معرفی چالش:

هدف از این چالش، توسعه یک سیستم هوش مصنوعی است که بتواند با استفاده از تحلیل داده‌های سنجش از دور، مانند تصاویر ماهواره‌ای و پهپاد، تجاوز به حریم رودخانه‌ها را تشخیص دهد. این هدف شامل موارد زیر است:

حفاظت از منابع آبی: رودخانه‌ها به عنوان منابع حیاتی آب، نیاز به حفاظت و مدیریت دارند. این سیستم می‌تواند تجاوزات و تغییرات غیرمجاز در حریم رودخانه‌ها را شناسایی کرده و به کاهش آلودگی و بهره‌برداری غیرقانونی کمک کند.
پیشگیری از خطرات سیل: تجاوز به حریم رودخانه می‌تواند منجر به تغییر مسیر آب و افزایش خطر سیلاب شود. با تشخیص زودهنگام این تجاوزات، می‌توان از وقوع سیلاب‌ها و خسارات ناشی از آن جلوگیری کرد.
حفظ زیستگاه‌ها: رودخانه‌ها و مناطق اطراف آنها زیستگاه‌های بسیاری از گونه‌های گیاهی و جانوری هستند. حفاظت از حریم رودخانه‌ها به معنای حفظ این زیستگاه‌ها و تنوع زیستی است.
مدیریت کارآمدتر: ارائه ابزارهای دقیق و قابل اعتماد برای شناسایی تجاوزات به حریم رودخانه‌ها، به نهادهای دولتی و سازمان‌های محیط زیستی کمک می‌کند تا تصمیمات مدیریتی بهتری بگیرند و اقدامات قانونی مناسبی انجام دهند.
در نهایت، این چالش می‌تواند به عنوان یک ابزار موثر در مدیریت پایدار منابع طبیعی و حفاظت از محیط زیست عمل کند و به جامعه جهانی در دستیابی به اهداف توسعه پایدار کمک کند.

خروجی مورد انتظار:

شناسایی موارد تجاوز به حریم رودخانه

روش ارزیابی:

ارزیابی الگوریتم‌های پیشنهادی در این چالش باید به صورت جامع و دقیق انجام شود تا اطمینان حاصل شود که مدل‌ها توانایی تشخیص تجاوز به حریم رودخانه را با دقت و کارایی مناسب دارند. معیارهای ارزیابی شامل موارد زیر می‌باشد:

۱.دقت تشخیص (Accuracy):

– تعریف: درصد نمونه‌هایی که به درستی توسط مدل تشخیص داده شده‌اند.

– ارزیابی: محاسبه نسبت نمونه‌های صحیح تشخیص داده شده به کل نمونه‌ها. مدل‌هایی که دقت بالاتری دارند، امتیاز بیشتری دریافت می‌کنند.

۲. زمان پردازش (Processing Time):

– تعریف: مدت زمانی که مدل برای پردازش و تحلیل هر تصویر نیاز دارد.

– ارزیابی: مدل‌هایی که توانایی پردازش سریع‌تری دارند و زمان کمتری برای تحلیل تصاویر می‌طلبند، ارجحیت دارند، خصوصاً در کاربردهای زمان‌حساس.

۳. کارایی (Efficiency):

– تعریف: میزان منابع محاسباتی مورد نیاز برای اجرای مدل.

– ارزیابی: بررسی میزان مصرف حافظه، CPU و GPU در هنگام اجرای مدل. مدل‌هایی که با مصرف کمتر منابع کارایی بهتری ارائه می‌دهند، امتیاز بیشتری دریافت می‌کنند.

۴. قابلیت تفسیر (Interpretability):

– تعریف: توانایی مدل در توضیح و تفسیر نتایج خروجی به طوری که برای کاربران غیر تخصصی قابل فهم باشد.

– ارزیابی: مدل‌هایی که خروجی‌های قابل تفسیر و روشن ارائه می‌دهند و می‌توانند دلایل تشخیص خود را توضیح دهند، ارجحیت دارند.

۵. پایداری و عملکرد در شرایط مختلف (Robustness and Performance under Different Conditions):

– تعریف: توانایی مدل در حفظ دقت و کارایی تحت شرایط مختلف و با داده‌های جدید و ناشناخته.

– ارزیابی: آزمایش مدل با داده‌های جدید و متنوع و بررسی عملکرد آن در شرایط مختلف (مثلاً تغییرات فصلی، نور، و غیره)

۶. قابلیت توسعه و پیاده‌سازی (Scalability and Deployability):

– تعریف: توانایی مدل در مقیاس‌پذیری و پیاده‌سازی در محیط‌های واقعی و بزرگ‌تر.

– ارزیابی: مدل‌هایی که به راحتی قابل توسعه و پیاده‌سازی در سیستم‌های بزرگ و پیچیده هستند، امتیاز بیشتری می‌گیرند.

به صورت کلی:

– آزمایش با مجموعه داده‌های معتبر: استفاده از مجموعه داده‌های آزمون که شامل تصاویر برچسب‌گذاری شده از مناطق مختلف و تحت شرایط مختلف هستند.

– ارزیابی تجربی: اجرای مدل‌ها در شرایط واقعی و بررسی نتایج عملی آنها.

– بازخورد از متخصصان: دریافت بازخورد از متخصصان محیط زیست و منابع آبی برای ارزیابی کاربردی بودن و دقت مدل‌ها.