كشف تسربات النفط من الفضاء باستخدام تجميع هجين قابل للتفسير ViR-SC للتعلّم العميق لتعزيز الدقة والشفافية

لماذا يهم رصد النفط من الفضاء

عندما يتسرب ناقلة نفط أو يحدث انفجار في بئر، يمكن أن تنتشر رقع سوداء كثيفة عبر المحيط خلال ساعات، فتقضي على الحياة البرية وتتلف السواحل لسنوات. اليوم، تعتمد أنظمة الإنذار المبكر في العالم بشكل كبير على أقمار صناعية تفحص سطح البحر ليلاً ونهاراً. لكن هذه الصور مشوشة ومزدحمة، ويمكن للظواهر الطبيعية أن تتصرف كمقلدات للتسربات بسهولة. تقدم هذه الدراسة نظام تحليل فضائي جديد، يسمى ViR-SC، لا يكتفي بالكشف عن تسربات النفط بدقة أعلى من الأساليب السابقة فحسب، بل يوضح أيضاً للمشغلين البشريين سبب اتخاذ كل قرار.

رصد البقع في محيط مليء بالضجيج

تتركز الدراسة على صور من Sentinel-1، وهو قمر رادار يقيس انعكاسات الميكروويف من سطح البحر. عادةً ما تظهر الرقع النفطية الحقيقية على شكل خطوط داكنة لأنها تهدئ الأمواج السطحية الدقيقة، ما يقلل إشارة الرادار. للأسف، العديد من الحالات غير الضارة — مثل رقع مياه شديدة النعومة، أو أغشية طبيعية من الطحالب، أو تغيرات في الرياح — تبدو مظلمة أيضاً. إضافة إلى ذلك، تتسم صور الرادار ببقع حبيبية ضوضائية يمكن أن تخفي التسربات أو تحاكيها. حاولت الأنظمة السابقة تنظيف هذا الضجيج وتصنيف البقع الداكنة باستخدام قواعد مصممة يدوياً أو نماذج تعلم آلي مفردة، لكنها غالباً ما كانت تكافح عندما تتغير الظروف.

تنقية الصور وتحديد المناطق المشبوهة

تبدأ مقاربة ViR-SC بتحسين الصور نفسها. يقوم «مشفر تلقائي مزيل للضجيج»، وهو نوع من الشبكات العصبية المدرَّبة على إعادة إنشاء صور نظيفة من صور مشوشة، بتعلّم شكل أنماط البحر الحقيقية ويقمع البقع العشوائية دون محو الرقع الرفيعة أو الخفيفة. بعد ذلك، تنتج شبكة ثانية تسمى U-Net++ أقنعة تقريبية تُبرز المناطق التي تحدث فيها ظواهر غير عادية على سطح الماء. على الرغم من أن مجموعة البيانات تفتقر إلى مخططات تسرب مرسومة يدوياً بدقة، يُدرَّب النموذج بطريقة إشراف ضعيف لتمييز مناطق الانعكاس المنخفض، موفّراً نوعاً من الضوء المركّز لمراحل القرار اللاحقة.

عقول متعددة تقرّر معاً

بعد إزالة الضجيج وتحديد المواقع التقريبية، يستدعي ViR-SC عدة مصنّفات مختلفة لتحليل كل لوحة صور صغيرة. ثلاثة منها نماذج تعلم عميق: شبكة عصبية التلافيفية تقليدية تلتقط النَسَج المحلية، ونموذج ResNet18 الذي يتعلّم أنماطاً أعمق ودُرَجية، ومحول الرؤية (Vision Transformer) الذي يتفوق في التقاط البنية طويلة المدى عبر اللوحة بأكملها. اثنان آخران خوارزميات تعلم آلي كلاسيكية: الغابة العشوائية (Random Forest) التي تتخذ قرارات اعتماداً على العديد من أشجار القرار الضحلة، وآلة المتجهات الداعمة (SVM) التي ترسم حدوداً حادة بين الفئات. يصوت كل نموذج على ما إذا كانت اللوحة تحتوي على نفط أم لا، ويُصبح قرار الأغلبية هو الجواب النهائي. على مجموعة بيانات عامة تضم أكثر من 5600 لوحة رادار معنونة، بلغ أداء أفضل نموذج منفرد (محول الرؤية) دقة 98.0%، بينما ارتفعت دقة التجميع ViR-SC إلى 98.45%، مع معدلات منخفضة جداً للإنذارات الزائفة والاخفاقات.

فتح الصندوق الأسود

الدقة وحدها لا تكفي للوكالات التي يجب أن تبرر جهود تنظيف مكلفة. لذلك دمج المؤلفون قابلية التفسير مباشرة في ViR-SC. للشبكات العميقة، يستخدمون تقنية تُدعى Grad-CAM لإنشاء خرائط حرارية ملونة فوق كل لوحة رادار، تُبيّن أي البيكسلات كانت الأكثر تأثيراً في التنبؤ بـ«تسرب». في الحالات الناجحة، تتوافق أبرق المناطق مع الرقعة الداكنة الفعلية، وليس مع الخلفية العشوائية. بالنسبة لمصنف الغابة العشوائية، يطبق الفريق طريقة SHAP التي تُعيّن لكل بيكسل مساهمة موجبة أو سالبة في القرار النهائي. تتيح هذه الأدوات معاً للمحللين البشريين رؤية ما إذا كان النظام يركز على بنى تسرب معقولة أم يخدعها أنماط غير ذات صلة، مما يعزز الثقة ويساعد في المراجعة الخبيرة.

ما معنى هذا لحماية المحيط

للغير متخصصين، الخلاصة الرئيسية هي أن ViR-SC يمثل «عيوناً في السماء» أكثر موثوقية وشفافية لرصد تسربات النفط. من خلال تنظيف صور الرادار أولاً، ثم رسم اللوحات المشبوهة تقريباً، وأخيراً دمج أحكام عدة نماذج تكاملية، يكتشف النظام التسربات أفضل قليلاً من أي طريقة أحادية بمفردها. وعلى نحو لا يقل أهمية، يستطيع أن يشرح استدلاله عبر تراكبات بصرية بدل أن يقدم إجابة غامضة بنعم أو لا. مع مزيد من الضبط للسرعة واختبارات أوسع عبر بحار ومواسم مختلفة، يمكن لأنظمة مثل ViR-SC أن تساعد السلطات على اكتشاف التسربات الحقيقية بشكل أسرع، وتجاهل المقلدات غير الضارة، والاستجابة بثقة أكبر لحماية النظم البيئية البحرية والمجتمعات الساحلية.

الاستشهاد: Murugan, J.S., Ramkumar, K., Kshirsagar, P.R. et al. Satellite-based oil spill detection using an explainable ViR-SC hybrid deep learning ensemble for improved accuracy and transparency. Sci Rep 16, 6637 (2026). https://doi.org/10.1038/s41598-026-37081-1

الكلمات المفتاحية: كشف تسرب النفط, رصد بالأقمار الصناعية بالرادار, التعلّم العميق, طرق التجميع, الذكاء الاصطناعي القابل للتفسير