Continuous and Differentiable Neural Network Representations of the Surfzone Sea-Surface from Lidar Point Clouds

سطح المحيط ليس ساكناً أبداً. إنه مشهد مضطرب ومتغير من الأمواج المتدحرجة، والكسارات الهادرة، والرغوة الهائجة، يعيد تشكيل نفسه باستمرار مع انتقال الطاقة من أعماق البحر نحو الشاطئ. بالنسبة للعلماء الذين يدرسون هذه الأمواج، يعد فهم كيفية تحرك المياه بدقة أمراً ضرورياً. فهم لا يحتاجون فقط لمعرفة ارتفاع الموجة، بل أيضاً سرعة انتقالها، ومدى انحدار وجهها، وكيف يتغير شكلها أثناء تكسرها. تقليدياً، استخدم الباحثون عوامات تطفو في نقطة واحدة أو كاميرات تلتقط صوراً من مسافة بعيدة. ورغم فائدة هذه الأدوات، إلا أنها غالباً ما تجد صعوبة في التقاط التعقيد ثلاثي الأبعاد الكامل للموجة المتكسرة، خاصة في المنطقة المضطربة حيث تصطدم المياه بالشاطئ. وللحصول على صورة أوضح، لجأ العلماء إلى أجهزة ليزر مثبتة على طائرات بدون طيار (درونز)، يمكنها مسح سطح الماء وإنشاء سحابة من ملايين النقاط الصغيرة، حيث تحدد كل نقطة موقعاً معيناً في الزمان والمكان. ومع ذلك، فإن هذه البيانات الخام تكون فوضوية ومشتتة؛ ولكي تصبح مفهومة، يضطر الباحثون عادةً إلى إجبار هذه النقاط على الدخول في شبكة صلبة، مثل محاولة وضع قطع أحجية غير منتظمة داخل إطار مربع، مما قد يؤدي إلى تنعيم التفاصيل المهمة أو إدخال أخطاء.

لقد وجد فريق من الباحثين في معهد سكريبس لعلوم المحيطات طريقة مختلفة للتعامل مع هذه البيانات، وهي طريقة تتجنب استخدام الشبكة تماماً. فبدلاً من إجبار نقاط الليزر على اتخاذ هيكل صندوقي، استخدموا نوعاً من الذكاء الاصطناعي يسمى "الشبكة العصبية" لتعلم شكل سطح المحيط مباشرة من النقاط المشتتة. تخيل هذه الشبكة كطالب يُعرض عليه مليون نقطة مبعثرة ويُطلب منه رسم خط مستمر وناعم يربط بينها جميعاً، ليس فقط عند النقاط، بل في كل مكان بينها أيضاً. اختبر الباحثون هذه الطريقة فوق ساحل صخري في مونتيري بكاليفورنيا، حيث حامت طائرة بدون طيار لمسح أمواج هائلة بلغ ارتفاعها أربعة أمتار. وكانت النتيجة نموذجاً رقمياً للبحر يتميز بالنعومة والاستمرارية، مما سمح للعلماء بحساب سرعة ومنحدر المياه عند أي نقطة واحدة، حتى في الأماكن التي لم تجمع فيها الطائرة قياساً مباشراً.

أُجريت التجربة بالقرب من نتوء صخري معروف باسم "تشاينا روك" (China Rock)، حيث ينحدر قاع المحيط بشكل حاد وتتكسر الأمواج بقوة كبيرة. حامت طائرة بدون طيار مجهزة بماسح ليزر متخصص على ارتفاع 33 متراً، حيث أطلقت أشعة ضوئية على سطح الماء عشر مرات كل ثانية. ارتدت هذه الأشعة عن الماء وعادت إلى الطائرة، مما خلق مجموعة ضخمة من نقاط البيانات التي رسمت خريطة لارتفاع الأمواج في ثلاثة أبعاد. ركز الباحثون على نافذة زمنية مدتها 60 ثانية من هذه البيانات، حيث التقطوا اللحظة التي تتدحرج فيها موجة كبيرة، وتزداد حدة، ثم تتكسر في النهاية. في هذه الفترة القصيرة، جمعت الطائرة حوالي 4.5 مليون نقطة فردية، لكن هذه النقاط لم تكن موزعة بانتظام؛ فقد كانت أكثر كثافة مباشرة تحت الطائرة وأقل كثافة باتجاه أطراف المسح.

لتحويل هذه السحابة المشتتة من النقاط إلى صورة مفيدة للمحيط، قام الفريق بتدريب شبكة عصبية، وهي برنامج حاسوبي مصمم للتعرف على الأنماط. لقد غدّوا الشبكة بإحداثيات كل نقطة وارتفاع المياه في تلك البقعة. كانت مهمة الشبكة هي إيجاد دالة رياضية يمكنها التنبؤ بارتفاع المياه في أي موقع وزمن، وليس فقط في الأماكن التي ضربها الليزر. وعلى عكس الطرق التقليدية التي تعمل على متوسط النقاط داخل شبكة، تعلمت هذه الشبكة إنشاء سطح سلس وانسيابي يمر عبر نقاط البيانات دون إجباره على هيكل صلب. ووجد الباحثون أن هذا النهج حقق نجاحاً ملحوظاً؛ فالنموذج الرقمي الذي أنتجته طابق أشكال الأمواج الفعلية التي رصدها الليزر، حيث التقط ارتفاع قمة الموجة والانحدار الحاد لوجهها. كما نجح النموذج في تصفية الضجيج الفوضوي الناتج عن رذاذ البحر وتلاطم المياه، والذي غالباً ما يربك أدوات القياس الأخرى، تاركاً وراءه صورة واضحة للهيكل الرئيسي للموجة.

كان أحد أهم النتائج هو أن هذه الطريقة ظلت دقيقة حتى في المناطق التي كانت فيها البيانات شحيحة. ولأن الشبكة تعلمت الشكل العام للموجة، فقد استطاعت تقدير ارتفاع المياه في الفجوات التي كان فيها ليزر الطائرة نقاط قليلة أو معدومة. وعندما اختبر الباحثون النموذج مقابل بيانات لم يسبق له رؤيتها أثناء التدريب، كانت الأخطاء صغيرة، ومماثلة للقيود الطبيعية لجهاز الليزر نفسه. كما اختبروا موثوقية الطريقة عبر تدريب شبكتين منفصلتين على نفس البيانات تماماً؛ فأنتج النموذجان نتائج متطابقة تقريباً، مع اختلاف بضعة سنتيمترات فقط في معظم الأماكن. ومع ذلك، في المناطق الأكثر ندرة في البيانات حيث لم تجمع الطائرة إلا القليل جداً، بدأت النماذجان في التباعد قليلاً، مما يشير إلى أنه رغم قوة هذه الطريقة، إلا أنها لا تزال تعتمد على وجود قدر كافٍ من المعلومات لتعلم شكل الموجة.

تكمن القوة الحقيقية لهذا النهج الجديد في قدرته على حساب كيفية تغير الموجة. ولأن النموذج الرقمي عبارة عن دالة مستمرة وسلسة، تمكن الباحثون بسهولة من حساب سرعة حركة المياه صعوداً وهبوطاً، أو مدى انحدار وجه الموجة في لحظة معينة. وفي النافذة الزمنية المكونة من 60 ثانية التي درسوها، تمكنوا من تتبع قمة موجة تتحرك نحو الشاطح بسرعة تبلغ حوالي 8.75 متراً في الثانية، وهي قيمة تطابق التوقعات النظرية لأمواج بهذا الحجم والعمق. كما استطاعوا رؤية كيف يتغير شكل الموجة أثناء حركتها، ملاحظين كيف تزداد القمة طولاً وحدة قبل أن تتكسر. هذا المستوى من التفاصيل يصعب تحقيقه باستخدام الطرق التقليدية القائمة على الشبكات، والتي غالباً ما تواجه صعوبة في حساب معدلات التغيير هذه بدقة، خاصة في الوجوه شديدة الانحدار والمتغيرة بسرعة للأمواج المتكسرة.

يقر الباحثون بأن هذه الطريقة لا تخلو من التحديات. فقد استغرق تدريب الشبكة العصبية حوالي 30 دقيقة على أجهزة كمبيوتر قياسية لـ 60 ثانية فقط من البيانات، وهو وقت أطول بكثير من الوقت المستغرق ببساال لتصنيف البيانات في شبكة. وإذا أراد العلماء تحليل ساعة كاملة من بيانات الأمواج، فسيحتاجون إلى تدريب الشبكة لساعات عديدة، أو تشغيل أجهزة كمبيوتر متعددة بالتوازي. بالإضافة إلى ذلك، تعمل هذه الطريقة بشكل أفضل عندما يتوفر قدر جيد من البيانات للتعلم منها؛ ففي المناطق التي تكون فيها المياه صافية جداً ويعود فيها الليزر بنقاط قليلة جداً، قد تنخفض دقة النموذج. ورغم هذه القيود، تثبت الدراسة أن استخدام الشبكات العصبية لتمثيل سطح المحيط يوفر أداة قوية جديدة؛ فهي تقدم رؤية مستمرة، سلسة، وتفصيلية للغاية للبحر يمكن تحليلها في أي نقطة زمنية ومكانية، مما يفتح الباب أمام فهم أعمق لكيفية سلوك الأمواج أثناء تكسرها على الشاطئ.