A Distributed Acoustic Sensing Dataset for Vessel Detection and Localization in Submarine Cable Protection
تقدم هذه الورقة مجموعة بيانات Marlinks-NS، وهي مجموعة شاملة من قياسات الاستشعار الصوتي الموزع (DAS) المعالجة وبيانات السفن المستمدة من نظام التعريف التلقائي (AIS) من بحر الشمال، والمصممة لدعم أبحاث تعلم الآلة القابلة للتكرار للكشف عن السفن وتحديد مواقعها لحماية الكابلات البحرية.
المؤلفون الأصليون:Erick Eduardo Ramirez-Torres, Javier Macias-Guarasa, Daniel Pizarro, Javier Tejedor, Sira Elena Palazuelos-Cagigas, Pedro J. Vidal-Moreno, María R. Fernández-Ruiz, Sonia Martin-Lopez, Miguel Gonzalez-Erick Eduardo Ramirez-Torres, Javier Macias-Guarasa, Daniel Pizarro, Javier Tejedor, Sira Elena Palazuelos-Cagigas, Pedro J. Vidal-Moreno, María R. Fernández-Ruiz, Sonia Martin-Lopez, Miguel Gonzalez-Herraez, Roel Vanthillo
المؤلفون الأصليون: Erick Eduardo Ramirez-Torres, Javier Macias-Guarasa, Daniel Pizarro, Javier Tejedor, Sira Elena Palazuelos-Cagigas, Pedro J. Vidal-Moreno, María R. Fernández-Ruiz, Sonia Martin-Lopez, Miguel Gonzalez-Herraez, Roel Vanthillo
تخيل قاع المحيط كمكتبة عملاقة صامتة حيث تُخزن أهم كتب عالمنا الحديث. هذه ليست كتباً ورقية، بل كابلات زجاجية سميكة مدفونة في الرمال، تحمل الإنترنت، والمكالمات الهاتفية، والكهرباء التي تبقي مدننا تعمل. لفترة طويلة، كان مراقبة هذه الكابلات يشبه محاولة مشاهدة فيلم في الظلام؛ لم نكن نستطيع رؤية المشاكل إلا بعد فوات الأوان، وعادةً بعد أن يكون مرساة سفينة قد تعلقت بالفعل بخط ما. لكن العلماء وجدوا حيلة ذكية: يمكنهم تحويل كابلات الألياف الضوئية نفسها إلى آذان فائقة الحساسية. من خلال إرسال نبضات ليزر عبر الكابل، يمكنهم "سماع" اهتزازات المياه وقاع المحيط. هذه التكنولوجيا، التي تسمى "الاستشعار الصوتي الموزع" (DAS)، تشبه تحويل الكابل بأكمله إلى ميكروفون يمكنه الاستماع إلى المحيط من طرف إلى آخر، ليل نهار، بغض النظر عن العواصف أو الظلام. إنها تغيير جذري لقواعد اللعبة لأنها تسمح لنا بسماع اقتراب سفينة قبل وقت طويل من وصولها لمسافة كافية للتسبب في ضرر، مما يعمل كنظام أمني عالي التقنية لأعماق البحار.
الآن، تخيل أن لديك هذا "الكابل المستمع" المذهل، ولكنك تحاول تعليم كمبيوتر أن يفهم ما يسمعه. المشكلة هي أن الحواسيب تشبه الجراء المتحمسة؛ فهي تحتاج إلى آلاف الأمثلة لتتعلم الفرق بين نباح كلب ودود وبين زمجرة مخيفة. إذا عرضت عليها بضعة أمثلة فقط، فستصاب بالارتباك. حتى الآن، واجه العلماء صعوبة في العثور على أمثلة كافية من العالم الحقيقي لسفن تمر بجانب الكابلات تحت الماء لتدريب هذه الحواسيب. معظم البيانات التي كانت لديهم كانت إما صغيرة جداً، أو غير منظمة، أو لا تحتوي على "الإجابات" (مثل مكان السفينة بالضبط) للتحقق مما إذا كان الكمبيوتر يتعلم بشكل صحيح.
تقدم هذه الورقة البحثية "صالة تدريب رياضية" جديدة وضخمة لعقول الكمبيوتر هذه. فقد قام الباحثون، بالتعاون مع فريق في بلجيكا وإسبانيا، بأخذ بيانات استماع مستمرة لمدة عشرة أيام من كابل حقيقي تحت الماء في بحر الشمال وتحويلها إلى مجموعة بيانات ضخمة تسمى "Marlinks-NS". لم يكتفوا فقط بإلقاء الضوضاء الخام على الطاولة؛ بل قاموا بتنظيفها، وتنظيمها، وربط كل صوت سمعه الكابل بمعلومات حول السفن التي كانت موجودة بالفعل (المستمدة من نظام عالمي لتتبع السفن). تحتوي مجموعة البيانات على ما يقرب من 75,000 لقطة صوتية محددة، كل منها يصف ما سمعه الكابل في لحظة معينة ومدى بُعد أقرب سفينة منه بالضبط.
تُظهر الورقة أن مجموعة البيانات هذه جاهزة ليستخدمها أي شخص لبناء ذكاء اصطناعي أفضل في اكتشاف السفن. اختبر الباحثون نماذجهم الحاسوبية الخاصة على هذه البيانات ووجدوا أن الذكاء الاصطناعي يمكنه تعلم وظيفتين مهمتين للغاية بنجاح: أولاً، أن يصرخ "تنبيه!" عندما تصبح سفينة ضمن مسافة 1,000 متر من الكابل، وثانياً، أن يخمن المسافة الدقيقة لبعد تلك السفينة. وقد وجدوا أنه كلما استخدموا المزيد من "المجسات" (الحساسات) معاً، أصبح الكمبيوتر أفضل في أداء مهمته. على سبيل المثال، عند استخدام جميع الحساسات الـ 250 على طول قطعة بطول 2.5 كيلومتر من الكابل، تمكن الكمبيوتر من تحديد وجود سفينة قريبة بدقة تصل إلى 89% من المرات، وتقدير المسافة بفرق يصل إلى حوالي 171 متراً للسفن القريبة.
والأهم من ذلك، أن الورقة لا تكتفي بالقول "لدينا بيانات" فحسب؛ بل تثبت أن هذه البيانات متنوعة وواقعية. لقد تحققوا من الطقس، والأمواج، وأنواع السفن خلال تلك الأيام العشرة، ووجدوا أن الظروف تغيرت كثيراً، مما يعني أن الكمبيوتر سيتعلم في محيط حقيقي وفوضوي، وليس في مختبر مثالي. كما تأكدوا من أن الأيام التي استخدموها للاختبار كانت مختلفة عن الأيام المستخدمة للتدريب، حتى لا يقوم الكمبيوتر بمجرد حفظ الإجابات. ومن خلال إتاحة مجموعة البيانات هذه للجمهور، يسلم المؤلفون المفاتيح للمجتمع العلمي، مما يسمح لأي شخص ببناء، واختبار، وتحسين أنظمته الخاصة لحماية هذه الكابلات الحيوية تحت الماء من الأضرار العرضية أو التخريب. إنها مجموعة أدوات لبناء عالم أكثر أماناً واستقراراً تحت الماء.
ملخص تقني: مجموعة بيانات الاستشعار الصوتي الموزع للكشف عن السفن وتحديد مواقعها في حماية الكابلات البحرية
بيان المشكلة تعد كابلات الاتصالات والطاقة تحت البحر بنية تحتية عالمية بالغة الأهمية، ومع ذلك تظل عرضة بشدة للتلف العرضي أو التخريب، كما يتضح من الحوادث الأخيرة في بحر البلطيق. وبينما توفر تقنية الاستشعار الصوتي الموزع (DAS) حلاً واعداً للمراقبة المستمرة والآنية للنشاط الصوتي تحت الماء باستخدام البنية التحتية الموجودة للألياف الضوئية، فإن تطوير خوارزميات الذكاء الاصطناعي وتعلم الآلة (AI/ML) القائمة على البيانات للكشف عن السفن يعوقه ندرة مجموعات البيانات المتاحة علنًا والموسومة بدقة. فمجموعات بيانات DAS الحالية غالباً ما تكون محدودة النطاق، وتفتقر إلى الوسم المناسب للكشف عن السفن، أو موجهة نحو الزلازل وديناميكيات المحيطات بدلاً من حماية الكابلات. علاوة على ذلك، فإن مجموعات بيانات الكشف عن السفن الحالية (مثل DAShip) غالباً ما تركز على اكتشاف السفن الموجودة مباشرة فوق الكابل باستخدام بصمات الأثر (wake signatures)، وهو أمر أقل ملاءمة لسيناريوهات الإنذار المبكر التي تتطلب الكشف قبل وصول السفينة إلى الكابل.
المنهجية يقدم المؤلفون مجموعة بيانات Marlinks-NS DAS، التي تم تجميعها من حملة تسجيل مستمرة لمدة عشرة أيام (16-25 يونيو 2023) أجريت على كابل ألياف ضوئية مدفون بطول 28 كم قبالة سواحل زيبروج في بلجيكا، في بحر الشمال. تضمنت عملية الحصول على البيانات ومعالجتها الخطوات التالية:
الحصول على البيانات: قام نظام قياس الطيف البصري الحساس للطور (ϕ-OTDR) (من نوع Alcatel OptoDAS) باستجواب الألياف بطول مقياس قدره 10.21 م وتردد أخذ عينات قدره 3,125 هرتز.
المعالجة المسبقة: تم تحويل إشارات معدل الطور التفاضلية الخام إلى انفعال (strain). تضمن ذلك تغيير حجم الإشارة الخام، وقمع النبضات (إزالة النبضات المعزولة)، وفك التواء الطور الزمني، والتكامل لاستعادة إشارات الانفعال.
تزامن البيانات الوصفية: تمت معالجة بيانات نظام التعرف التلقائي (AIS) المقدمة من مشغل الكابل لتوليد مسارات السفن. ونظراً لانخفاض معدلات التحديث (88% من السفن أبلغت كل 1-3 دقائق)، تم تطبيق الاستكمال الخطي (linear interpolation) بمعدل 1 هرتز لتقدير مواقع السفن المستمرة. وتمت مزامنة هذه المواقع مع بيانات DAS لحساب الحد الأدنى للمسافة الإقليدية ثلاثية الأبعاد بين كل سفينة ونقاط استشعار الكابل.
استخراج الميزات: تم تقسيم إشارات الانفعال إلى نوافذ غير متداخلة مدة كل منها 10 ثوانٍ. واستُخرجت ميزات الطاقة الطيفية من 250 قناة مكانية ضمن نطاق ترددي من 4 هرتز إلى 100 هرتز. وللحد من ضوضاء البيئة (درجة الحرارة، الأمواج) وتداخل الأجهزة (التوافقيات 50/100 هرتز)، تم استبعاد نطاقات ترددية محددة. ويتكون التمثيل النهائي للميزات من 100 ميزة لطاقة النطاق موزعة لوغاريتمياً لكل قناة.
تعريف المهمة: تدعم مجموعة البيانات مهمتين لتعلم الآلة:
الكشف عن السفن: مهمة تصنيف ثنائي لتحديد ما إذا كانت السفينة ضمن عتبة مسافة محددة (على سبيل المثال، 1,000 متر) من الكابل.
تقدير المسافة بين السفينة والكابل: مهمة انحدار (regression) للتنبؤ بالمسافة الدقيقة لأقرب سفينة.
المساهمات الرئيسية
إصدار مجموعة البيانات: إصدار مجموعة بيانات ضخمة جاهزة لتعلم الآلة تضم 74,771 حالة بيانات موسومة من مقطع كابل بطول 2,554 متر. تتضمن كل حالة ميزات طاقة طيفية من 250 قناة استشعار بالإضافة إلى بيانات السفينة المتزامنة (المسافة، النوع، الطول، العرض).
قابلية التكرار: يوفر المؤلفون البيانات بتنسيق HDF5، إلى جانب التوثيق، والبيانات الوصفية، وكود بايثون لمعالجة البيانات والتحقق المتقاطع (cross-validation) على Zenodo وGitHub.
الظروف الواقعية: تلتقط مجموعة البيانات ظروفاً بحرية واقعية، بما في ذلك أنماط حركة السفن المتنوعة والعوامل البيئية المختلفة (ارتفاع الموج، سرعة الرياح، درجة الحرارة، التيارات) عبر فترة التسجيل التي استمرت عشرة أيام.
بروتوكول التحقق: تم اقتراح استراتيجية تحقق متقاطع (cross-validation) مكون من 10 طيات تعتمد على الأيام لضمان أن مجموعات التدريب والاختبار منفصلة زمنياً، مما يمنع تسرب البيانات الناتج عن مرور السفن المتكرر.
النتائج تعرض الورقة نتائج التحقق التقني الأساسية باستخدام خوارزمية XGBoost لإثبات فائدة مجموعة البيانات:
الكشف عن السفن: باستخدام 250 قناة وعتبة مسافة 1,000 متر، حقق النموذج درجة F1 عالمية بلغت 89.43% (الفئة 0: 92.47%، الفئة 1: 83.10%) ودقة بلغت 89.58%.
تقدير المسافة: حقق النموذج متوسط خطأ مطلق (MAE) عالمي قدره 829.90 متر. وبالنسبة لنطاق القرب الحرج (السفن على مسافة أقل من 1,000 م)، تحسن متوسط الخطأ المطلق إلى 171.01 م.
اتجاهات الأداء: أشارت النتائج إلى أن الأداء تحسن باستمرار مع زيادة عدد القنوات المكانية المستخدمة في المتوسط، مما يؤكد صحة التكرار المكاني في بيانات DAS.
الأهمية والادعاءات تدعي الورقة أن مجموعة بيانات Marlinks-NS تعالج فجوة حرجة في توافر بيانات DAS الموسومة خصيصاً لحماية الكابلات البحرية. ومن خلال تحديد مهمتين متميزتين لتعلم الآلة (الكشف والتحديد الموقعي) وتوفير مجموعة بيانات مستمدة من مراقبة مستمرة وواقعية، يهدف المؤلفون إلى:
تعزيز الشفافية وقابلية التكرار في أبحاث DAS القائمة على الذكاء الاصطناعي وتعلم الآلة.
تمكين المجتمع العلمي من اختبار خوارزميات الكشف عن السفن وتحديد مواقعها تحت ظروف بحرية واقعية.
دعم تطوير أنظمة الإنذار المبكر التي يمكنها اكتشاف السفن قبل وصولها إلى الكابل، متجاوزة بذلك القيود المفروضة على الكشف القائم على بصمة الأثر (wake-based detection).
يصرح المؤلفون صراحةً بأن مجموعة البيانات مخصصة لتكون مورداً مرجعياً، وأن النتائج الأساسية تعمل كتحقق قائم على التطبيق للمعلومات المحتفظ بها في البيانات المعالجة، وليس كمقارنة شاملة لجميع نماذج النمذجة الممكنة. كما يقرون بوجود قيود، مثل الاعتماد على بيانات AIS المستكملة للحصول على الحقيقة الأرضية (ground truth)، واستبعاد تسجيلات DAS الخام بسبب السرية، لكنهم يؤكدون أن الميزات والبيانات الوصفية التي تم إصدارها كافية لتطوير وتقييم طرق مراقبة السفن.