إطار مدمج بالمويجات لاستخراج الميزات وتحسين الخلفية في كشف الشذوذ الطيفي

رؤية ما لا يُرى في صور الأقمار الصناعية

الأقمار الصناعية الحديثة لا تلتقط صورًا جميلة فقط؛ فالكثير منها يسجل عشرات أو حتى مئات من نطاقات الألوان، أبعد بكثير مما تراه أعيننا. مخبأة في هذه البيانات «فائقة الطيف» دلائل دقيقة عن أشياء غير معتادة على الأرض، من طائرات صغيرة إلى محاصيل متضررة أو تسربات صناعية. تقدم هذه الورقة طريقة جديدة لتمشيط هذه الأكوام المعقدة من الألوان للعثور على أهداف نادرة وغير معروفة بدقة أكبر وبمعدل إنذارات كاذبة أقل، حتى في مشاهد العالم الحقيقي المزدحمة.

لماذا تهم كثرة النطاقات اللونية

يلتقط التصوير الطيفي فائق الطيف كل مشهد ككتلة بيانات ثلاثية الأبعاد: بعدان للموقع وبعد واحد للطول الموجي. بدلًا من نطاق أحمر واحد أو أخضر واحد، قد تكون هناك مئات من النطاقات الضيقة جدًا، كل منها يحمل معلومات دقيقة عن كيفية انعكاس المواد للضوء. تُمكّن هذه الثروة من التمييز الدقيق بين، على سبيل المثال، سطح خرسانية وسطح معدني، أو بين نباتات صحية ومريضة. لكنها تخلق أيضًا تحديًا: فالبيانات هائلة ومشحونة بالضوضاء ومليئة في الغالب بالخلفية العادية، بينما قد تشغل الأشياء المثيرة للاهتمام — الشذوذات — بضعة بكسلات فقط. تفترض العديد من طرق الكشف الحالية أن الخلفية تتصرف بطريقة بسيطة ومنتظمة؛ وعندما تنهار هذه الفرضية، فإنها إما تفوت الأهداف الحقيقية أو تطلق العديد من الإنذارات الكاذبة.

حدود أجهزة الكشف الحالية

طور الباحثون مجموعة واسعة من الاستراتيجيات لرصد الشذوذ في المشاهد الطيفية الفائقة. تبني الطرق الإحصائية الكلاسيكية نموذجًا للخلفية وتعلّم أي بكسل يبدو مختلفًا إحصائيًا. تحاول طرق أخرى التعبير عن كل بكسل كمزيج من أنماط الخلفية النموذجية وتعتبر أي شيء لا يمكن إعادة بنائه جيدًا شذوذًا. مؤخرًا، تستخدم طرق التعلم العميق شبكات عصبية معقدة لإعادة بناء أو تصنيف البيانات. ومع ذلك، لكل هذه الأساليب نقاط ضعف في التطبيق العملي. تكون الطرق الإحصائية حساسة للقيم الشاذة والضوضاء ويمكن خداعها عندما تتغير الخلفية بسرعة. قد تكافح طرق «تفكيك المصفوفة» منخفضة الرتبة ونادرة التشتت عندما تُدفن شذوذات صغيرة داخل تغيرات حادة في الخلفية. غالبًا ما تتطلب نماذج التعلم العميق مجموعات بيانات معنونة كبيرة وحوسبة مكثفة، وتتصرف كصناديق سوداء، مما يجعل من الصعب الوثوق بها في تطبيقات حرجة زمنياً أو غير خاضعة للرقابة.

استخدام التموجات في الطيف

تبدأ الطريقة المقترحة، المسماة WTHAD، بفحص طيف كل بكسل بأداة مستعارة من معالجة الإشارات: تحويل المويجة. بدلًا من معاملة الطيف كمنحنى طويل واحد، يكسره التحويل إلى مكونات سلسة منخفضة التردد تلتقط السلوك العام للمواد ومكونات أكثر حدة وعالية التردد تحتوي غالبًا على ضوضاء وشذوذات دقيقة. من خلال الاحتفاظ بعناية بالأجزاء الأكثر معلوماتية وتقليل التفاصيل الزائدة أو المزعجة، تجعل هذه الخطوة الخلفية تبدو أكثر سلاسة وتماسكًا، بينما تبرز أنماط الطيف الشاذة بوضوح أكبر. بعبارة أخرى، تعيد تنظيم البيانات إلى شكل تصطف فيه أجزاء المشهد العادية بشكل مرتب وتصبح البكسلات الشاذة أكثر تميزا.

فصل الخلفية عن الشواذ

بعد إعادة تشكيل الأطياف بواسطة تحويل المويجة، يطبق WTHAD تقنية رياضية سريعة تُعرف باسم GoDec لتقسيم البيانات إلى جزئين: «خلفية منخفضة الرتبة» تلتقط بنى واسعة ومتكررة، وجزء «نادر» يحتوي على انحرافات نادرة. لتجنب الخلط بين الضوضاء والأهداف الحقيقية، تستخدم الطريقة أولاً اختبارًا إحصائيًا بسيطًا معتمدًا على المويجات لتحديد مجموعة من بكسلات المرشحين للشذوذ وتقييد الجزء النادر بتلك المواقع. هذا يعزز استقرار الانقسام ويشجع على معاملة بكسلات كاملة، بدلًا من شظايا متناثرة، كمرشحة للشذوذ. بعد هذا التفكيك، يُحتسب مقياس مسافة إحصائي مصقول، وهو مسافة مَهلانوبيس، باستخدام الخلفية المنقّاة. تُعلَّم البكسلات التي تقع أطراف أطيافها المحوّلة بعيدًا عن سحابة الخلفية كشواذ أخيرًا على خريطة الكشف.

الأداء في المشاهد الحقيقية

اختبر المؤلفون WTHAD على ست مجموعات بيانات طيفية فائق الطيف مستخدمة على نطاق واسع، بما في ذلك مطارات ومناطق حضرية ومزارع ومشاهد ساحلية، جمعت بواسطة حسّاسات مختلفة. في كل حالة، خدم عدد قليل من الأهداف المعروفة، مثل الطائرات والمباني والأجسام الصغيرة من صنع الإنسان أو رقعات الحقول، كحقيقة مرجعية للشذوذ. بالمقارنة مع ثمانية من طرق الكشف الرائدة، حقق WTHAD باستمرار درجات كشف مساوية أو أعلى، غالبًا بفارق ملحوظ، مع الحفاظ على معدلات إنذارات كاذبة منخفضة. أظهرت المراجعات البصرية لخرائط الشذوذ الناتجة أن WTHAD أنتج بقع أهداف مدمجة وموضعية جيدًا وخلفيات أنظف من التقنيات المنافسة، لا سيما في البيئات المليئة بالضوضاء أو المتنوعة بشدة. كما أظهرت الطريقة أزمنة حساب معقولة، ما يجعلها أكثر عملية من العديد من الخوارزميات الثقيلة.

إشارات أوضح من بيانات معقدة

بكلام مبسط، يظهر هذا العمل كيفية الاستماع بعناية أكبر إلى أغنية معقدة جدًا: أولًا بفصل النغمات العميقة والثابتة للخلفية عن النوتات السريعة والحادة، ثم بالتركيز على أي أصوات خارجة عن المكان. من خلال الجمع بين استخراج الميزات المعتمد على المويجات، وطريقة منظمة لاقتلاع الخلفية، واختبار إحصائي قوي، يقدم WTHAD وسيلة مستقرة وقابلة للتفسير وفعالة لاكتشاف البكسلات الشاذة في الصور الفائقة الطيف دون معرفة مسبقة بما يجب البحث عنه. النتيجة هي أداة تستطيع اكتشاف أهداف صغيرة أو دقيقة — من أشياء مخفية إلى تغييرات بيئية — داخل ثراء بيانات الاستشعار عن بعد الحديثة الهائل.

الاستشهاد: Küçük, F. A wavelet-integrated framework for feature extraction and background refinement in hyperspectral anomaly detection. Sci Rep 16, 8862 (2026). https://doi.org/10.1038/s41598-026-41223-w

الكلمات المفتاحية: التصوير الطيفي فائق الطيف, كشف الشذوذ, تحويل المويجة, الاستشعار عن بعد, صور الأقمار الصناعية