سنجش از دور ، سیستم اطلاعات جغرافیایی (GIS) و هوش مصنوعی برای حفاظت از منابع طبیعی

نویسنده: فاطمه جعفری نوبخت

1- مقدمه

فناوری‌های سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) ابزارهای تحول‌آفرینی هستند که درک ما را از سیاره زمین متحول کرده‌اند. سنجش از دور مانند «چشمانی در آسمان» عمل می‌کند که با استفاده از ماهواره‌ها و هواپیماها، داده‌های گسترده‌ای از سطح زمین جمع‌آوری می‌کند. از سوی دیگر، GIS مانند «مغزی برای تحلیل داده‌های مکانی» است که این داده‌ها را سازماندهی، تحلیل و به نقشه‌های قابل فهم تبدیل می‌کند. این دو فناوری در کنار هم به ما کمک می‌کنند تا منابع ارزشمند طبیعی مانند خاک و آب را بهتر بشناسیم و از آن‌ها در برابر تهدیدهایی مانند فرسایش محافظت کنیم. در کنار این دو فناوری ، هوش مصنوعی نیز، مغز متفکر این فرآیند است. این فناوری به GIS  و سنجش از دور قدرت می‌دهد تا از مرحله توصیف به مرحله پیش‌بینی و نسخه تجویزی برسند. در یک کلام، سنجش از دور داده‌ها را فراهم می‌کند، GIS این داده‌ها را سازماندهی و تحلیل مکانی می‌کند، و هوش مصنوعی این تحلیل‌ها را خودکار، سریع و پیش‌بینی‌کننده می‌سازد تا حفاظت از منابع طبیعی از واکنشی به پیش‌فعال تبدیل شود.

2- سنجش از دور : (Remote Sensing) دیدن جهان از فاصله‌ای دور

سنجش از دور، علم و هنر کسب اطلاعات درباره یک شیء، منطقه یا پدیده بدون تماس فیزیکی با آن است. این فناوری به ما امکان می‌دهد تا تغییرات سطح زمین را در مقیاس‌های بزرگ و در بازه‌های زمانی مختلف پایش کنیم.

1-2- سنجش از دور چگونه کار می‌کند؟

یک سیستم تصویربرداری سنجش از دور از هفت عنصر اصلی تشکیل شده است که فرآیند جمع‌آوری تا کاربرد داده‌ها را ممکن می‌سازند:

2-1-1- منبع انرژی یا روشنایی  (Energy Source or Illumination): این فرآیند با یک منبع انرژی برای روشن کردن هدف آغاز می‌شود. رایج‌ترین منبع، خورشید است. در برخی موارد، حسگر خود انرژی تولید می‌کند (مانند رادار).

2-1-2- تابش و اتمسفر  (Radiation and the Atmosphere): انرژی در مسیر خود از منبع به سمت هدف، با اتمسفر برهم‌کنش دارد. این تعامل ممکن است باعث تضعیف یا تغییر مشخصات انرژی شود.

2-1-3- تعامل با هدف (Interaction with the Target):  انرژی پس از رسیدن به هدف (مانند یک جنگل یا یک شهر) با آن تعامل می‌کند. نحوه بازتاب یا صدور انرژی توسط اشیاء مختلف، متفاوت است و همین تفاوت، اساس شناسایی آن‌هاست.

2-1-4- ثبت انرژی توسط حسگر (Recording of Energy by the Sensor):  یک حسگر (مانند دوربین نصب‌شده روی ماهواره یا هواپیما) انرژی بازتاب‌شده یا ساطع‌شده از هدف را جمع‌آوری و ثبت می‌کند.

2-1-5- انتقال، دریافت و پردازش (Transmission, Reception, and Processing):  داده‌های ثبت‌شده توسط حسگر به صورت الکترونیکی به یک ایستگاه زمینی منتقل می‌شوند. در آنجا، این داده‌های خام پردازش شده و به یک تصویر دیجیتال تبدیل می‌شوند.

2–1-6- تفسیر و تحلیل (Interpretation and Analysis):  تصویر پردازش‌شده توسط تحلیلگران تفسیر می‌شود تا اطلاعات قابل استفاده‌ای از آن استخراج شود. این تحلیل می‌تواند به صورت بصری یا با استفاده از نرم‌افزارهای کامپیوتری انجام شود.

2-1-7- کاربرد  (Application): در نهایت، اطلاعات استخراج‌شده برای حل یک مشکل خاص به کار می‌رود؛ برای مثال، نقشه‌برداری از مناطق جنگل‌زدایی شده برای برنامه‌ریزی‌های حفاظتی.

2-2- ابزار اصلی سنجش از دور: تابش الکترومغناطیسی (EMR)

حسگرهای سنجش از دور از تابش الکترومغناطیسی (EMR) برای «دیدن» و ثبت اطلاعات استفاده می‌کنند. این انرژی در طیف وسیعی از طول موج‌ها وجود دارد که به آن طیف الکترومغناطیسی می‌گویند. اگرچه چشم انسان تنها قادر به دیدن بخش کوچکی از این طیف (نور مرئی) است، حسگرها می‌توانند بخش‌های دیگری را نیز ثبت کنند. مهم‌ترین بخش‌های طیف که در سنجش از دور کاربرد دارند عبارتند از:

• نور مرئی (Visible Light):برای تصویربرداری مشابه با عکاسی معمولی.
• فروسرخ (Infrared):این بخش خود به دو قسمت اصلی تقسیم می‌شود: فروسرخ بازتابی که برای شناسایی سلامت پوشش گیاهی و رطوبت خاک کاربرد دارد و فروسرخ حرارتی که برای اندازه‌گیری دمای سطح زمین (مانند شناسایی آتش‌سوزی‌ها یا جزایر حرارتی شهری) استفاده می‌شود.
• مایکروویو (Microwave):برای نفوذ در ابرها و تصویربرداری در هر شرایط آب‌وهوایی (مانند سیستم‌های رادار).

3-2- انواع اصلی سنجش از دور

سنجش از دور بر اساس منبع انرژی به دو دسته اصلی تقسیم می‌شود:

مثال	منبع انرژی	نوع سنجش از دور
تصویربرداری با دوربین‌های روی ماهواره که نور بازتاب‌شده از زمین را ثبت می‌کنند.	انرژی طبیعی (مانند نور خورشید)	سنجش از دور غیرفعال (Passive)
سیستم رادار که پالس‌های انرژی به سمت زمین می‌فرستد و بازگشت آن را ثبت می‌کند.	انرژی تولید شده توسط خود حسگر	سنجش از دور فعال (Active)

4-2- ویژگی‌های کلیدی یک تصویر ماهواره‌ای یعنی وضوح : (Resolution)

کیفیت و کاربرد یک تصویر ماهواره‌ای با چهار نوع «وضوح» یا «Resolution» تعریف می‌شود. درک این ویژگی‌ها به کاربر کمک می‌کند تا تصویر مناسب برای هدف خود را انتخاب کند.

1-4-2- وضوح مکانی (Spatial Resolution): این ویژگی به کوچکترین اندازه‌ای که یک حسگر می‌تواند روی زمین تشخیص دهد، اشاره دارد. این اندازه معادل اندازه یک پیکسل در تصویر است. برای مثال، تصویری با وضوح مکانی ۱ متر می‌تواند اشیائی به اندازه یک متر یا بزرگتر را نمایش دهد. وضوح مکانی بالا برای تشخیص عوارض کوچک مانند ساختمان‌ها و جاده‌ها ضروری است، در حالی که وضوح پایین‌تر برای مطالعات منطقه‌ای مانند بررسی پوشش گیاهی یک استان کافی است.

2-4-2- وضوح طیفی (Spectral Resolution): این ویژگی به توانایی حسگر در تشخیص و ثبت بازه‌های باریک و مشخصی از طول موج‌ها اشاره دارد. هرچه تعداد و باریکی این بازه‌ها (باندها) بیشتر باشد، وضوح طیفی بالاتر است. این ویژگی برای تفکیک مواد مختلف از یکدیگر حیاتی است. برای مثال، با وضوح طیفی بالا می‌توان پوشش گیاهی سالم را از پوشش گیاهی تحت تنش (بیمار یا خشک) تشخیص داد.

3-4-2- وضوح رادیومتریک (Radiometric Resolution): این ویژگی به حساسیت حسگر در تشخیص تفاوت‌های جزئی در شدت انرژی بازتاب‌شده از سطح زمین اشاره دارد. هرچه این وضوح بالاتر باشد (مثلاً ۱۶-بیت در مقابل ۸-بیت)، تصویر می‌تواند طیف وسیع‌تری از سایه‌ها و روشنایی‌ها را ثبت کند. این ویژگی را مانند تفاوت بین یک جعبه مدادرنگی ۸ رنگ و یک جعبه ۲۵۶ رنگ در نظر بگیرید. با جعبه بزرگتر، می‌توانید تفاوت‌های بسیار ظریف‌تری بین سایه‌های مختلف یک رنگ (مثلاً سبز) را تشخیص دهید. به همین ترتیب، وضوح رادیومتریک بالاتر به حسگر اجازه می‌دهد تا تفاوت‌های جزئی در «سبزی» پوشش گیاهی یا «کدورت» آب را ثبت کند.

4-4-2- وضوح زمانی (Temporal Resolution): این ویژگی به مدت زمانی اشاره دارد که طول می‌کشد تا یک ماهواره مجدداً از یک نقطه مشخص روی زمین تصویربرداری کند. وضوح زمانی بالا (مثلاً روزانه) برای پایش پدیده‌هایی که به سرعت تغییر می‌کنند، مانند سیل، آتش‌سوزی جنگل‌ها یا رشد محصولات کشاورزی، بسیار مهم است.

داده‌های سنجش از دور، به خودی خود، مجموعه‌ای عظیم از اعداد و پیکسل‌ها هستند. قدرت واقعی آن‌ها زمانی آشکار می‌شود که این «تصاویر خام» به عنوان لایه‌هایی هوشمند وارد مغز تحلیلی سیستم اطلاعات جغرافیایی (GIS) شوند تا الگوها، روابط و تغییرات پنهان در آن‌ها کشف گردد.

3- سیستم اطلاعات جغرافیایی(GIS)، سازماندهی و تحلیل دنیای ما:

سیستم اطلاعات جغرافیایی (GIS) یک سیستم کامپیوتری برای مدیریت، تحلیل، نمایش و به اشتراک‌گذاری داده‌های جغرافیایی یا مکانی است. می‌توان GIS را مجموعه‌ای از «نقشه‌های هوشمند» در نظر گرفت که به صورت لایه‌های اطلاعاتی سازماندهی شده‌اند. هر لایه، یک نوع عارضه خاص (مانند رودخانه‌ها، جاده‌ها، یا مرزهای سیاسی) را نمایش می‌دهد و می‌توان این لایه‌ها را روی هم قرار داد تا روابط فضایی بین آن‌ها تحلیل شود.

1-3- داده‌ها در GIS چگونه نمایش داده می‌شوند؟

دو مدل اصلی برای نمایش داده‌های مکانی در GIS وجود دارد: برداری و رستری.

مزیت کلیدی برای کاربر	نحوه نمایش عوارض	مدل داده
دقت بالا برای مدیریت مالکیت و زیرساخت: ایده‌آل برای نمایش دقیق مرزهای قطعات زمین، خطوط لوله، یا شبکه‌های جاده‌ای که در آن‌ها هر سانتی‌متر اهمیت دارد.	عوارض را به صورت نقاط (مانند شهرها)، خطوط (مانند رودخانه‌ها) و چندضلعی‌ها (مانند مرز استان‌ها) نمایش می‌دهد.	داده‌های برداری (Vector Data)
تحلیل بهینه پدیده‌های طبیعی: بهترین گزینه برای مدل‌سازی پدیده‌هایی که مرز مشخصی ندارند، مانند شیب زمین، توزیع دما، یا میزان آلودگی هوا، که برای تحلیل‌های زیست‌محیی حیاتی است.	دنیا را به صورت یک شبکه از سلول‌ها یا پیکسل‌ها نمایش می‌دهد که هر پیکسل یک مقدار مشخص دارد (مانند ارتفاع یا دما).	داده‌های رستری (Raster Data)

2-3- اهمیت موقعیت‌یابی: سیستم‌های مختصات

قدرت واقعی GIS در توانایی آن برای ترکیب لایه‌های مختلف اطلاعاتی نهفته است. برای اینکه داده‌های مربوط به رودخانه‌ها، جاده‌ها و کاربری اراضی به درستی روی هم قرار گیرند، همه آن‌ها باید در یک سیستم مختصات مشترک باشند. سیستم مختصات جغرافیایی (شامل طول و عرض جغرافیایی) یکی از رایج‌ترین روش‌ها برای تعیین موقعیت دقیق هر نقطه روی کره زمین است و به GIS اجازه می‌دهد تا داده‌ها را با دقت مکانی بالا مدیریت کند.

قدرت واقعی زمانی آشکار می‌شود که داده‌های غنی و چندطیفی سنجش از دور—که خود نوعی داده رستری هستند—به عنوان یک لایه اطلاعاتی کلیدی وارد محیط تحلیلی GIS شوند و با داده‌های برداری مانند مرز حوضه‌ها و شبکه‌های رودخانه‌ای ترکیب گردند.

4- کاربرد عملی سنجش از دور و GIS در حفاظت از خاک:

ترکیب سنجش از دور و GIS ابزاری بسیار قدرتمند برای مدیریت منابع طبیعی است. یکی از کاربردهای مهم این ترکیب، ارزیابی و مدل‌سازی فرسایش خاک در مقیاس حوضه‌های آبخیز است.

4-1- ارزیابی فرسایش خاک با مدل RUSLE

مدل جهانی اصلاح‌شده فرسایش خاک (RUSLE)، که نسخه به‌روزشده مدل قدیمی‌تر USLE است، یکی از پرکاربردترین مدل‌ها برای تخمین میزان فرسایش خاک ناشی از آب است. سنجش از دور و GIS نقش حیاتی در تهیه داده‌های ورودی برای عوامل مختلف این مدل ایفا می‌کنند.

به زبان ساده، مدل RUSLE با ضرب کردن چندین عامل در یکدیگر، میزان خطر فرسایش را تخمین می‌زند. عواملی که فرسایش را تشدید می‌کنند (مانند بارندگی شدید و شیب تند) مقدار نهایی را افزایش می‌دهند و عواملی که آن را کاهش می‌دهند (مانند پوشش گیاهی متراکم) این مقدار را کم می‌کنند RS و GIS به ما کمک می‌کنند تا مقادیر این عوامل را برای هر نقطه از یک منطقه وسیع به دست آوریم.

1-4-1- عامل پوشش گیاهی و مدیریت (C Factor):

این عامل نشان‌دهنده تأثیر پوشش گیاهی و نوع مدیریت زمین بر کاهش فرسایش است. با استفاده از تصاویر ماهواره‌ای (مانند تصاویر ماهواره‌های Landsat یا SPOT) در محیط GIS، می‌توان شاخص‌هایی مانند NDVI (شاخص نرمال‌شده تفاوت پوشش گیاهی) را محاسبه کرد. این شاخص به ما کمک می‌کند تا تراکم و سلامت پوشش گیاهی را در سطح یک حوضه آبخیز نقشه‌برداری کنیم. مناطقی با پوشش گیاهی متراکم (مانند جنگل‌ها) مقدار C پایین‌تری دارند و کمتر در معرض فرسایش هستند.

2-4-1- عامل طول و شیب دامنه  (LS Factor):

این عامل اثر توپوگرافی (شیب و طول شیب) را بر فرسایش نشان می‌دهد. داده‌های رستری مانند مدل‌های رقومی ارتفاع (DEM) که از طریق روش‌های مختلف سنجش از دور یا نقشه‌برداری تهیه می‌شوند، به عنوان ورودی اصلی در GIS به کار می‌روند. نرم‌افزارهای GIS می‌توانند به طور خودکار نقشه‌های شیب و طول شیب را از روی DEM محاسبه کرده و عامل LS را برای هر نقطه از حوضه برآورد کنند.

3-4-1- اولویت‌بندی حوضه‌های آبخیز:

پس از محاسبه تمام عوامل مدل و اجرای آن در GIS، نقشه نهایی، میزان فرسایش خاک را در سراسر حوضه نمایش می‌دهد. این نقشه به مدیران منابع طبیعی و برنامه‌ریزان کمک می‌کند تا مناطقی را که شدت فرسایش در آن‌ها بالاست (مناطق بحرانی) شناسایی کرده و اقدامات حفاظتی مانند احداث بانکت یا تراس‌بندی را در این مناطق در اولویت قرار دهند.

5- نقش هوش مصنوعی (AI) در مدیریت منابع آب و خاک:

هوش مصنوعی (به ویژه یادگیری ماشین و یادگیری عمیق) مغز متفکر این فرآیند است. این فناوری به GIS  و سنجش از دور قدرت می‌دهد تا از مرحله توصیف (چه اتفاقی افتاده؟) به مرحله پیش‌بینی و نسخه تجویزی (چه اتفاقی خواهد افتاد و چه باید کرد؟) برسند. در یک کلام، سنجش از دور داده‌ها را فراهم می‌کند، GIS این داده‌ها را سازماندهی و تحلیل مکانی می‌کند، و هوش مصنوعی این تحلیل‌ها را خودکار، سریع و پیش‌بینی‌کننده می‌سازد تا حفاظت از منابع طبیعی از واکنشی به پیش‌فعال تبدیل شود. ترکیب هوش مصنوعی (AI)، سنجش از دور (RS) و سیستم اطلاعات جغرافیایی (GIS)، یک انقلاب در مدیریت منابع طبیعی ایجاد کرده است. این سه فناوری مانند یک “تیم” عمل می‌کنند: سنجش از دور «می‌بیند» (جمع‌آوری داده)، GIS «مکان‌یابی و مدیریت» می‌کند (سازماندهی داده) و هوش مصنوعی «تفسیر و پیش‌بینی» می‌کند (پردازش سریع و هوشمند).

در ادامه نحوه کمک این سه فناوری به حفاظت از منابع طبیعی را در بخش‌های کلیدی بررسی می‌کنیم:

۱-5- پایش جنگل‌ها و پوشش گیاهی 🌲

این یکی از مهم‌ترین کاربردهاست، به‌ویژه برای مقابله با جنگل‌زدایی و آتش‌سوزی.

• نقش سنجش از دور: ماهواره‌ها (مانند Landsat یا Sentinel ) و پهپادها تصاویر چندزمانی (Time-series) می‌گیرند تا تغییرات پوشش سبز را در طول زمان ثبت کنند.
• نقش :GIS نقشه‌های دقیق مرز جنگل‌ها، شیب زمین و راه‌های دسترسی را لایه‌بندی می‌کند تا مناطق حساس مشخص شوند.
• نقش هوش مصنوعی:
  • تشخیص تغییرات: الگوریتم‌های یادگیری عمیق (Deep Learning) می‌توانند به طور خودکار و با دقت بالا، حتی قطع چند درخت یا ساخت‌وساز غیرمجاز در دل جنگل را در تصاویر ماهواره‌ای شناسایی کنند.
  • پیش‌بینی آتش‌سوزی: مدل‌های AI با تحلیل داده‌های تاریخی آتش‌سوزی، رطوبت خاک، دمای هوا و جهت باد، مناطقی که “خطر بالای حریق” دارند را پیش‌بینی می‌کنند تا نیروهای امدادی قبل از وقوع حادثه در آنجا مستقر شوند.

۲-5- مدیریت منابع آب و خشکسالی 💧

حفاظت از آب‌های زیرزمینی و سطحی با این فناوری‌ها بسیار دقیق‌تر شده است.

• نقش سنجش از دور: سنسورها می‌توانند سطح آب دریاچه‌ها، رطوبت خاک و حتی کیفیت آب (مانند میزان کلروفیل یا کدورت آب) را از فضا اندازه‌گیری کنند.
• نقش :GIS حوضه‌های آبریز را مدل‌سازی می‌کند و جریان آب را شبیه‌سازی می‌نماید.
• نقش هوش مصنوعی:
  • پیش‌بینی سیل: با ترکیب داده‌های بارش و توپوگرافی، AI می‌تواند مدل‌سازی کند که در صورت بارش شدید، کدام مناطق دچار آب‌گرفتگی خواهند شد.
  • مدیریت مصرف کشاورزی: با تحلیل تصاویر ماهواره‌ای مزارع، هوش مصنوعی دقیقاً مشخص می‌کند کدام قسمت زمین به آب نیاز دارد (کشاورزی دقیق) تا از هدررفت آب جلوگیری شود.

3-5- پایش فرسایش خاک و بیابان‌زایی 🏜️

جلوگیری از تخریب خاک که یک منبع تجدیدناپذیر (در مقیاس انسانی) است.

• نقش سنجش از دور: رادارها (مانندLiDAR ) می‌توانند تغییرات ارتفاعی سطح زمین و فرونشست‌ها را با دقت میلی‌متری بسنجند.
• نقش :GIS تهیه نقشه‌های فرسایش خاک بر اساس جنس خاک، شیب و پوشش گیاهی.
• نقش هوش مصنوعی: مدل‌های پیش‌بینی‌کننده می‌توانند روند گسترش بیابان‌ها را شبیه‌سازی کنند و پیشنهاد دهند که کاشت درخت یا بوته در کدام نقاط دقیقاً می‌تواند جلوی پیشروی شن‌های روان را بگیرد.

خلاصه تعامل این سه فناوری با یک مثال:

فناوری	وظیفه اصلی	مثال کاربردی
سنجش از دور (RS)	جمع‌آوری داده	عکس‌برداری ماهواره‌ای از جنگل
GIS	تحلیل مکانی	روی هم انداختن نقشه جنگل با نقشه راه‌ها
هوش مصنوعی ( AI)	تشخیص و پیش‌بینی	تشخیص خودکار مناطق قطع درخت و پیش‌بینی آتش‌سوزی

6- نتیجه‌گیری

سنجش از دور و GIS دیگر ابزارهای تخصصی آزمایشگاهی نیستند، بلکه فناوری‌های ضروری برای مدیریت هوشمندانه سیاره ما به شمار می‌روند. این ابزارها به ما امکان می‌دهند تا مشکلات زیست‌محیطی پیچیده مانند فرسایش خاک، جنگل‌زدایی و اثرات تغییرات اقلیمی را در مقیاس‌های بزرگ پایش، تحلیل و مدیریت کنیم. درک اصول اولیه این فناوری‌ها، اولین و مهم‌ترین گام برای استفاده از پتانسیل عظیم آنها در حفاظت از کره زمین برای نسل‌های آینده است. هوش مصنوعی نیز، مغز متفکر این فرآیند است. هم افزایی (Synergy) و ترکیب این سه فناوری، قدرتمندترین ابزار برای حفاظت از منابع طبیعی است:

• داده های خام (تصاویر ماهواره ای و هوایی) توسط سنجش از دور جمع آوری می شوند.
• این داده ها در GIS سازماندهی شده و به لایه های مکانی تبدیل می شوند.
• هوش مصنوعی بر روی این داده های مکانی اعمال می شود تا الگوهای پنهان را کشف کرده، تغییرات را به صورت خودکار تشخیص دهد و پیش بینی هایی برای آینده ارائه کند.

این رویکرد، مدیریت منابع طبیعی را از واکنش به یک سیستم پیش بینی و پیشگیرانه ارتقا می دهد که در آن اقدامات حفاظتی به صورت هدفمندتر، کارآمدتر و به موقع تر انجام می شوند.

درباره نویسنده:

فاطمه جعفری نوبخت، متخصص برجسته و پژوهشگر حوزه مهندسی محیط زیست، با رویکردی نوین دانش کلاسیک این رشته را با فناوری‌های پیشرفته هوش مصنوعی تلفیق کرده و به عنوان پیشگام در زمینه هوش مصنوعی مکانی (GeoAI) شناخته می‌شود. وی با تکیه بر مدرک کارشناسی ارشد مهندسی محیط زیست و درک عمیق از اکوسیستم‌ها، تخصص خود را فراتر از روش‌های سنتی گسترش داده و با ورود به دنیای داده‌ها، فعالیت‌های حرفه‌ای خود را بر کاربرد هوش مصنوعی در علوم محیط زیست متمرکز کرده است. او هم‌اکنون به عنوان مشاور ارشد علوم مکانی در محیط زیست و منابع طبیعی، با استفاده از الگوریتم‌های پیشرفته در پی راهکارهایی برای پایش دقیق، پیش‌بینی تغییرات اقلیمی و مدیریت بهینه منابع است. فاطمه جعفری با باور بنیادین به اینکه «مهم‌ترین توجه انسان‌ها باید به مقوله محیط زیست باشد»، تکنولوژی را ابزاری قدرتمند برای نجات زمین می‌داند و علاوه بر پروژه‌های استراتژیک، با برگزاری مستمر کارگاه‌های آموزشی در زمینه علوم مکانی و زمین، مشتاقانه به انتقال دانش و تربیت نسلی متخصص برای حفاظت از آینده محیط زیست می‌پردازد.