لاک‌پشت‌های پوزه‌عقابی (Eretmochelys imbricata) یکی از ارزشمندترین و در عین حال آسیب‌پذیرترین گونه‌های دریایی خلیج فارس هستند. این گونه که به دلیل فلس‌های زیبای پشت خود سال‌ها هدف شکار غیرمجاز بوده، امروزه در فهرست گونه‌های در معرض انقراض شدید (Critically Endangered) اتحادیه جهانی حفاظت از طبیعت (IUCN) قرار دارد.
علاوه بر شکار غیرمجاز، تهدیدات دیگری مانند برخورد با قایق‌ها، آلودگی‌های صوتی و نفتی، گیر افتادن در تورهای صیادی و تخریب زیستگاه‌های تخم‌گذاری، بقای این گونه را با خطر جدی مواجه کرده است. اما شاید بزرگترین چالش برای حفاظت از این گونه، نبود اطلاعات کافی درباره مسیرهای مهاجرتی و زیستگاه‌های کلیدی آنها باشد. همان‌طور که یکی از فعالان محیط زیست اشاره کرده: «ما اطلاعات بسیار کمی درباره اینکه لاک‌پشت‌های پوزه‌عقابی بعد از تخم‌گذاری در سواحل به کجا می‌روند، داریم».
در این میان، هوش مصنوعی به عنوان یک ابزار تحول‌آفرین وارد میدان شده است. با پردازش داده‌های صوتی و تصویری، الگوریتم‌های یادگیری ماشین می‌توانند الگوهای مهاجرتی را با دقتی کشف کنند که برای انسان‌ها غیرممکن است. این مقاله به بررسی این فناوری‌ها و کاربرد آنها در حفاظت از لاک‌پشت‌های پوزه‌عقابی خلیج فارس می‌پردازد.
بخش اول: چالش‌های سنتی در مطالعه لاک‌پشت‌های دریایی
روش‌های سنتی و محدودیت‌های آنها
تا پیش از ورود هوش مصنوعی، مطالعه و ردیابی لاک‌پشت‌های دریایی عمدتاً با دو روش انجام می‌شد:
۱. نصب برچسب‌های فیزیکی (Flipper Tagging): این روش که شامل نصب برچسب‌های پلاستیکی یا فلزی روی باله‌های لاک‌پشت است، تهاجمی بوده و ممکن است به حیوان آسیب برساند. همچنین برچسب‌ها ممکن است در طول زمان بیفتند یا از بین بروند.
۲. ردیاب‌های ماهواره‌ای (Satellite Tags): اگرچه این روش اطلاعات دقیق‌تری ارائه می‌دهد، اما بسیار پرهزینه است و تنها می‌توان تعداد محدودی از لاک‌پشت‌ها را با آن تجهیز کرد. علاوه بر این، اگر حیوان بمیرد، دستگاه گران‌قیمت نیز از بین می‌رود.
۳. شناسایی دستی چهره: محققان برای بیش از یک دهه از الگوهای منحصربه‌فرد فلس‌های کنار صورت لاک‌پشت‌ها برای شناسایی آنها استفاده می‌کردند، اما این کار بسیار زمان‌بر و نیازمند نیروی انسانی زیاد بود.
داده‌های ناقص و تصمیم‌گیری‌های ناکارآمد
این محدودیت‌ها منجر به شکاف‌های جدی در دانش ما درباره لاک‌پشت‌های پوزه‌عقابی شده است. به عنوان مثال، یکی از پروژه‌های حفاظتی در منطقه سمپورنا (مالزی) که بین سال‌های ۲۰۰۹ تا ۲۰۲۵ بیش از ۴۶۰ لانه لاک‌پشت پوزه‌عقابی را ثبت کرده، همچنان از نبود اطلاعات کافی درباره مسیرهای مهاجرتی این لاک‌پشت‌ها رنج می‌برد.
داده‌های ناقص به معنای تصمیم‌گیری‌های ناکارآمد در حفاظت است. بدون اطلاع از مسیرهای دقیق مهاجرت، نمی‌توان مناطق حفاظت‌شده دریایی را به درستی طراحی کرد، مسیرهای کشتیرانی را調整 کرد، یا با آلودگی‌های نفتی و صوتی در زیستگاه‌های کلیدی مقابله نمود.
بخش دوم: هوش مصنوعی چگونه به کمک لاک‌پشت‌ها می‌آید؟
۱. تشخیص چهره با بینایی کامپیوتر (Facial Recognition)
یکی از ابتکاری‌ترین کاربردهای هوش مصنوعی در حفاظت از لاک‌پشت‌ها، استفاده از فناوری تشخیص چهره است. الگوهای فلس‌های کنار صورت لاک‌پشت‌های دریایی منحصربه‌فرد است و مانند اثر انگشت انسان عمل می‌کند.
روش کار: با استفاده از الگوریتم‌های بینایی کامپیوتر (مانند شبکه‌های عصبی کانولوشنی - CNN)، می‌توان به ماشین آموزش داد که این الگوهای منحصربه‌فرد را شناسایی کند. به گفته سارا جانتوس، بنیانگذار پروژه OceanID، «آموزش ماشین برای تشخیص صورت لاک‌پشت در واقع ساده‌تر از آموزش آن برای تشخیص صورت انسان است».
مزایا:
غیرتهاجمی: نیازی به لمس یا دستکاری حیوان نیست
مشارکت عمومی: هر غواص یا شناگری می‌تواند از سمت چپ صورت لاک‌پشت عکس بگیرد و در پایگاه داده آپلود کند
هزینه پایین و مقیاس‌پذیری: امکان جمع‌آوری حجم عظیمی از داده در مدت کوتاه
ردیابی بلندمدت: شناسایی فردی لاک‌پشت‌ها در طول زمان و مکان‌های مختلف
نمونه عملی: پروژه OceanID در استرالیا با موفقیت از این فناوری برای ردیابی لاک‌پشت‌های پوزه‌عقابی در آب‌های کوئینزلند استفاده کرده است و قصد دارد این سیستم را به یک اپلیکیشن موبایل تبدیل کند تا عموم مردم نیز بتوانند در جمع‌آوری داده مشارکت کنند.
۲. پردازش داده‌های صوتی با یادگیری عمیق
اقیانوس‌ها پر از صدا هستند و هرگونه حیات دریایی صدای خاص خود را تولید می‌کند. اما پردازش ترابایت‌ها داده صوتی برای شناسایی صدای گونه‌های خاص، برای انسان‌ها غیرممکن است.
GUARDIAN؛ آشکارساز هوشمند صداهای دریایی: پروژه GUARDIAN که توسط GCOOS در خلیج مکزیک توسعه یافته، از یادگیری عمیق برای شناسایی صدای نهنگ‌های رایس (یکی از نادرترین گونه‌های نهنگ) استفاده می‌کند. این سیستم در یک روز توانست بیش از ۸۰۰۰ فایل صوتی را پردازش کند و بیش از ۲۰۰ صدای مشکوک به نهنگ را با دقت متوسط ۹۶ درصد شناسایی کند.
گرچه این پروژه بر روی نهنگ‌ها متمرکز است، اما فناوری مشابهی می‌تواند برای شناسایی و ردیابی لاک‌پشت‌های پوزه‌عقابی در خلیج فارس نیز به کار گرفته شود. با استفاده از شناورهای خودکار مجهز به ضبط‌کننده‌های صوتی و الگوریتم‌های تشخیص صدا، می‌توان حضور لاک‌پشت‌ها را در مناطق مختلف شناسایی و نقشه‌برداری کرد.
مزیت کلیدی: همان‌طور که در پروژه GUARDIAN اشاره شده، «این جعبه‌ابزار یادگیری عمیق، صداهای نهنگ را شناسایی می‌کند و ترابایت‌ها داده صوتی اقیانوس را پردازش می‌کند که هیچ تیم انسانی نمی‌توانست آنها را بررسی کند».
۳. تحلیل ژنتیکی و ردیابی با هوش مصنوعی
پروژه ShellBank که در مالزی اجرا شده، از پایگاه داده جهانی DNA لاک‌پشت‌های دریایی برای شناسایی جمعیت‌ها و ردیابی مسیرهای مهاجرتی استفاده می‌کند. این سیستم با ترکیب تحلیل ژنتیکی و ردیابی ماهواره‌ای، امکان شناسایی لاک‌پشت‌های مرده یا زنده را فراهم می‌کند و آنها را به جمعیت مبدأ خود بازمی‌گرداند.
کاربرد در خلیج فارس: با ایجاد پایگاه داده ژنتیکی از لاک‌پشت‌های پوزه‌عقابی خلیج فارس، می‌توان مسیرهای مهاجرتی آنها را با دقت بالایی شناسایی کرد. این اطلاعات برای تعیین مناطق حفاظت‌شده دریایی و مدیریت بهتر زیستگاه‌های کلیدی حیاتی است.
۴. ردیابی ماهواره‌ای و نقشه‌برداری مسیرها
ترکیب ردیاب‌های ماهواره‌ای با تحلیل‌های هوش مصنوعی، امکان نقشه‌برداری دقیق از مسیرهای مهاجرتی را فراهم کرده است. پروژه Blue Corridors for Turtles (BC4T) که در منطقه آسیا-اقیانوسیه در حال اجراست، با اتصال سواحل تخم‌گذاری، مسیرهای مهاجرتی و مناطق تغذیه، به دنبال نقشه‌برداری از مسیرهای حرکت لاک‌پشت‌هاست.
گام‌های اجرایی:
نصب ردیاب‌های ماهواره‌ای بر روی لاک‌پشت‌های پوزه‌عقابی در سواحل خلیج فارس
جمع‌آوری داده‌های موقعیت در بازه زمانی چندماهه تا چندساله
تحلیل داده‌ها با الگوریتم‌های یادگیری ماشین برای شناسایی الگوهای مهاجرتی
شناسایی زیستگاه‌های کلیدی و مناطق حساس
بخش سوم: کاربردهای عملی در خلیج فارس و منطقه
۱. ابتکارات ابوظبی در حفاظت دریایی
ابوظبی با راه‌اندازی ابتکارات پیشگامانه، استاندارد جدیدی در حفاظت از اکوسیستم‌های دریایی با استفاده از فناوری‌های پیشرفته تعیین کرده است. سازمان محیط زیست ابوظبی (EAD) با استفاده از هوش مصنوعی و DNA محیطی (eDNA)، موفق به پایش بیش از ۷,۹۰۰ لاک‌پشت دریایی در آب‌های این منطقه شده است.
نتایج قابل‌توجه: شاخص صیادی پایدار در این منطقه از ۸.۹ درصد در سال ۲۰۱۸ به ۹۷.۴ درصد در سال ۲۰۲۴ افزایش یافته است. این موفقیت نشان می‌دهد که چگونه فناوری می‌تواند به مدیریت پایدار منابع دریایی و حفاظت از گونه‌های در معرض خطر کمک کند.
ابزارهای مورد استفاده:
پهپادها (Drones): برای نقشه‌برداری از زیستگاه‌های ساحلی و پایش جمعیت‌ها
DNA محیطی (eDNA): برای شناسایی حضور گونه‌ها بدون نیاز به مشاهده مستقیم
شناورهای خودکار: برای جمع‌آوری داده‌های محیطی در زمان واقعی
کشتی تحقیقاتی Jaywun: مجهز به شش آزمایشگاه و پیشرفته‌ترین سیستم‌های پایش از جمله پهپادهای زیرآبی
۲. پروژه مشترک مالزی برای لاک‌پشت‌های پوزه‌عقابی
در منطقه سمپورنا (مالزی)، پروژه‌ای با همکاری اداره حیات وحش صباح، WWF-مالزی و Mataking Reef Resort در حال اجراست که به طور خاص بر روی لاک‌پشت‌های پوزه‌عقابی متمرکز شده است.
دستاوردها:
ثبت بیش از ۴۶۰ لانه لاک‌پشت پوزه‌عقابی بین سال‌های ۲۰۰۹ تا ۲۰۲۵
ثبت ۱۱۹ لانه تنها در سال ۲۰۲۵
استفاده از ShellBank برای ردیابی ژنتیکی جمعیت‌ها
اجرای ردیابی ماهواره‌ای برای شناسایی مسیرهای مهاجرتی
اهمیت برای خلیج فارس: لاک‌پشت‌های پوزه‌عقابی دارای الگوهای مهاجرتی مشابهی در سراسر اقیانوس هند و خلیج فارس هستند. تجارب این پروژه می‌تواند به عنوان الگویی برای اجرای پروژه‌های مشابه در سواحل ایران و کشورهای حاشیه خلیج فارس استفاده شود.
۳. فناوری‌های نوین در امارات متحده عربی
مطالعه‌ای که در کنفرانس IEEE در سال ۲۰۲۶ ارائه شد، به بررسی استفاده از شناورهای هدایت‌شونده از راه دور (ROV) مجهز به هوش مصنوعی برای ترمیم خودکار صخره‌های مرجانی و پایش اکوسیستم‌های دریایی در امارات متحده عربی پرداخته است.
این فناوری‌ها می‌توانند به طور غیرمستقیم به حفاظت از لاک‌پشت‌های پوزه‌عقابی کمک کنند؛ زیرا صخره‌های مرجانی سالم، زیستگاه اصلی تغذیه این لاک‌پشت‌ها محسوب می‌شوند و ترمیم آنها به افزایش جمعیت لاک‌پشت‌ها کمک می‌کند.
گفتوگو
دیدگاه‌ها(۰)