CSFMamba: A FrFT-Enhanced Cross-State Fusion Network for GNSS-R Sea Surface Height Retrieval in Complex Coastal Waters

المحيط لا يهدأ أبداً. فسطحه يرتفع وينخفض مع جذب القمر، ودفع الرياح، وتدفق الأنهار، مما يخلق مشهداً متغيراً باستمرار يصعب رسم خرائط له من الفضاء. لعقود من الزمن، استخدم العلماء الأقمار الصناعية لقياس ارتفاع سطح البحر، وهي مهمة بالغة الأهمية لفهم تغير المناخ، والتنبؤ بالعواصف، وملاحة السفن. ومع ذلك، فإن النظر إلى المحيط المفتوح شيء، والنظر إلى الساحل شيء آخر. فبالقرب من اليابسة، تكون المياه ضحلة، والمد والجزر جامحاً، ويمكن للإشارة الصادرة من قمر صناعي أن ترتد عن الشاطئ أو جزيرة قريبة قبل أن تصطدم بالماء، مما يربك الأجهزة. هذه "المشكلة الساحلية" كانت لفترة طويلة نقطة عمياء في قدرتنا على مراقبة بحار العالم.

ولحل هذه المشكلة، يتجه الباحثون إلى حيلة ذكية باستخدام نفس الإشارات التي توجه هواتفنا الذكية. فالأقمار الصناعية التي تدور حول الأرض تبث باستمرار إشارات ملاحية نحو الأسفل. وعندما تصطدم هذه الإشارات بالمحيط، فإنها ترتد عن السطح وتعود إلى مستقبل، أحياناً يكون قمراً صناعياً آخر. ومن خلال قياس المدة التي تستغرقها الإشارة للسفر وكيف يتغير شكلها بعد الارتداد، يمكن للعلماء حساب ارتفاع الماء. هذه الطريقة، المعروفة باسم (GNSS-R)، تعمل بشكل رائع فوق المحيطات العميقة والمفتوحة. ولكن في المياه الساحلية المعقدة، تصبح الإشارات فوضوية؛ حيث يتشوه الانعكاس بسبب خشونة الأمواج، وزاوية الشمس، والتداخل من اليابسة القريبة. والطرق التقليدية، التي تعتمد على معادلات فيزيائية ثابتة لتصحيح هذه الأخطاء، غالاً ما تعاني في هذه البيئات الفوضوية، مما يؤدي إلى قياسات غير دقيقة.

قام فريق من الباحثين من جامعة غويلين للتكنولوجيا في الصين بتطوير نهج جديد لمعالجة هذا التحدي تحديداً، مع التركيز على خليج بيبو، وهو خليج شبه مغلق في بحر الصين الجنوبي معروف بمد وجزره المعقد وأجوائه التي تحركها الرياح الموسمية. لقد ابتكروا نظاماً حاسوبياً جديداً يسمى (CSFMamba)، وهو يستخدم نوعاً من الذكاء الاصطناعي المصمم للتعلم من الأنماط المعقدة بدلاً من مجرد اتباع قواعد صارمة. وبدلاً من محاولة فرض البيانات الساحلية الفوضوية على معادلة بسيطة، يتعلم هذا النظام التعرف على العلاقات الدقيقة بين شكل الإشارة المنعكسة والارتفاع الفعلي للماء، حتى عندما تكون الظروف صعبة.

يكمن جوهر ابتكارهم في كيفية معالجة النظام للبيانات. تأتي المعلومات الخام في شكل خريطة "تأخير-دوبلر" (delay-Doppler map)، وهي في الأساس لقطة تفصيلية لطاقة الإشارة أثناء ارتدادها عن البحر. في المحيط المفتوح، تكون هذه اللقطة واضحة عادةً، ولكن بالقرب من الساحل، غالباً ما تكون مشوشة ومليئة بالضجيج. قام الباحثون أولاً بتطبيق تقنية رياضية تسمى "تحويل فورييه الجزئي" (fractional Fourier transform) لشحذ هذه اللقطات الضبابية، مما يجعل الأنماط الخفية لسطح الماء أكثر وضوحاً. ثم قاموا بتغذية هذه البيانات المحسنة في شبكة عصبية ثنائية الفروع؛ حيث يعمل أحد فروع الشبكة كخبير بصري، يدرس شكل وملمس خريطة الإشارة لفهم حالة البحر المحلية، بينما يعمل الفرع الآخر كخبير سياقي، يحلل مجموعة واسعة من الأرقام بما في ذلك سرعة الرياح، وهطول الأمطار، وزاوية القمر الصناعي، والوقت من اليوم.

ما يجعل هذا النظام فريداً هو كيفية تواصل هذين الفرعين مع بعضهما البعض. ففي العديد من النماذج السابقة، كانت أنواع البيانات المختلفة تُجمع معاً ببساطة أو تُضاف لبعضها، وهو ما فشل غالباً في استيعاب كيفية تأثير البيئة وشكل الإشارة على بعضهما البعض. يستخدم نظام (CSFMamba) آلية تسمى "الدمج عبر الحالة" (cross-state fusion)، والتي تسمح للفروع البصرية والرقمية بتعديل تركيزها ديناميكياً بناءً على الوضع الراهن. فإذا كانت الرياح مرتفعة، يتعلم النظام إعطاء وزن أكبر لبيانات الرياح؛ وإذا تشوهت الإشارة بسبب اليابسة، فإنه يتعلم الاعتماد أكثر على الموقع الهندسي للقمر الصناعي. هذا التفاعل الديناميكي يسمح للنموذج بالتكيف مع الظروف الفوضوية المحددة لخليج بيبو بطريقة لا تستطيع النماذج الثابتة القيام بها.

اختبر الباحثون نظامهم باستخدام بيانات من عامي 2021 و2022، مقارنين تنبؤاتهم بالنماذج العالمية الراسخة لمستوى سطح البحر. وكانت النت النتائج مذهلة؛ فخلال فترة الاختبار التي استمرت أربعة أشهر، حقق النظام متوسط خطأ قدره 0.53 متراً فقط، وهو تحسن كبير عن الأساليب الحالية. ولوضع ذلك في المنظور، إذا كنت تحاول قياس ارتفاع شخص يقف على قارب، فإن هذا المستوى من الدقة يعني أنه يمكنك التمييز بين طفل وبالغ بثقة عالية، حتى بينما يتأرجح القارب. وقد حافظ النظام على هذا المستوى العالي من الدقة عبر المواسم المختلفة، من فترات الانتقال الهادئة إلى الرياح الموسمية الصيفية المضطربة، مما أثبت قدرته على التعامل مع أنماو الطقس المتغيرة في المنطقة.

ولضمان أن النظام يتعلم الأشياء الصحيحة حقاً وليس مجرد حفظ البيانات، أجرى الباحثون سلسلة من الاختبارات حيث قاموا بإزالة أجزاء محددة من النموذج. ووجدوا أن المكون الأكثر أهمية كان آلية الدمج التي سمحت للفرعين بالتفاعل. فعندما تمت إزالة هذا الجزء، تضاعف معدل الخطأ لأكثر من الضعف، مما أدى إلى انخفاض أداء النظام إلى مستوى لم يعد بالإمكان الوثوق به لإجراء قياسات دقيقة. وقد أكد هذا أن القدرة على مزج أنماط الإشارة البصرية مع السياق البيئي كانت مفتاح النجاح. علاوة على ذلك، أظهر التحليل الداخلي للنظام أنه حدد بشكل صحيح العوامل الأكثر أهمية، مثل الموقع الجغرافي وسرعة الرياح، بما يتماشى مع فهمنا الفيزيائي لكيفية سلوك المحيط.

كما قارنت الدراسة النظام الجديد بنماذج أخرى متقدمة للذكاء الاصطناعي، بما في ذلك تلك القائمة على التعلم العميق التقليدي والهياكل الأحدث القائمة على "الانتباه" (attention-based architectures). وقد تفوق نظام (CSFMamba) باستمرار على هؤلاء المنافسين، حيث قلل متوسط الخطأ بنحو الربع مقارم بأفضل البدائل المتاحة. ويشير هذا إلى أنه بالنسبة للبيئات الساحلية المعقدة، فإن الهيكل الخاص بهذا النموذج الجديد أكثر ملاءمة للمهمة من النهج السابقة. وأشار الباحثون إلى أنه بينما يعمل النظام بشكل جيد في متن الخليج، فإنه لا يزال يواجه تحديات في المناطق الأكثر صعوبة، مثل المناطق الملاصقة للموانئ أو مصبات الأنهار الضيقة حيث يكون التداخل من اليابسة شديداً. وتظل هذه المناطق صعبة لأن الإشارات تتشوه بشدة بفعل الجغرافيا المجاورة لدرجة أن أكثر نماذج التعلم تقدماً تجد صعوبة في إيجال نمط واضح.

وعلى الرغم من هذه التحديات المتبقية، فإن هذا العمل يمثل خطوة كبيرة للأمام في قدرتنا على مراقبة سواحل العالم. فمن خلال التطبيق الناجح لهذا النهج الجديد على خليج بيبو، أثبت الباحثون أنه من الممكن استعادة بيانات دقيقة لمستوى سطح البحر من الفضاء حتى في أكثر المياه الساحلية اضطراباً وتعقيداً. وتفتح هذه القدرة الباب أمام مراقبة أفضل للفيضانات الساحلية، وتنبؤات أكثر دقة بالعواصف، وفهم أعمق لكيفية تأثير ارتفاع مستويات سطح البحر على أكثر مناطق العالم ازدحاماً بالسكان. إن نجاح نظام (CSFMamba) يشير إلى أن مستقبل علم المحيطات الساحلية لا يكمن في المعادلات الأبسط، بل في الأنظمة الذكية التي يمكنها التعلم كيف تبحر وسط التعقيد الفوضوي والجميل للعالم الحقيقي.