MRR-YOLO: تقنية فصل الكيانات لصُوَر السحب الملتقطة من الأرض

لماذا المراقبة السحابية مهمة للطاقة النظيفة

تعتمد المدن الحديثة بشكل متزايد على الطاقة الشمسية، ومع ذلك يمكن لشيء مألوف مثل سحابة عابرة أن يسبب انخفاضات وارتفاعات مفاجئة في توليد الكهرباء الشمسية. هذه التقلبات لا تضيّع الطاقة المحتملة فحسب، بل قد تجهد المعدات وشبكة الكهرباء. تقدم هذه الدراسة طريقة جديدة لـ «رؤية» وفصل السحب الفردية في صور السماء بحيث تتمكن محطات الطاقة الشمسية من التنبؤ بشكل أفضل متى سيخفّ أو يشتد الضوء، مما يجعل الطاقة المتجددة أكثر موثوقية وأسهل إدارة.

كيف تعطل السحب الطاقة الشمسية

تعتمد الألواح الشمسية ومحطات الطاقة الشمسية الحرارية على ضوء الشمس المستقر. عندما تجري السحب عبر السماء، قد يتغير مقدار الضوء الذي يصل إلى الألواح خلال ثوانٍ، مما يؤدي إلى تقلبات في الفولتية، اختلالات في الطاقة، وحتى إجهاد في المعدات مثل المتلقيّات عالية الحرارة. لا تؤثر كل السحب بنفس الشكل: فالسحب الرقيقة والعالية تُخفّف ضوء الشمس تدريجياً، بينما قد تلقي السحب السميكة والمنخفضة ظلالاً حادة وسريعة الحركة. لتشغيل المحطات بأمان وكفاءة، يحتاج المهندسون إلى معرفة ليس فقط ما إذا كانت السحب موجودة، بل أين توجد كل سحابة، وما نوعها، وكيف من المرجح أن تتحرك.

من قِناع بسيط إلى عدّ السحب الفردية

تقليدياً، اعتبرت الحواسيب السماء كمشكلة ثنائية بسيطة: «سحابة» مقابل «لا سحابة». اعتمدت الأساليب القديمة على عتبات سطوع أو قواعد لونية تُربكها بسهولة الوهج أو الضباب أو ضعف جودة الصورة. حسَّنت طرق «التقسيم الدلالي» الأحدث القائمة على التعلّم العميق الدقة، لكنها لا تزال تدمج كل السحب من النوع نفسه في منطقة واسعة واحدة. هذا يعني فقدان تفاصيل مهمة: السحب المتداخلة، والخطوط الرقيقة، والجيوب الصغيرة تختلط كلها معاً، مما يحدّ من قدرتنا على تتبع سمك السحب وارتفاعها وحركتها من صورة إلى أخرى.

عين جديدة على السماء: نموذج MRR‑YOLO

تطوّر هذه الدراسة نموذج MRR‑YOLO، وهو نموذج جديد لـ «تقسيم الكيانات» يفحص صورة السماء ويفصلها إلى قطع سحابية مميزة، لكل منها محيط خاص بها. مبني على إطار العمل السريع YOLOv8، تم تعديل النموذج خصيصاً لأنماط السماء الفوضوية وغير المنتظمة في الواقع. تلعب ثلاثة مكوّنات مضافة أدواراً محورية. كتلة انتباه متعددة المقاييس تتيح للشبكة التركيز على تفاصيل السحب بأحجام مختلفة دون أن تثقل العبء الحسابي. كتلة إعادة تنظيم القنوات تُسهّل استخلاص الإشارات السحابية المهمة من الخلفية. وكتلة الالتفاف التكيفية تضبط كيفية مسح كل جزء من الصورة، محسّنةً قدرتها على تتبع الحواف الضبابية والمنحنية للسحب. تساهم هذه التعديلات معاً في بقاء النظام خفيف الوزن نسبياً مع تحسين دقته في رؤية أشكال السحب المعقدة.

اختبار النموذج

اختبر الباحثون MRR‑YOLO على عدة مجموعات معروفة من صور السحب، بما في ذلك آلاف الصور الأرضية للسماء من مواقع وظروف مختلفة، إضافة إلى صور جديدة التُقطت فوق تشنغتشو، الصين. قارنوا أدائه مع طرق التعلّم العميق الشائعة التي إما تصنّف كل بكسل كسحابة أو سماء، أو تحاول إيجاد كائنات سحابية منفصلة. بينما سجلت طرق التقسيم الدلالي التقليدية أحياناً دقة بكسل خام أعلى، إلا أنها لم تستطع تمييز كائن سحابي عن آخر. وكانت طرق التقسيم القائمة على الكيانات السابقة تواجه صعوبة مع السحب الرقيقة أو المتناثرة وغالباً ما تخلط بين مناطق السماء والسحب. أظهر MRR‑YOLO سلوكاً أكثر توازناً: فقد تعرف على السحب الفردية بشكل أكثر موثوقية عبر عائلات سحابية متعددة — من رفيعات السيروس إلى السحب العاصفية الشاهقة — مع الحفاظ على دقة إجمالية تنافسية وسرعة تشغيل كافية للاستخدام العملي.

ما تعنيه النتائج لمستقبل الطاقة الشمسية

بتحويل السماء إلى مجموعة من كائنات السحب المفصولة بوضوح بدلاً من كتلة ضبابية واحدة، يفتح MRR‑YOLO الباب أمام توقعات شمسية أكثر دقة. يمكن تحليل كل سحابة مقسمة من حيث الحجم والشكل والحركة المحتملة، وتغذية نماذج تقدّر متى وكمية ضوء الشمس التي ستصل إلى المحطات خلال الدقائق القادمة. بدوره يمكن أن يساعد ذلك مشغلي الشبكة على تلطيف تقلبات الطاقة، وحماية المعدات الحساسة، وتحسين استغلال الطاقة النظيفة. وعلى الرغم من حاجة العمل المستقبلي إلى توسيع بيانات التدريب وتبسيط النموذج للأجهزة الصغيرة، تُظهر هذه الدراسة أن الرؤية السحابية الأذكى يمكن أن تكون أداة عملية لجعل الطاقة الشمسية أكثر استقراراً واعتمادية.

الاستشهاد: Wan, Z., Su, J., Fan, B. et al. MRR-YOLO: an instance segmentation technique for ground-based cloud images. Sci Rep 16, 11711 (2026). https://doi.org/10.1038/s41598-026-46567-x

الكلمات المفتاحية: الطاقة الشمسية, كشف السحب, التعلّم العميق, تقسيم الصور, كاميرات السماء