا دید جامعی از محیط اطراف خود ارائه دهند. این حسگرها به تولید نقشههای سهبعدی از محیط کمک میکنند. با این حال، این حسگرها و دوربینها معمولاً با برد محدود (حدود 250 متر) هستند و ممکن است تحت تأثیر نور و شرایط آب و هوایی قرار گیرند.
در فضا، دامنه چنین سیستمهایی به طور قابل توجهی افزایش مییابد و معماریهای فضایی امکان مسیریابی دادههای انعطافپذیر در اطراف طوفانها را فراهم میکند. ماهوارههای رصد زمین (EO) میتوانند با استفاده از مدلهای بنیادی (FM) و دید دائمی از مکانهای اختصاصی روی زمین، تجزیه و تحلیل دادههای جغرافیایی حیاتی را برای وسایل نقلیه خودمختار فراهم کنند. این دادهها به افزایش محدوده درک دادههای خودرو کمک میکنند و در ناوبری، پیشبینی و حتی تصمیمگیری بلادرنگ مؤثر هستند.
این همافزایی بین حسگرها و مدلهای هوش مصنوعی روی زمین و فضا میتواند برای وسایل نقلیه هوایی مانند پهپادها یا تاکسیهای هوایی نیز مفید باشد. این سیستمها مزایایی نسبت به تکنولوژیهای مکانیابی و نقشهبرداری همزمان رادیویی (SLAM) یا رادار، بهویژه در مناطق شهری متراکم که شکل موج این فناوریها تحت تأثیر قرار میگیرد، ارائه میدهند.
2. پشتیبانی از شبکههای خودترمیمی:
ارائهدهندگان خدمات ارتباطی (CSP) و مخابرات میتوانند از دادههای مبتنی بر فضا برای بهبود تحلیل پیشبینیکننده و زمان پاسخ به قطعهای بحرانی شبکه استفاده کنند. با پیچیدهتر شدن شبکهها و افزایش توانایی آنها در تشخیص، شناسایی و تعمیر مشکلات بهصورت مستقل، نیاز به دادههای بیشتر برای شناسایی الگوها و مشکلات احتمالی قبل از وقوع آنها بسیار حیاتی است.
در این سناریو، دادههای مبتنی بر فضا میتوانند به پشتیبانی از قابلیتهای خودترمیمی پیشرفته، مانند تشخیص ناهنجاری مبتنی بر هوش مصنوعی و تعمیر زیرساختهای اتصال موقت، مانند ایستگاههای پلتفرم ارتفاع بالا (HAPS)، برای زیرساختهای شبکهای که به دلیل حملات سایبری یا شرایط آبوهوایی نامناسب آفلاین هستند، کمک کنند. به این ترتیب، دادههای مبتنی بر فضا میتوانند بهعنوان یک عنصر پشتیبانی تحلیلی حیاتی در تلاشهای افزایش تابآوری شبکه و حفظ توافقنامههای سطح خدمات (SLA) شبکه ایفای نقش کنند.
3. تکامل پارامترهای FM و LLMs:
عمده مشتریان بالقوه دادههای مبتنی بر فضا سایر مدلهای هوش مصنوعی، به ویژه شرکتهای LLM مانند OpenAI یا Anthropic هستند که میتوانند از این دادهها برای بهبود عملکرد و تعمیم مدل خود استفاده کنند. در حالی که این میتواند به آموزش مدلهای تشخیص تصویر برای یادگیری الگوها و سناریوهای متنوعتر و ارائه پیشبینیهای قویتر از رویدادهای دنیای واقعی کمک کند، همچنین پتانسیل پاسخهای سریعتر و با کیفیت بالاتر به دادههای مکانی را باز میکند.
از این منظر، مدلهای آینده آموزشدیده و تجزیه و تحلیل دادههای چند بعدی و حتی چند وجهی میتوانند بینشهایی را درباره رویدادهای پیچیدهای که بهصورت آنلاین و در دنیای فیزیکی رخ میدهند، ترکیب و ارائه دهند. همانند استاندارد شبکه غیرزمینی 3GPP (NTN) که به دنبال یکپارچهسازی زیرساخت شبکههای زمینی و غیر زمینی است، تکامل مدلهای هوش مصنوعی ناگزیر دادههای منابع زمینی و غیر زمینی را ادغام میکند.
چالشها و راهحلهای آینده
بسیاری از سازمانها برای تصمیمگیری به دادههای ماهوارهای وابسته هستند، اما انتقال دادههای حیاتی مبتنی بر فضا اغلب محدود به زمانهایی است که ماهوارهها از ایستگاههای زمینی عبور میکنند. به این ترتیب، دستیابی به دادههای واقعی EO ماهوارهای چالش برانگیز است، با این حال، برخی از سیستمها به ارائه دادههای نزدیک به زمان واقعی بسیار نزدیک میشوند، مانند Iceye، Plant Labs یا Maxar Technologies (با جمعآوری تصویر هر 20 تا 30 دقیقه). برای غلبه بر چالشهای محدودیت زمانی در مدار، بسیاری از شرکتها شروع به استفاده از محاسبات لبه کردهاند که پردازش دادهها را بهطور مستقیم بر روی ماهواره انجام میدهد و نیاز به ارسال حجم زیادی از دادههای خام به زمین را کاهش میدهد.
در حالی که رایانش لبه و استفاده از ماهواره هنوز در روزهای اولیه خود قرار دارند، استقرار انبوه ماهوارههای EO برای پوشش مداوم یا ادغام در یک معماری مش بزرگتر ممکن است به مشتریان کمک کند تا جریان مداوم دادههایی را که ممکن است به آنها نیاز داشته باشند، دریافت کنند. از آنجایی که فناوری ماهوارهای همچنان در حال پیشرفت و در دسترستر شدن است، ناگزیر ادغام بیشتری از دادههای مبتنی بر فضا در زیرساختهای دیجیتالی ما وجود خواهد داشت.
نتیجهگیری
این همگرایی فناوری فضایی و قابلیتهای دیجیتال نه تنها خدمات موجود را افزایش میدهد، بلکه راهحلهای نوآورانهای را برای چالشهای جهانی ارائه میدهد. در واقع، با همافزایی پیشبینی شده با هوش مصنوعی و یادگیری ماشین (ML)، ABI Research تخمین میزند که درآمد حاصل از فروش دادههای EO تا سال 2028 به بیش از 6 میلیارد دلار افزایش خواهد یافت که منعکسکننده نرخ رشد ترکیبی سالانه 15 درصدی است.
منبع:https://interactive.satellitetoday.com/via/january-february-2025/how-space-based-data-will-drive-the-digital-economy