رسم خرائط صحة الشعاب المرجانية بالصوت
تعتبر الشعاب المرجانية ضرورية للنظم البيئية البحرية، وخاصة في المياه الاستوائية الضحلة في جميع أنحاء العالم. توفر الشعاب المرجانية الغذاء والمأوى الوفير لآلاف الأنواع البحرية.
التهديدات التي تواجه الشعاب المرجانية
تواجه الشعاب المرجانية تهديدات كبيرة بسبب تغير المناخ وتحمض المحيطات، بالإضافة إلى الأنشطة البشرية المستمرة. تقليديا، كانت مراقبة صحة الشعاب المرجانية تتطلب السفر أو تقنيات الاستشعار عن بعد. الآن، يمكن للعلماء استخدام أداة جديدة للذكاء الاصطناعي (AI) تقوم بتحليل التسجيلات الصوتية للمحيطات لتقييم صحة الشعاب المرجانية.
مقدمة إلى SurfPerch
تعاونت Google Research وDeepMind، اللتان تعملان مع علماء جامعة كوليدج لندن وجامعة بريستول، لإنشاء أداة جديدة تسمى SurfPerch.[1]
كيف يعمل SurfPerch – المراقبة الصوتية السلبية
الفكرة الأساسية هي أن أصوات المحيطات يمكن أن تسلط الضوء على مدى جودة أو صحة مستعمرة الشعاب المرجانية. تتضمن المراقبة الصوتية السلبية (PAM) تسجيل الأصوات الصادرة عن الأنواع البحرية التي تعيش حول الشعاب المرجانية. تشير هذه المقاطع الصوتية إلى ما إذا كانت الشعاب المرجانية تستخدم بشكل نشط بواسطة الأسماك والأنواع الأخرى.
نشرة إخبارية أسبوعية مجانية
املأ بيانات بريدك الالكتروني لتصلك رسائلنا!
تدريب نموذج الذكاء الاصطناعي باستخدام ReefSet
وباستخدام آلاف الساعات من التسجيلات الصوتية الجماعية، تم تدريب هذه الأداة الجديدة على اكتشاف أصوات محددة تشير إلى الحالة الصحية لمناطق الشعاب المرجانية. والأمر القوي في هذا هو أن الصوت يمكن أن يغطي مساحة واسعة، مما يعني أنه يمكن تحديد الصحة العامة للشعاب المرجانية بشكل أفضل من استخدام الملاحظات الأخرى التي غالبًا ما تقتصر على مناطق صغيرة جدًا.
مجموعة البيانات الصوتية، التي تسمى ReefSet، عبارة عن تسجيلات توضيحية تدرب المصنف على معرفة كيف تبدو الشعاب المرجانية الصحية. ومن المثير للاهتمام، نظرًا لأن بعض أنماط أصوات الطيور تشبه أصوات الأسماك والأصوات البحرية الأخرى في توفير الصحة البيئية العامة لمنطقة ما، فقد تم استخدام أصوات الطيور أيضًا لتكملة التدريب اللازم للمساعدة في تصنيف صحة الشعاب المرجانية بشكل عام.
الاختبار مع وبدون التسجيلات المكملة، يبدو أن نهج الخلط عبر المجالات يعزز التصنيف العام لصحة المرجان. وبالمناسبة، يشير هذا إلى أن الجمع بين الأصوات من بيئات مختلفة جدًا في النظم البيئية الأرضية أو البحرية يمكن استخدامه لمراقبة صحة البيئات المتنوعة.[2]
لم يكن تجميع مثل هذا المشروع أمرًا سهلاً، خاصة في الحصول على بيانات التدريب المطلوبة لنموذج تصنيف التعلم العميق. أنشأ الباحثون موقعًا إلكترونيًا يشجع أفراد الجمهور على تحميل تسجيلات البيانات الصوتية من الشعاب المرجانية، مما وفر عددًا كبيرًا من التسجيلات.[3] تشمل مجموعات البيانات الرئيسية المستخدمة للتدريب تلك الموجودة في جزر فيرجن وموزمبيق وفلوريدا وتنزانيا وكينيا.[4]
التطبيقات والإمكانات المستقبلية لـ SurfPerch
الاستخدامات العملية لـ SurfPerch
SurfPerch مجاني ويمكن للعامة الوصول إليه ويمكن تحسينه أيضًا من خلال تسجيلات صوتية جديدة. ويمكن أيضًا ضبط الأداة بشكل دقيق لرصد جوانب محددة قد يحددها العلماء على أنها مهمة لصحة الشعاب المرجانية، مثل الأنواع البحرية المحددة التي قد تسبح بالقرب من الشعاب المرجانية.
قصص النجاح
وحتى الآن، تمكنت الأداة من التمييز بين الشعاب المرجانية المحمية وغير المحمية في مناطق مثل الفلبين، وتحديد مدى فعالية جهود ترميم الشعاب المرجانية في إندونيسيا، وفهم علاقات مجتمع الأسماك بالحاجز المرجاني العظيم بشكل أفضل.
ويمكن استخدام هذه الأداة لدراسة الشعاب المرجانية الرئيسية الأخرى، ومن المخطط جمع بيانات إضافية لزيادة تحسين دقة تصنيف النموذج. الأمر الحيوي في هذا الجهد هو أنه يمكن الآن مراقبة المزيد من مناطق الشعاب المرجانية بشكل أفضل من الجهود السابقة.
وقد ركزت الأساليب السابقة على مراقبة بيانات الاستشعار عن بعد، في حين أن بيانات PAM أكثر فعالية بكثير في التقاط صحة الشعاب المرجانية بشكل عام. في الجهود السابقة، تم أيضًا استخدام تصنيف التعلم الآلي لرصد ومراقبة مدى صحة الشعاب المرجانية.[5]
أهمية المراقبة القائمة على الصوت
مزايا المراقبة الصوتية السلبية
إن إنشاء أدوات سلبية، أو أدوات تعتمد على التسجيلات الصوتية بدلاً من المراقبة القائمة على البصر، قد يوفر أفضل طريقة طويلة المدى لمراقبة الشعاب المرجانية المهددة بالانقراض بشكل متزايد. يمكن للعلماء بسهولة تغطية مساحات أكبر وتمييز الأصوات لتحديد ما إذا كانت شعاب مرجانية معينة تجتذب أنواع الأنواع البحرية التي قد تميزها على أنها صحية.
آثار أوسع للحفاظ على البيئة البحرية
ومن المحتمل أيضًا مراقبة الموائل البحرية الأخرى بهذه الطريقة. في الوقت الحالي، يعد الحصول على فهم أفضل لكيفية تغير الشعاب المرجانية لدينا وما إذا كانت جهود الحفظ ناجحة أمرًا بالغ الأهمية في جهودنا لإنقاذ الشعاب المرجانية وحمايتها.
مراجع
[1] يمكن العثور على أداة SurfPerch للشبكة العصبية للتعلم العميق المستخدمة للمساعدة في تصنيف الشعاب المرجانية وصحتها هنا: جوجل | سيرفبيرتش. (اختصار الثاني). Kaggle: مجتمع التعلم الآلي وعلوم البيانات.
[2] يمكن العثور على مقالة شائعة حول SurfPerch هنا: Perez, S. (2024، 6 يونيو). تتطلع Google إلى الذكاء الاصطناعي للمساعدة في إنقاذ الشعاب المرجانية. التقييمات والأخبار والمقطورات | ياهو أفلام كندا.
[3] تستضيف Google موقعًا على الويب حيث يمكن تحميل تسجيلات البيانات للمساعدة في تدريب نموذج SurfPerch لتصنيف التعلم العميق.
[4] يمكن العثور على المناقشة الأكاديمية لكيفية عمل SurfPerch وخطوات التدريب هنا: Williams, Ben, Bart van Merriënboer, Vincent Dumoulin, Jenny Hamer, Eleni Triantafillou, Abram B. Fleishman, Matthew McKown, et al. 2024. “الاستفادة من أصوات الشعاب المرجانية الاستوائية والطيور والأصوات غير ذات الصلة لتحقيق نقل تعليمي فائق في الصوتيات الحيوية البحرية.” arXiv. DOI: 10.48550/ARXIV.2404.16436.
[5] لمعرفة المزيد عن النهج الذي يستخدم بيانات الاستشعار عن بعد لرصد الشعاب المرجانية، راجع: دا سيلفيرا، كاميلا برازيل لورو، جيل مارسيلو رويس سترينزيل، ماورو مايدا، آنا ليديا بيرتولدي جاسبار، وبياتريس بادوفاني فيريرا. 2021. “رسم خرائط الشعاب المرجانية باستخدام الاستشعار عن بعد والتعلم الآلي: تحليل التنشئة والطبيعة في المناطق البحرية المحمية.” الاستشعار عن بعد 13 (15): 2907. دوى: 10.3390/rs13152907.
