مدل‌سازی زیستگاه گونه‌های در معرض خطر انقراض با استفاده از هوش مصنوعی مکانی (GeoAI)

نویسنده: فاطمه جعفری نوبخت

1. مقدمه

در میانه بحران جهانی تنوع زیستی، جایی که هر روز اخباری نگران‌کننده از انقراض گونه‌ها و تخریب زیستگاه‌ها می‌شنویم، یک متحد غیرمنتظره و قدرتمند در حال ظهور است: هوش مصنوعی(AI) . هوش مصنوعی دیگر یک مفهوم دور از دسترس یا بخشی از داستان‌های علمی-تخیلی نیست، بلکه به ابزاری واقعی و تأثیرگذار تبدیل شده که در حال ایجاد انقلابی در تلاش‌های حفاظتی در سراسر جهان است. از پیش‌بینی شکار غیرقانونی تا کشف زیستگاه‌های پنهان، AI به دانشمندان و حافظان محیط زیست قدرت‌هایی می‌بخشد که تا پیش از این قابل تصور نبود.

این مقاله به نقش تحول‌آفرین هوش مصنوعی و سیستم‌های اطلاعات جغرافیایی (GIS) در حفاظت از محیط زیست و مدیریت منابع طبیعی می‌پردازند. فناوری‌های نوین مانند مدل CISO ( chief information security officer) و GeoAI (هوش مصنوعی مکانی) با تحلیل داده‌های ماهواره‌ای و پایش الگوهای زیستی، دقت پیش‌بینی توزیع گونه‌های در معرض انقراض  را به شکل قابل‌توجهی افزایش داده‌اند. در کنار این مزایا،  موضوعاتی چون اخلاق در هوش مصنوعی، حریم خصوصی و مصرف بالای انرژی در مراکز داده به عنوان چالش‌های کلیدی وجود دارند که می توان با مداخله انسانی و وضع سیاست‌های هوشمندانه برای تضمین استفاده پایدار و عدالت‌محور از این ابزارهای پیشرفته نیل به این هدف را تسریع کرد.

2. هوش مصنوعی فقط یک دوربین هوشمند نیست، بلکه یک «دوقلوی دیجیتال» برای اکوسیستم‌هاست

بسیاری تصور می‌کنند کاربرد هوش مصنوعی در حیات وحش به شناسایی خودکار حیوانات در تصاویر دوربین‌های تله‌ای محدود می‌شود، اما قابلیت‌های آن بسیار عمیق‌تر است. مدل‌های پیشرفته یادگیری عمیق مانند «CISO» می‌توانند به عنوان یک »دوقلوی دیجیتال» برای اکوسیستم‌ها عمل کنند. این مدل‌ها نه تنها حضور یک گونه را ثبت می‌کنند، بلکه روابط پیچیده بین گونه‌های مختلف (عوامل زیستی) و عوامل محیطی مانند دما و خاک (عوامل غیرزیستی) را نیز مدل‌سازی می‌کنند.

به عنوان یک مثال کلیدی، محققان نشان داده‌اند که مدل CISO می‌تواند با استفاده از داده‌های ناقص مربوط به پرندگان، پیش‌بینی‌های مربوط به توزیع پروانه‌ها را بهبود بخشد. این یعنی هوش مصنوعی قادر است تعاملات ظریف و پنهان بین گونه‌ها را درک کند. این توانایی به دانشمندان اجازه می‌دهد تا به جای نگاه کردن به یک گونه به صورت مجزا، تصویری جامع‌تر و دقیق‌تر از سلامت کل اکوسیستم به دست آورند. به عبارت دیگر، هوش مصنوعی با شناسایی الگوهای پنهان در داده‌ها، به ما اجازه می‌دهد تا از دانش خود درباره گونه‌های شناخته‌شده‌تر، برای حفاظت از گونه‌هایی که کمتر درباره‌شان می‌دانیم، استفاده کنیم.

3. پیش‌بینی شکار غیرقانونی و سایر تهدیدها پیش از وقوع

یکی از تأثیرگذارترین قابلیت‌های هوش مصنوعی، توانایی آن در تحلیل‌های پیش‌بینی‌کننده (predictive analytics) است. الگوریتم‌های AI به جای واکنش به بحران‌ها، به حافظان محیط زیست کمک می‌کنند تا یک قدم از تهدیدها جلوتر باشند. با تحلیل داده‌های تاریخی در مورد مکان و زمان وقوع شکار غیرقانونی و ترکیب آن با شرایط محیطی، مدل‌های هوش مصنوعی می‌توانند «نقاط داغ» (hotspots) و محتمل برای فعالیت‌های غیرقانونی بعدی را با دقت بالا پیش‌بینی کنند. این قابلیت، تخصیص منابع محدود مانند گشت‌های محیط‌بانی را بهینه‌سازی می‌کند و اثربخشی آن‌ها را به شدت افزایش می‌دهد.

“الگوریتم‌های هوش مصنوعی حتی می‌توانند بر اساس داده‌های تاریخی و شرایط محیطی، پیش‌بینی کنند که شکار غیرقانونی بعدی در کجا احتمالاً رخ خواهد داد.”

یک نمونه عملی و موفق این رویکرد در پارک ملی سرنگتی تانزانیا دیده می‌شود. در این منطقه، استفاده از هوش مصنوعی برای تحلیل تصاویر پهپادها و شناسایی شکارچیان، منجر به کاهش بیش از ۵۰ درصدی شکار غیرقانونی شده است. این موفقیت نشان می‌دهد که AI چگونه می‌تواند از یک ابزار نظارتی به یک سلاح استراتژیک برای حفاظت پیشگیرانه تبدیل شود.

4. قدرت بخشیدن به علم شهروندی (Citizen Science)

علم شهروندی، یعنی مشارکت عموم مردم در جمع‌آوری داده‌های علمی، پتانسیل عظیمی برای نظارت بر تنوع زیستی در مقیاس وسیع دارد. اما چالش اصلی همیشه پردازش حجم غیرقابل تصوری از داده‌ها (مانند میلیون‌ها عکس و ساعت‌ها صدای ضبط شده) بوده است. هوش مصنوعی این چالش را به یک فرصت بی‌نظیر تبدیل کرده است.

الگوریتم‌های AI می‌توانند این حجم عظیم از داده‌ها را که پردازش آن برای انسان‌ها عملاً غیرممکن است، به سرعت و با دقت تحلیل کنند. اما نکته جالب‌تر اینجاست که نقش AI فراتر از تحلیل صرف است. با استفاده از «کنترل کیفیت مبتنی بر هوش مصنوعی» (AI-based quality control)، این سیستم‌ها می‌توانند مشاهدات مشکوک یا نادرست را در داده‌های ارسالی توسط شهروندان شناسایی کرده و دقت کلی پایگاه داده را به شکل چشمگیری افزایش دهند. این ترکیب قدرتمند میان هوش انسانی و هوش ماشینی، به دموکراتیک شدن علم کمک کرده و نظارت بر تنوع زیستی را به مقیاسی بی‌سابقه رسانده است.

5. یافتن زیستگاه‌های امن برای کمیاب‌ترین موجودات جهان

حفاظت از یک گونه در معرض خطر، نیازمند شناسایی و حفاظت از زیستگاه‌های مناسب آن است. مدل‌های هوش مصنوعی با تحلیل متغیرهای محیطی متعدد، این فرآیند را متحول کرده‌اند و به دانشمندان کمک می‌کنند تا تلاش‌های حفاظتی را به طور مؤثرتری هدف‌گذاری کنند.

• برای مثال، در یک پژوهش جهانی برایلاک‌پشت سبز دریایی که گونه‌ای در معرض خطر انقراض است، از مدل یادگیری ماشین MaxEnt استفاده شد. این مدل با دقت بسیار بالا (AUC=0.881) توانست کلیدی‌ترین زیستگاه‌های این گونه را در سراسر جهان شناسایی کند. تحلیل‌ها نشان داد که «تولید اولیه» (39.5%) و «دمای سطح آب» (24.2%) مهم‌ترین عوامل در تعیین مطلوبیت زیستگاه این لاک‌پشت‌ها هستند.
• در مقیاسی محلی‌تر، برای حفاظت ازسیاه خروس قفقازی در جنگل‌های ارسباران ایران، یک مدل زیستگاه مبتنی بر GIS تهیه شد. نتایج نشان داد که این پرنده به مناطق بسیار خاصی نیاز دارد: جنگل انبوه، ارتفاع ۲۱۰۰ تا ۲۴۰۰ متر و شیب بیش از ۳۰ درصد.

این مدل‌ها دانش انتزاعی اکولوژیک را به نقشه‌های عملیاتی و برنامه‌های قابل اجرا در میدان تبدیل می‌کنند و به مدیران این امکان را می‌دهند که منابع حفاظتی را دقیقاً در جایی متمرکز کنند که بیشترین تأثیر را خواهد داشت.

6. نگاهی به درون «جعبه سیاه» هوش مصنوعی

اما این «دوقلوی دیجیتال» قدرتمند که اکوسیستم‌ها را شبیه‌سازی می‌کند، یک چالش بزرگ دارد: گاهی مانند یک «جعبه سیاه» (black box) عمل می‌کند. این یعنی درک اینکه مدل چگونه و بر اساس چه منطقی به یک پیش‌بینی خاص رسیده، اغلب دشوار است. این عدم شفافیت می‌تواند اعتماد متخصصان و تصمیم‌گیران را برای استفاده از نتایج آن کاهش دهد.

برای مقابله با این چالش، حوزه جدیدی به نام هوش مصنوعی قابل توضیح (Explainable AI – xAI) در حال توسعه است. هدف xAI ایجاد شفافیت و کمک به بوم‌شناسان برای درک بهتر فرآیندهای اکولوژیکی پشت پیش‌بینی‌های مدل است، نه اینکه صرفاً نتایج را کورکورانه بپذیرند. این رویکرد به متخصصان اجازه می‌دهد تا بفهمند کدام متغیرهای محیطی بیشترین تأثیر را بر پیش‌بینی مدل داشته‌اند و آیا این منطق با دانش اکولوژیکی موجود مطابقت دارد یا خیر. در نهایت، xAI با ایجاد پلی بین قدرت پیش‌بینی ماشین و درک علمی انسان، اعتماد به هوش مصنوعی را در میان جامعه حفاظتی افزایش می‌دهد.

7. مدل‌سازی توزیع گونه‌ها (SDM)

مدل‌سازی توزیع گونه‌ها (SDM) با استفاده از هوش مصنوعی، با تبدیل داده‌های خام محیطی به دانش عملیاتی، نقشی کلیدی در تحول استراتژی‌های حفاظتی ایفا می‌کند. این فناوری به دانشمندان و مدیران اجازه می‌دهد تا با دقت و سرعت بسیار بیشتری نسبت به روش‌های سنتی، آشیان‌های اکولوژیک را شناسایی و الگوهای حضور گونه‌ها را پیش‌بینی کنند.

در ادامه، چگونگی کمک این مدل‌سازی به تصمیم‌گیری‌های حفاظتی بر اساس منابع ارائه شده تشریح می‌شود:

1.7. شناسایی دقیق زیستگاه‌های بحرانی و اولویت‌بندی حفاظت

مدل‌های مبتنی بر یادگیری ماشین، مانند حداکثر آنتروپی (MaxEnt)، برای شناسایی مناطق با مطلوبیت زیستگاهی بالا برای گونه‌های در خطر انقراض استفاده می‌شوند.

• مثال عملی: در مطالعه‌ای بر روی لاک‌پشت سبز، هوش مصنوعی توانست مناطق با بیشترین مطلوبیت زیستگاهی را در مقیاس جهانی شناسایی کند و مشخص کرد که عواملی مانند تولید اولیه و دمای سطح آب بیشترین نقش را در تعیین این مطلوبیت دارند.
• همچنین در ایران، استفاده از GIS و مدل‌سازی برای سیاه خروس قفقازی در جنگل‌های ارسباران نشان داد که این پرنده به مناطق با ارتفاع، شیب و پوشش گیاهی خاصی وابسته است، که این اطلاعات مستقیماً در مدیریت زیستگاه‌های طبیعی آن‌ها به کار می‌رود.

2.7. تخصیص بهینه منابع و برنامه‌ریزی استراتژیک

هوش مصنوعی از طریق الگوریتم‌های بهینه‌سازی به تصمیم‌گیران کمک می‌کند تا منابع محدود خود (بودجه، نیروی انسانی و تجهیزات) را در مناطقی متمرکز کنند که بیشترین تأثیر حفاظتی را داشته باشد. این مدل‌ها در انتخاب مکان‌های مناسب برای پارک‌های ملی و مناطق حفاظت‌شده نقش اساسی دارند.

3.7. پیش‌بینی تهدیدات و مدیریت تطبیقی

مدل‌سازی توزیع گونه‌ها تنها به مکان فعلی آن‌ها محدود نمی‌شود، بلکه تغییرات آتی را نیز پیش‌بینی می‌کند:

• تغییرات اقلیمی: هوش مصنوعی می‌تواند پیش‌بینی کند که با تغییر اقلیم، محدوده زیستگاهی گونه‌ها چگونه جابه‌جا می‌شود و کدام مناطق در آینده برای بقای آن‌ها حیاتی خواهند بود.
• جلوگیری از فعالیت‌های غیرقانونی: مدل‌های پیش‌بینی‌کننده می‌توانند «نقاط داغ» احتمالی برای شکار غیرقانونی یا تخریب جنگل را بر اساس داده‌های تاریخی و محیطی شناسایی کنند تا گشت‌های حفاظتی به صورت هدفمند به آن مناطق اعزام شوند.

4.7. مدیریت داده‌های ناقص و تعاملات بیوتیک

یکی از نوآوری‌های برجسته، مدل‌هایی مانند CISO هستند که می‌توانند توزیع گونه‌ها را حتی با وجود داده‌های ناقص پیش‌بینی کنند. این مدل‌ها نه تنها عوامل فیزیکی (مانند دما و خاک)، بلکه تعاملات بین‌گونه‌ای (مانند رقابت یا همزیستی) را نیز در تحلیل‌های خود لحاظ می‌کنند که منجر به نمایش دقیق‌تری از فرآیندهای اکولوژیکی زیربنایی می‌شود.

5.7. تسریع در پایش و بازخورد سریع

هوش مصنوعی زمان لازم برای تحلیل ادبیات علمی و داده‌های میدانی را به شدت کاهش می‌دهد. این سرعت بالا به ایجاد یک حلقه بازخورد (Feedback Loop) کمک می‌کند؛ به این معنا که نتایج مداخلات حفاظتی (مانند احیای زیستگاه) پایش شده و داده‌های جدید دوباره به مدل تزریق می‌شوند تا دقت پیش‌بینی‌های بعدی افزایش یابد.

به طور خلاصه، مدل‌سازی توزیع گونه‌ها با هوش مصنوعی مانند یک «نقشه راه هوشمند» عمل می‌کند که به محافظان محیط زیست نشان می‌دهد کجا، چه زمانی و چگونه باید مداخله کنند تا از انقراض گونه‌ها جلوگیری شود.

8. نتیجه‌گیری: آینده همکاری انسان، طبیعت و فناوری

هوش مصنوعی یک راه‌حل جادویی برای تمام مشکلات محیط زیست نیست، اما بدون شک یک ابزار چندوجهی و فوق‌العاده قدرتمند است. از درک شبکه‌های پیچیده اکوسیستم‌ها و پیش‌بینی تهدیدها گرفته تا توانمندسازی شهروندان و یافتن پناهگاه برای گونه‌های نادر، AI در حال بازتعریف مرزهای ممکن در حفاظت از تنوع زیستی است. تلفیق هوش مصنوعی و سیستم‌های اطلاعات جغرافیایی (GIS) می تواند به حفاظت از محیط زیست و مدیریت منابع طبیعی کمک کند. همچنین فناوری‌های نوین مانند مدل CISO ( chief information security officer) و GeoAI (هوش مصنوعی مکانی) با تحلیل داده‌های ماهواره‌ای و پایش الگوهای زیستی، دقت پیش‌بینی توزیع گونه‌های در معرض انقراض  را به شکل قابل‌توجهی افزایش داده‌اند. در کنار این مزایا،  موضوعاتی چون اخلاق در هوش مصنوعی، حریم خصوصی و مصرف بالای انرژی در مراکز داده به عنوان چالش‌های کلیدی وجود دارند که می توان با مداخله انسانی و وضع سیاست‌های هوشمندانه برای تضمین استفاده پایدار و عدالت‌محور از این ابزارهای پیشرفته نیل به این هدف را تسریع کرد. اگر این فناوری به صورت مسئولانه و با همکاری نزدیک میان دانشمندان داده، بوم‌شناسان و سیاست‌گذاران به کار گرفته شود، می‌تواند آینده‌ای روشن‌تر برای حیات وحش سیاره ما رقم بزند.

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.