Thesis (Ph.D)-Cairo University, 2025.

Bibliography: pages 117-126.

This thesis presents an advanced, automated framework for detecting and monitoring oil spills in Egyptian coastal waters using remote sensing and deep learning. It integrates Sentinel-1 SAR and Sentinel-2 multispectral data to analyze oil spills. After developing and validating new spectral indices—shown to outperform existing ones—a comprehensive annotated SAR dataset of 1,500 Egyptian oil spill cases was created. A DeepLabv3+ model trained on this dataset achieved high segmentation accuracy, surpassing results from existing models. An end-to-end workflow was implemented for automated detection and area estimation, demonstrating reliable performance in real-world scenarios. The research supports the Egyptian Environmental Affairs Agency (EEAA) in meeting international marine protection standards and highlights the effectiveness of combining spectral analysis with AI for scalable, region-specific oil spill monitoring.

تُقدم هذه الرسالة إطارًا متقدمًا وآليًا للكشف عن بقع النفط ومراقبتها في المياه الساحلية المصرية باستخدام تقنيات الاستشعار عن بُعد والتعلم العميق. يدمج هذا الإطار بيانات الرادار من القمر الصناعي سينتنال 1 وبيانات متعددة الأطياف من سينتنال 2 لتحليل خصائص بقع النفط. بعد تطوير مؤشرات طيفية جديدة أثبتت تفوقها على المؤشرات السابقة، تم إنشاء مجموعة بيانات شاملة تحتوي على 1500 حالة موثقة لبقع نفطية مصرية باستخدام صور رادارية. تم تدريب نموذج DeepLabv3+ على هذه البيانات، وحقق دقة عالية في التجزئة متجاوزًا أداء النماذج الحالية. كما تم تنفيذ سير عمل شامل للكشف التلقائي وتقدير المساحات، وأظهر أداءً موثوقًا في الحالات الواقعية. تدعم هذه الدراسة جهاز شؤون البيئة المصري في الامتثال للاتفاقيات الدولية لحماية البيئة البحرية، وتبرز فعالية دمج التحليل الطيفي مع الذكاء الاصطناعي في مراقبة بقع النفط بشكل فعال وقابل للتوسع حسب الخصائص الإقليمية.

Issues also as CD.

Text in English and abstract in Arabic & English.