نوقشت رسالة الماجستير للباحثة ايمان علي محمد في كلية الهندسة جامعة البصرة قسم هندسة الحاسبات وتحت اشراف الاستاذ الدكتور غيداء عبد الرزاق سهيل بعنوان كشف تسربات النفط في المسطّحات المائية باستخدام التعلّم العميق وتحليل الصور: إستراتيجية لحماية البيئة . وتتضمن
يُعد اكتشاف تسرب النفط في البيئات البحرية والموانئ والمسطحات المائية تحديًا بيئيًا حاسمًا نظرًا للتأثيرات البيئية والاقتصادية الكبيرة الناجمة عن التلوث النفطي. لذلك، أصبح تطوير أنظمة دقيقة وموثوقة للكشف عن تسرب النفط وتحليله باستخدام تقنيات التعلم العميق المتقدمة أمرًا ضروريًا للمراقبة البيئية الفعّالة.   يقترح هذا البحث إطارعمل متكامل للكشف عن تسرب النفط من حيث التصنيف والتقسيم باستخدام صور الاستشعار عن بُعد RGB وصور الطائرات بدون طيار.                                       
        تم دراسة عدة نماذج تعلم عميق وتقنيات تعلم آلي هجينةلتحسين دقة الكشف، ومعالجة عدم توازن البيانات، ودعم أنظمةالمراقبة البيئية الموثوقة.في البداية، تم تطوير نماذج التعلم بالنقلالقائمة على VGG16 و VGG19 لتصنيف صور تسرب النفط.  النتائج أظهرت أن نموذج VGG16 حقق دقة بنسبة 95.67%، بينما حقق نموذج VGG19 دقة بنسبة  96.06% بعد  70 دورةتدريب.  كما تم تطبيق تقنيات تحليل الميزات بما في ذلك تقنيةتقليل الأبعاد غير الخطية t-SNE وخريطة الحرارة Grad-CAM خريطة تفعيل الطبقات المُوزَّنة بالتدرج) لتصور توزيعالميزات وتفسير قرارات النماذج). علاوة على ذلك، تم تعزيزنموذج MobileNetV2الخفيف والمتقدم باستخدام آلية الانتباهSqueeze-and-Excitation (SE) حيث حقق النموذجالأساسي MobileNetV2دقة بنسبة94.49% ،بينما حققالنموذج المحسّن دقة بنسبة.95.28% وتم استخدام تقنية  K-Foldللتحقق من قوة تعميم النماذج وموثوقيتها.
      بالإضافة إلى ذلك، تم تطوير إطارعمل هجيني جديدResNet50-OSD يجمع بين ResNet50 والخوارزمياتالتقليدية للتعلم الآلي. حقق نموذج ResNet50 الأساسي دقةبنسبة92% ، بينما حقق نموذج ResNet50-SVMآلة الدعمالناقل مع استخدام تقنية تكبيرالبيانات لمعالجة مشكلة عدمتوازن الفئات في مجموعات البيانات، دقة بنسبة .95.28%أمانموذج ResNet50-PCA-Random Forest الهجيني فقدحقق أعلى دقة تصنيف بنسبة .98.43%
     من ناحية أخرى، فيمايتعلق بتقسيم تسرب النفط،تم تطويرثلاثة أطارعمل:MobileNetV3–DeepLabV3، ResNet50–DeepLabV3(حيث يعمل MobileNetV3و ResNet50 كعمودين أساسيين مع وحدة تقسيمASPP،وأخيرًا شبكةCNNمزدوجة الانتباه). النتائج التجريبية أظهرت أن نموذجMobileNetV3-DeepLabV3  حقق أعلى دقة للتقسيم بنسبة 95.37%مع قيمة تقاطع الاتحاد   IoU  بلغت ،90.90% بينماحقق نموذج  DeepLabV3-ResNet50 دقة بنسبة 95.21%  معIoU بنسبة  .90.44% أما نموذج Dual-Attention CNNفقد حقق دقة بنسبة83.09%.بشكل عام،تُظهر النماذجالمقترحة قدرة قوية في تصنيف وتقسيم تسرب النفط، مما يوفرأدوات موثوقة وفعّالة للمراقبة البيئية ودعم اتخاذ القرار.