تُقدّم هذه الورقة البحثية منهجية جديدة تُسمّى FogAdapt، تهدف إلى التكيّف بين المجالات في مهام التجزئة الدلالية للمشاهد الكثيفة الضبابية. وعلى الرغم من الجهود البحثية الكبيرة التي بُذلت لتقليل الفجوة بين المجالات في التجزئة الدلالية، يظل التكيّف مع المشاهد التي تتعرض لظروف جوية غير مواتية سؤالًا مفتوحًا حتى الآن. إذ تُفاقم التغيرات الكبيرة في وضوح المشهد الناتجة عن الظروف الجوية، مثل الضباب والضباب الدخاني والضبابية، فجوة المجال، مما يجعل التكيّف غير المُراقب في هذه السياقات أمرًا صعبًا. نقترح منهجية ذاتية الانتروبيا وتعزيز المعلومات متعددة المقاييس في إطار التكيّف بين المجالات ذاتية التدريب (FogAdapt) لتقليل فجوة المجال في تجزئة المشاهد الضبابية. وبناءً على الأدلة التجريبية التي تُظهر أن زيادة كثافة الضباب تؤدي إلى ارتفاع في قيمة الانتروبيا الذاتية لاحتمالات التجزئة، نُقدّم دالة خسارة تعتمد على الانتروبيا الذاتية لتوجيه عملية التكيّف. علاوةً على ذلك، نُدمج الاستنتاجات المستخلصة من مقاييس صور مختلفة، ونُوزّعها وفقًا لدرجة عدم اليقين، لإنشاء تسميات وهمية غير مُتغيرة حسب المقياس (scale-invariant pseudo-labels) للمجال الهدف. تُعد هذه التسميات الوهمية قوية أمام التغيرات في وضوح الرؤية والمقاييس. وقد تم تقييم النموذج المقترح في سيناريوهين: التكيّف من مشاهد واقعية بيئة واضحة إلى مشاهد واقعية ضبابية، والتكيّف من صور مُحاكاة غير ضبابية إلى مشاهد واقعية ضبابية. تُظهر التجارب أن FogAdapt تتفوّق بشكل ملحوظ على أحدث الطرق المُتاحة في مجال التجزئة الدلالية للصور الضبابية. وبشكل خاص، وبمراعاة الإعدادات القياسية مقارنة بالطرق المُتقدمة الحالية (SOTA)، حقّق FogAdapt تحسينًا بنسبة 3.8% في Foggy Zurich، و6.0% في Foggy Driving-dense، و3.6% في Foggy Driving من حيث متوسط دقة التجزئة (mIoU) عند التكيّف من مجموعة Cityscapes إلى Foggy Zurich.