זיהוי דליפות נפט מבוסס לוויין באמצעות מערכת משולבת להסבריות ViR-SC לשיפור הדיוק והשקיפות

מדוע זיהוי נפט מהחלל חשוב

כאשר מכלית דולפת או באר מתפוצצת, שטיפות שחורות צפופות עלולות להתפשט על פני הים בתוך שעות, להמית חיי בר ולגרום לנזקים לחופים במשך שנים. כיום מערכת האזעקה המוקדמת של רבים מסתמכת על לוויינים הסורקים את פני הים יום ולילה. אך התמונות הללו רועשות ומלאות הפרעות, ותופעות טבעיות יכולות להיראות בקלות כמו דליפות. במחקר זה מוצגת מערכת ניתוח לוויינית חדשה בשם ViR-SC, שמזהה דליפות נפט בדיוק גבוה יותר משיטות קודמות וגם מראה למפעילים בני־האדם מדוע התקבלה כל החלטה.

לראות שטיפות בים רועש

העבודה מתמקדת בתמונות מ‑Sentinel‑1, לוויין רדאר המודד החזרי מיקרוגל מפני הים. שטיפות נפט אמיתיות בדרך כלל מופיעות כסטריפים כהים כי הן ממרגיעות גלים זעירים ומפחיתות את האות הרדארי. למרבה הצער, הרבה תנאים תמימים — כמו שטחי מים חלקים מאוד, סרטים טבעיים מאצות או שינויי רוח — נראים גם הם כהים. בנוסף, תמונות רדאר מכוסות רעש גרעיני שיכול להסתיר או לחקות שטיפות. מערכות קודמות ניסו לנקות את הרעש ולסווג נקודות כהות באמצעות כללים בעבודת יד או מודלים בודדים של למידת מכונה, אך לעתים קרובות התקשו כשהתנאים השתנו.

ניקוי ושרטוט אזורים חשודים

הגישה של ViR‑SC מתחילה בשיפור התמונות עצמן. "אוטו‑אנקודר מפחית רעש", סוג של רשת נוירונים המאומנת לשחזר תמונות נקיות מתמונות רועשות, לומד איך נראים דפוסי ים אמיתיים ודוחק את הספקטרל הרנדומלי מבלי למחוק שטיפות דקיקות או חלשות. בהמשך, רשת שנייה בשם U‑Net++ מייצרת מסכות גסות המבליטות אזורים שבהם מתרחשת אנומליה על פני המים. אף על פי שהמאגר חסר מתווי גבול מדויקים שצויירו ביד, המודל מאומן באופן מוני‑מפיק (weakly supervised) להדגיש אזורים בעלי השתקפות נמוכה, מספק מעין מוקד לשלביה ההחלטתיים הבאים.

מוחות רבים שמחליטים יחד

לאחר הפחתת הרעש והמיקום הגס, ViR‑SC מפעילה מספר מסווגים שונים על כל חתיכת תמונה קטנה. שלושה מהם הם מודלים של למידה עמוקה: רשת מצמצמת־הקונבולוציה קלאסית שתופסת מרקמים מקומיים, ResNet18 שלומדת דפוסים עמוקים ורב‑שכבתיים, וה‑Vision Transformer שמצטיין בלכידת מבנה מרחיק. שניים נוספים הם אלגוריתמי למידת מכונה קלאסיים: Random Forest, המקבל החלטות על בסיס יער של עצי החלטה שטוחים, ו‑Support Vector Machine, אשר מושך גבולות חדים בין המחלקות. כל מודל מצביע האם חתיכה מכילה נפט או לא, וההחלטה של הרוב הופכת לתשובה הסופית. בבחינה על מאגר ציבורי של יותר מ‑5,600 חתיכות רדאר מתויגות, הדגם הבודד הטוב ביותר (ה‑Vision Transformer) הגיע לדיוק של 98.0%, בעוד האנשמבל המשולב ViR‑SC טיפס במעט ל‑98.45%, עם שיעורי אזעקות כוזבות והחמצות נמוכים מאוד.

לפתוח את הקופסה השחורה

דיוק לבדו אינו מספיק עבור גופים שחייבים להצדיק פעולות ניקוי יקרות. לכן המחברים בנו הסבריות ישירות לתוך ViR‑SC. עבור הרשתות העמוקות הם משתמשים בטכניקה בשם Grad‑CAM שיוצרת מפות חום צבעוניות מעל כל חתיכת רדאר, ובהן נראים הפיקסלים שהשפיעו ביותר על תחזית "דליפה". במקרים מוצלחים, האזורים הבהירים מתיישרים בצמצום עם הסטריפ הכהה האמיתי, ולא עם הרקע האקראי. עבור מסווג ה‑Random Forest הצוות מיישם SHAP, שיטה המעניקה לכל פיקסל תרומה חיובית או שלילית להחלטה הסופית. כלים אלה ביחד מאפשרים למנתחים אנושיים לראות האם המערכת מתמקדת במבני שטיפה סבירים או נפל למלכודות של דפוסים לא קשורים, משפרים את האמון ומסייעים בסקירה מומחית.

מה זה אומר להגנה על הימים

ללא מומחיות מיוחדת, המסקנה העיקרית היא ש‑ViR‑SC מספקת "עיניים בשמיים" אמינות ושקופות יותר לזיהוי דליפות נפט. על ידי ניקוי תמונות הרדאר, שרטוט כתמים חשודים ולאחר מכן איחוי שיפוטים של מודלים משלימים רבים, המערכת מזהה דליפות במעט טוב יותר מכל שיטה בודדת. ואולי חשוב לא פחות — היא יכולה להסביר את ההחלטה באמצעות שכבות חזותיות במקום להציע תשובת כן‑או‑לא מסתורית. עם כיוונון נוסף למהירות ובדיקות נרחבות יותר בים ובמזגי עונות שונים, מערכות כמו ViR‑SC יוכלו לסייע לרשויות לזהות דליפות אמיתיות מהר יותר, להתעלם מחיקויים תמימים ולהגיב בביטחון רב יותר להגנה על מערכות אקולוגיות ימיות וקהילות חופיות.

ציטוט: 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

מילות מפתח: זיהוי דליפות נפט, רדאר לווייני, למידה עמוקה, שיטות אנשמבל, בינה מלאכותית מסבירה