ریزش‌های نفت می‌توانند به محیط‌های مختلف آسیب برسانند و به سرعت در اقیانوس‌ها، جنگل‌های مرجانی، سواحل یا رودخانه‌ها پخش شوند. این رویدادها تاکنون نشان داده‌اندفاجعه‌وار برای تنوع زیستی دریایی و ساحلی، که منجر به آلودگی آب و از دست رفتن هزاران موجود زنده ضروری برای عملکرد اکولوژیکی و اقتصاد می‌شود. دانش علمی یک متحد بزرگ در تولید وسایلی با پتانسیل کاهش اثرات این رویدادها است، و هدف آن کاهش خسارات ناشی از آن‌ها است که می‌تواند غیرقابل سنجش باشد.
تشخیص و نظارت بر نشت نفت در محیط‌های دریایی نیازمند اقدام سریع برای جلوگیری از فجایع زیست‌محیطی و خسارات اقتصادی است. تخمین میزان لایه نفت یکی از مهم‌ترین چالش‌ها برای کاهش آسیب‌ها است.
یک گزارش خبریسازمان بین‌المللی دریاییتأیید می‌کندکد ظاهر روغن توافق‌نامه بون (BAOAC)به عنوان روش پرکاربردترین برای طبقه‌بندی نشتی‌های روغن در محیط‌های دریایی. BAOAC، که در سال 2004 ایجاد شد، یک سیستم است که ظاهر بصری لکه روغن را با ضخامت آن مرتبط می‌کند.
با وجود اهمیت BAOAC در طول این سال‌ها، روش‌ها و فناوری‌های جدیدی که از حسگری فاصله گرفته‌اند برای ارائه پوشش فضایی بیشتر و دقت بالاتر در تخمین ضخامت روغن نشتی شده در دریا و مناطق ساحلی ظهور کرده‌اند.
در سال 2022، محققان موسسه زمین‌شناسیموسسه زمین‌شناسیدانشگاه ایالتی کمپینز (IG/Unicamp) یک آزمایش کنترل‌شده در مورد نشت نفت در یک مزرعه آزمایشی دانشگاه انجام دادند. این آزمایش که توسط پروفسورکارلوس روبرتو دی سوزو filhoرهبری شد، هدف آن شبیه‌سازی نشت نفت در دریا و محیط‌های ساحلی بود.
از این آزمایش، دو مطالعه برای نظارت بر نشت نفت به دست آمد. هر دو مطالعه به ارائه روش‌ها و فناوری‌های مختلف متناسب با سنجش از دور اختصاص داده شده‌اند تا بتوانند نشت نفت را در محیط‌های پیچیده، شناسایی، نظارت و طبقه‌بندی کنند.
مشارکت سنسورهای هایپرسپکترال در پهپادها
Oتصویربرداری هایپرسپکترال(HSI) یکی از رویکردهای پیشرفته در سنجش از دور است. سنسورهای هایپرسپکترال، که به یک وسیله هوایی بدون سرنشین (پهپاد) متصل شده‌اند، داده‌هایی با وضوح فضایی و طیفی بالا جمع‌آوری می‌کنند و امکان استخراج اطلاعات با جزئیات بالا از اهداف سطح زمین را فراهم می‌کنند. یک مطالعه جدید، با عنواننظارت بر ضخامت و فرسایش ناشی از نشت نفت با استفاده از حسگرهای هیرسپکترال نصب شده بر پهپاد، منتشر شده در سال 2025 در مجلهMarine Pollution Bulletin— و که نویسنده اصلی آن، محققریبکا اسکاتتو است— نشان می‌دهد که HSI چگونه می‌تواند برای افزایش پوشش فضایی و دقت در تخمین ضخامت لکه‌های نفتی در دریا به کار گرفته شود.
برای این منظور، یک آزمایش کنترل شده از نشت نفت شامل شبیه‌سازی دریا به وسیله استفاده از مخازن پر از آب شور و نصب ژنراتورهای موج مصنوعی بود. حدود 30 لیتر نفت خام، استخراج شده از میدان نفتی پیش‌سال در حوضه سانتوس، در این مخازن ریخته شد.
در طول سه ماه، محققان داده‌ها را از آزمایشگاه با استفاده از یک دوربین هایپرسpectral (HySpex Mjolnir VS-620) که به یک پهپاد متصل شده بود، جمع‌آوری کردند. پروازها در ارتفاع 40 متری و با سرعت 2 متر بر ثانیه انجام شد و تصاویر با پیکسل‌های 2 سانتی‌متری تولید شد.
طبقه‌بندی تصاویر هایپرسpectral، چهار دسته از ضخامت لکه‌های نفتی در مخازن را مشخص کرد: بسیار ضخیم، ضخیم، نازک و بسیار نازک. علاوه بر این دسته‌ها، مطالعه همچنین شامل طبقه‌بندی آب تمیز برای شناسایی عملکرد در تمایز طیفی بین آب و نفت بود.
هدف این مطالعه، کمک به بهبود روش BAOAC بود که، طبق نظر محققان، یک روشی است که می‌تواند به دلیل استفاده از تفسیر بصری در طبقه‌بندی لکه‌های نفتی، نتایج غیرقابل اعتمادی تولید کند.
سنسورهای هایپرسپکترا قادر به تولید تصاویر با دقت بیشتر برای تعیین حجم لکه های نفتی و تفاوت بین آب و نفت - حتی در لکه های بسیار نازک هستند. همچنین امکان اندازه گیری میزان تخریب مواد هیدروکربنی - ترکیبات شیمیایی نفت - را فراهم کرد.
به دلیل محدودیت های استفاده از پهپاد - مانند طول عمر باتری - و دینامیک اقیانوسی که می تواند لکه های نفتی را پخش کند - مانند بادهای شدید، حرکت جریان های دریایی و غیره -، مطالعه توصیه می کند به استفاده از روش های آزمایش شده در محیط های ساحلی یا در سکوهای دریایی.
یادگیری عمیقو شبکه‌های عصبی کانولوشن سه بعدی
از طریق داده های جمع آوری شده از همان آزمایش کنترل شده نشت نفت ذکر شده بالا، پروفسورکارلوس ربرتو دو سوزو filhoو تیمش، مطالعه دیگری را با عنوان انجام دادند:تشخیص نشت نفت در محیط‌های دریایی ساحلی شبیه‌سازی‌شده با استفاده از تصویربرداری طیفی و CNN سه بعدی، که از پروژه تحقیقاتیتاشیا گونдек منشأ می‌گیرد.
این مطالعه از داده‌های آزمایش اصلی برای تجزیه و تحلیل استفاده کرد که چگونه شبکه‌های عصبی کانولوشن سه بعدی (3D CNNs، که یک اصطلاح انگلیسی است) می‌توانند در تشخیص و طبقه‌بندی ضخامت نشت‌های روغن از طریق تصاویر هایپرسپکترال کمک کنند.
گزارشی در موردشبکه‌های عصبی کانولوشن ۳ بعدیآن یک معماری ازیادگیری عمیقو این یک سرمایه‌گذاری بزرگ در سنجش از دور بوده است، به‌ویژه به دلیل توانایی پردازش داده‌های سه بعدی (ارتفاع، عرض و عمق) - مانند داده‌های هایپرسپکترال. این رویکرد به CNN های سه بعدی اجازه می دهد تا ویژگی های انتزاعی و پیچیده تری را از اشیاء مورد تجزیه و تحلیل یاد بگیرند و فراتر از اطلاعات سطحی عمل کنند.
این مطالعه نشان می دهد که طبقه‌بندی لکه‌های نفتی - نازک، متوسط و ضخیم - در تصاویر هایپرسپکترال از طریق مدل CNN سه بعدی، امکان جمع آوری داده های قابل اعتماد و دقیق در مورد ضخامت های نشت نفت را فراهم می کند. این تحقیق بر استفاده از این روش برای جایگزینی و خودکارسازی فرآیندهای تجزیه و تحلیل دستی تمرکز دارد. مدل توسعه یافته برای تصاویر به دست آمده از سنسورهای نصب شده روی پهپادها، می تواند برای موقعیت های واقعی مقیاس بندی شود و امکان تشخیص نقاط بحرانی و نشت ها را به سرعت فراهم کند. خودکارسازی، سرعت شناسایی نشت ها را افزایش می دهد و اطلاعات مکانی سیستماتیک تولید می کند و به سازمان های محیط زیستی در اولویت بندی اقدامات کمک می کند.
به جای گسترش توانایی تشخیص نشت ها، ترکیب سنسورهای هایپرسپکترال، پهپادها و تکنیک هاییادگیری عمیقراه را برای یک پاسخ سریعتر و موثرتر باز می کند. با تبدیل اطلاعات طیفی پیچیده به نقشه هایی که می توانند حضور، توزیع و ضخامت نفت را نشان دهند، این فناوری ها می توانند تیم های فنی را در شناسایی مناطق اولویت بندی شده و تعیین استراتژی های مهار کمک کنند. چالش فعلی، پیشرفت در اعتبارسنجی و کاربرد این روش ها در شرایط واقعی در دریا و محیط های ساحلی است، که به هم نزدیک کردن تحقیقات علمی با نیازهای پایش و پاسخ به نشت های نفتی کمک می کند.
نویسندگان هیچ گونه مشاوره‌ای ارائه نمی‌دهند، مشغول به کار هستند، سهامدار نیستند یا از هیچ شرکت یا سازمانی که از این مقاله سود می‌برد، حمایت مالی نمی‌گیرند و هیچ ارتباط دیگری غیر از موقعیت‌های شغلی خود را فاش نمی‌کنند.