استكشاف أعماق المحيط: الكشف عن الكنوز الخفية باستخدام إنترنت الأشياء ونموذج تعلّم هجين عميق مجمّع

لماذا يحصل استكشاف قاع البحر على ترقية عالية التقنية

يخفي المحيط العميق والأرض تحته كابلات وأنابيب وآثارًا قديمة ونُظمًا بيئية هشّة. ومع ذلك، فإن الماء العكر، والرمل الدوار، والإشارات الضعيفة تجعل من الصعب بشكل مفاجئ رؤية ما يكمن هناك. يصف هذا المقال طريقة جديدة لدمج أنواع متعددة من الحساسات مع الذكاء الاصطناعي حتى تتمكن الروبوتات والأنظمة المراقبة تحت الماء من رصد الأجسام المهمة بدقة وسرعة أكبر وباستهلاك طاقة أقل. قد تساعد هذه التقنية في حماية الحياة البحرية، وتأمين البنية التحتية، وفتح آفاق جديدة للاستكشاف.

حساسات عديدة، صورة مشتركة للعمق

تميل أدوات الكشف تحت الماء الحالية إلى الاعتماد على إحساس واحد: صفعة سونار، أو كاميرا فيديو، أو نوع واحد من حساسات الأرض. يعمل كل منها جيدًا في الظروف المثالية، لكنه يضعف عندما يتحول الماء إلى عكر، أو يخفت الضوء، أو يتسلل الضجيج. يتخيل الباحثون بدلاً من ذلك المحيط كمكان تراقبه شبكة إنترنت الأشياء: أجهزة صغيرة ومترابطة تستمع وتبصر وتحس بطرق مختلفة. يدمج نظامهم بيانات الكاميرات، والرادار المخترق للأرض، وحساسات الاهتزاز الزلزالي، والمجسات الحرارية، وكاشفات المجالات الكهرومغناطيسية في تيار مشترك واحد للتحليل. من خلال مزج هذه الرؤى، يستطيع النظام التعرف على جسم حتى عندما يختلط الأمر على أحد الحساسات بسبب الطين أو الفقاعات أو الانعكاسات.

تنقية الإشارات المبعثرة قبل أن تصل إلى «المخ»

البيانات الخام المجمعة تحت الماء بعيدة عن الكمال. هي مرقطة بقفزات عشوائية، وفجوات، وقراءات غريبة ناتجة عن التيارات المتغيرة، والكائنات المتحركة، والتداخلات الإلكترونية. قبل أن تتخذ أي خوارزمية ذكية قرارات، يمرّر المؤلفون هذه البيانات عبر خط تنقية دقيق. يستخدمون مرشحات وسطية لتنعيم الضجيج المفاجئ دون طمس الميزات الحقيقية، وفحوصًا إحصائية لاكتشاف وإزالة القيم الشاذة، ومزامنة لضمان تزامن قراءات الأجهزة المختلفة زمنياً. كما يقومون بإعادة تحجيم القيم حتى لا تطغى الحساسات القوية على الضعيفة، ويحوّلون أثر الرادار أحادي البعد إلى صور، ويستخدمون تقنيات حديثة لتقليص المئات من القياسات إلى مجموعة أصغر وأكثر إفادة. كل هذا مُصمم حتى يرى نظام التعلّم صورة واضحة بدلاً من ضباب فوضوي.

محرك تعلّم هجين يرى الأنماط ويتخذ القرارات

في صميم النهج هناك ما يسميه المؤلفون نموذج التعلّم الهجين العميق المجمّع (EDHL). له جزآن رئيسيان يؤديان أدوارًا مكملة. أولاً، شبكة عصبية عميقة على طراز Inception تعمل كـ«العين»، تفحص صور الحساسات على مقاييس متعددة في آن واحد لالتقاط التفاصيل الدقيقة مثل كابل، والأشكال الأكبر مثل نتوء صخري. من ذلك تنتج أوصافًا رقمية غنية لكل مشهد. ثانيًا، مُصنِّف تعزيز التدرج يعمل كـ«لجنة القرار». يبني العديد من أشجار القرار الصغيرة التي تصحح أخطاء بعضها البعض تدريجيًا، مما يصقل الإجابة الصحيحة حول الجسم الموجود. خطوة اختيار الميزات تختار الإشارات الأكثر إفادة فقط، مما يقلل الذاكرة ويسرع النظام النهائي دون التخلص من ما يهم.

وضع النظام على المحك

لاختبار ما إذا كان تصميمهم يعمل عمليًا، درّب الفريق قيّمه باستخدام مجموعة عامة كبيرة من الصور تحت الماء التي تشمل أسماكًا، وشعابًا مرجانية، وإسفنجيات، وأعشاب بحرية، وصدفات، وقشريات، ومشاهد قاع بحرية أخرى. قارنوا العديد من تنويعات تنظيف البيانات واختيار الميزات، وواجهوا نموذجهم مع أنظمة تعلم عميق معروفة مثل الشبكات الالتفافية التقليدية، وResNet، وDenseNet، وEfficientNet، وشبكات الكبسولة، وحتى نماذج قائمة على المحولات. حقق إعداد EDHL، خاصة عند اقترانه بإزالة ضوضاء دقيقة واختيار ميزات قائم على الارتباط، دقة تتجاوز 98%، مع إنذارات كاذبة وأجسام مفقودة أقل بكثير من منافسيه. والأهم أنه حافظ على هذا الأداء العالي أثناء تشغيله على عتاد متواضع مماثل لما يمكن استخدامه على أجهزة الحافة، وليس فقط خوادم مخبرية قوية.

ماذا يعني هذا لمستقبل استكشاف المحيطات

بالنسبة لغير المتخصصين، الخلاصة هي أن المؤلفين بنوا نظامًا أكثر ذكاءً لـ«الإحساس والتفكير» للعالم تحت الماء. من خلال ربط حساسات إنترنت الأشياء المتنوعة بمحرك تعلّم هجين، يبرهنون أنه من الممكن رصد وتصنيف أجسام قاع البحر بثقة عالية دون الحاجة إلى حواسب ضخمة أو ظروف رؤية مثالية. في المستقبل، يمكن أن تساعد هذه التكنولوجيا أساطيل الروبوتات تحت الماء على رسم خرائط لقاع المحيط، ومراقبة المواطن الحساسة، وتعقّب التلوث، وفحص البنى التحتية المدفونة بأخطاء أقل وباستهلاك طاقة أقل. إنها تحول البيئة الفوضوية والعدائية للعمق إلى مكان حيث يمكن للحواس الرقمية أخيرًا أن ترى بوضوح كافٍ لفتح كنوزها الخفية.

الاستشهاد: Tada, S., Jeevanantham, V. Exploring oceanic depths: unveiling hidden treasures with IoT and ensembled deep hybrid learning model. Sci Rep 16, 5333 (2026). https://doi.org/10.1038/s41598-026-35634-y

الكلمات المفتاحية: الكشف عن الأجسام تحت الماء, حساسات إنترنت الأشياء, التعلّم العميق, الاستكشاف البحري, الاستشعار متعدد الوسائط