پایش پهپادی مرداب‌های نمکی

پژوهشگران دانشگاه کیل در بریتانیا سامانه‌ای هوشمند به نام EcoVision معرفی کرده‌اند که با ترکیب تصویربرداری پهپادی و یادگیری عمیق، پایش گیاهان مرداب‌های نمکی ساحلی را از حالت بازدید میدانی و دستی به تحلیلی خودکار، دقیق و قابل تکرار تبدیل می‌کند.

چرا پایش مرداب‌های نمکی با پهپاد اهمیت دارد

مرداب‌های نمکی زیستگاه‌هایی حساس و دشوار برای بررسی هستند؛ گونه‌های گیاهی گاه در فاصله‌ای چند ده‌سانتی‌متری در کنار هم می‌رویند و بازدید میدانی سنتی، هم زمان‌بر است و هم وابسته به قضاوت انسانی. تصاویر ماهواره‌ای نیز وضوح کافی برای شناسایی گونه‌ها را ندارند. کوادکوپتر در این میان، تصاویری با جزئیات بسیار بالا از ارتفاع پایین در اختیار می‌گذارد که پایه‌ای مناسب برای تحلیل هوشمند است.

EcoVision چگونه کار می‌کند

این سامانه یک خط پردازش چندمرحله‌ای است که تصویر خام کوادکوپتر را گام‌به‌گام به دانش اکولوژیک قابل استفاده تبدیل می‌کند.

1. دریافت و آماده‌سازی تصویر: تصاویر پرجزئیات از پرواز هلی شات در ارتفاع پایین و در زمان جزر گردآوری می‌شود.

2. تفکیک پوشش گیاهی: یک مدل مبتنی بر ترنسفورمر، پیکسل‌های تصویر را به مناطق گیاهی و غیرگیاهی (آب، رسوب) تفکیک می‌کند.

3. استخراج لکه‌های گیاهی: نواحی پیوسته گیاهی از دل تصویر جدا می‌شوند تا هر لکه به‌عنوان یک واحد مستقل تحلیل شود.

4. شناسایی گونه: یک شبکه عصبی طبقه‌بندی، هر لکه گیاهی را به یکی از گونه‌های هدف نسبت می‌دهد.

5. محاسبه غالبیت گونه: نتایج در قالب شبکه‌ای از قطعات کوچک زمین تجمیع شده و سهم هر گونه در هر قطعه مشخص می‌شود، دقیقاً هم‌راستا با روش‌های استاندارد بررسی میدانی.

6. تولید نقشه نهایی: خروجی به‌صورت نقشه‌های رنگی و مکان‌مرجع از پراکندگی و غالبیت گونه‌ها ارائه می‌شود.

دو گونه هدف این پژوهش، اسپارتینا ماریتیما و پوکسینلیا ماریتیما بودند؛ دو علف شورروی با شکل رشد کاملاً متفاوت که در بخش‌های پایین و میانی مرداب حضور دارند و شاخصی مهم برای سلامت زیستگاه به‌شمار می‌روند.

خلاصه نتایج

• مرحله تفکیک پوشش گیاهی توانست مرز گونه‌ها را با دقت پیکسلی بسیار بالا و قابل اعتماد شناسایی کند.

• مرحله شناسایی گونه، عملکردی تقریباً بی‌نقص داشت و به‌ندرت دو گونه را با هم اشتباه گرفت.

• غالبیت گونه‌ای برآوردشده از پهپاد، همخوانی بسیار بالایی با بررسی‌های میدانی سنتی داشت.

• در تشخیص گونه غالب هر قطعه زمین، خروجی سامانه با برچسب‌های واقعی میدانی تطابق بسیار بالایی نشان داد.

• نقشه‌های غالبیت تولیدشده، الگوهای منطقه‌بندی گیاهی طبیعی و منطبق با دانش اکولوژیک را به‌خوبی بازتاب دادند.

بیشترین خطاها در مناطق انتقالی و بخش‌هایی با پوشش گیاهی درهم‌تنیده یا سایه‌انداز رخ می‌داد، جایی که مرز میان گونه‌ها به‌طور طبیعی مبهم است. با این حال، تجمیع نتایج در سطح قطعات زمین، اثر این خطاهای موضعی را تا حد زیادی خنثی می‌کرد.

محدودیت‌ها و مسیر آینده

استفاده از تصاویر رنگی معمولی (بدون سنجنده چندطیفی) محدودیت‌هایی در شرایط نوری متغیر ایجاد می‌کند و دقت مدل هنوز به کیفیت برچسب‌گذاری دستی داده‌های آموزشی وابسته است. پژوهشگران برای آینده، افزودن گونه‌های بیشتر، استفاده از سنجنده‌های چندطیفی و انجام پروازهای فصلی مکرر برای رصد تغییرات درازمدت را در دستور کار دارند.

در مجموع، EcoVision نشان می‌دهد ترکیب پهپاد و هوش مصنوعی می‌تواند جایگزینی کامل برای بررسی میدانی نباشد، اما مکملی قدرتمند برای گسترش پوشش مکانی، افزایش تناوب پایش و کاهش بار کاری متخصصان محیط‌زیست در مدیریت و حفاظت از مرداب‌های ساحلی به‌شمار رود.