یک مطالعه جدید نشان داده است که رادار میتواند حشرات زندهای مانند زنبورهای عسل، زنبورهای بامبل، زنبورها را از طریق بررسی تغییرات بسیار کوچک سیگنال ناشی از بالزدن آنها شناسایی کند.
این دادهها راهی تازه برای پایش گردهافشانها ارائه میدهد؛ بدون آنکه نیاز به سنجاقزدن، به دام انداختن یا کشتن آنها برای بررسی دقیقتر باشد.
رادار چگونه الگوی بال حشرات را تشخیص میدهد؟
در آزمایشهای سال ۲۰۲۳ در کالج ترینیتی دوبلین، حشرات زنده درون محفظههای پلاستیکی کوچک در بالای آنتن رادار قرار گرفتند.
با تطبیق سیگنالهای بازتابشده با حرکت بالها، دکتر آدام ناربودوویچ از دانشگاه فنی دانمارک نشان داد که رادار میتواند حشرات را بر اساس ریتم بالزدن آنها دستهبندی کند.
هر بالزدن، سیگنال بازگشتی را به شکلی متمایز تغییر میداد و به مدل شواهدی میداد که چشم انسان، دوربینهای معمولی قادر به ثبت آن نیستند.
این پژوهش هنوز به اندازهگیریهای نزدیکبرد وابسته است، اما مسیری تازه فراتر از شمارشهای دستی حشرات باز میکند؛ روشی که بسیاری از مطالعات گردهافشانها به آن متکی هستند.
نقش حیاتی گردهافشانها در امنیت غذایی
حشرات گردهافشان با جابهجایی گرده میان گلها در زمان تغذیه، لانهسازی، به گیاهان زراعی، گیاهان وحشی کمک میکنند تا بذر تولید کنند.
سازمان غذا و کشاورزی اعلام کرده است که سهچهارم محصولات کشاورزی پربازده جهان تا حدی به گردهافشانها وابسته هستند.
یک تحلیل ۲۷ ساله در مناطق حفاظتشده آلمان نشان داد که وزن کلی حشرات پروازی ثبتشده در طول فصل، ۷۶ درصد کاهش یافته است.
پایش بهتر نمیتواند این مشکل را بهتنهایی حل کند، اما میتواند تغییرات را زودتر آشکار سازد تا اقدامات حفاظتی، بررسیهای هدفمند پیش از تشدید کاهش جمعیت انجام شود.
چگونه حرکت حشرات قابل اندازهگیری شد؟
پژوهشگران از رادار موج میلیمتری یا mmWave استفاده کردند؛ یک سامانه رادیویی با طول موج کوتاه که سیگنالی کمقدرت به سمت هر حشره ارسال میکند، بدون تماس فیزیکی.
این سیگنال در فرکانس ۳۰ گیگاهرتز عمل میکرد؛ یعنی امواج آن در هر ثانیه ۳۰ میلیارد بار نوسان داشتند و میتوانستند کوچکترین حرکات را ثبت کنند.
هر بار بالزدن، زمانبندی، شدت پژواک را تغییر میداد و ردهایی فرکانسی به جا میگذاشت که حرکت را بازتاب میدادند، نه رنگ یا شکل ظاهری را.
از آنجا که رادار به تصویر واضح نیاز ندارد، میتواند در شرایطی که دوربینها با تاریکی، انعکاس نور، باران، شلوغی محیط یا تراکم گلها مشکل دارند، عملکرد بهتری داشته باشد.
هوش مصنوعی چگونه حشرات را شناسایی میکند؟
پس از آنکه رادار حرکت بالها را از زنبورهای عسل، سه گونه زنبور بامبل، زنبورهای معمولی ثبت کرد، نرمافزار وارد عمل شد.
تیم تحقیقاتی، سامانه یادگیری ماشین را با بیش از ۷۰ ویژگی مختلف شامل زمانبندی، انرژی، ریتم آموزش داد.
برای حفظ عدالت در آزمایش، دادههای هر حشره فقط در یکی از گروههای آموزش یا آزمون استفاده شد.
مدل با مقایسه الگوها بهصورت مرحلهبهمرحله، ابتدا خانواده کلی، سپس جنس، در نهایت نام گونه را تشخیص میداد.
دقت شناسایی در آزمایشها
در گستردهترین سطح، سامانه رایانهای توانست زنبورها، زنبورهای شکارچی را با دقت ۹۶ درصد از یکدیگر تفکیک کند.
در مرحلهای عمیقتر، این مدل توانست گروههای زنبور عسل، زنبور بامبل را با دقت تجمعی ۹۳ درصد شناسایی کند.
در میان پنج گونه بررسیشده، دقت نهایی به ۸۵ درصد رسید. این یعنی برخی گونههای نزدیک هنوز سیستم را دچار اشتباه میکنند، با وجود جداسازی کلی موفق.
این اعداد، روش جدید را امیدوارکننده میسازد، اما برچسبگذاری گونهها همچنان به دادههای آموزشی تخصصی، بررسی دقیق نیاز دارد.
چرا ثبت طولانیتر سیگنال مهم است؟
ثبت طولانیتر بالزدنها، سرنخهای بیشتری در اختیار رایانه قرار میدهد، زیرا حرکت تکراری، الگو را کاملتر میکند.
با دو ثانیه ثبت سیگنال، دقت شناسایی در سطح گونه به ۸۵ درصد رسید؛ برابر با بهترین نتیجه گزارششده.
اما در بازه ۰.۱ ثانیه، دقت به ۷۵ درصد کاهش یافت، زیرا سیگنال جزئیات کافی از بالزدن را ثبت نکرده بود.
بنابراین، دستگاههای میدانی آینده باید بتوانند حشرات را بهاندازه کافی در محدوده حسگر نگه دارند.
ویژگیهای متنوع برای تشخیص بهتر
تحلیل اهمیت ویژگیها نشان داد که تنها سرعت برای شناسایی کافی نیست.
برخی پژواکهای mmWave نشان میدادند که شکل سیگنال با شتابگیری، توقف، پایداری بالها چگونه تغییر میکند.
سرنخهای دیگر نیز باندهای فرکانسی را دنبال میکردند؛ محدودههایی از نرخ سیگنال که انرژی در آنها میان الگوهای مختلف بالزدن توزیع میشد.
این نمایه غنیتر به مدل کمک کرد گونههایی را که از نظر ظاهری مشابه هستند، بهتر از هم جدا کند.
محدودیتهای روش فعلی
محفظههای کوچک باعث میشدند هر حشره نزدیک آنتن باقی بماند و سیگنالهای آزمایشگاهی راحتتر جمعآوری شوند.
اما در پرواز طبیعی، تغییر فاصله، باد، بازتابهای محیطی، عبورهای کوتاه از پرتو رادار در میان برگها، ساقهها چالش ایجاد میکند.
همچنین دادههای آموزشی تنها پنج گونه را پوشش میدادند، بنابراین برای استفاده گسترده باید کتابخانه راداری بزرگتری ایجاد شود.
پژوهشگران تأکید کردند که برخلاف تصاویر بصری، چنین پایگاههای دادهای هنوز وجود ندارند.
آینده شناسایی حشرات با رادار
دستگاههای آینده میتوانند حشرات را از یک مسیر کوتاه عبور دهند، پس از ثبت اطلاعات بدون آسیب آزاد کنند.
ثبتهای منطقهای نیز به مدلها کمک خواهد کرد تا زنبورها، آفات، گونههای مهاجم محلی را بهتر بشناسند.
سختافزارهای ارتباطی موجود هم میتوانند مفید باشند، زیرا شبکههای جدید تلفن همراه از فناوری mmWave برای انتقال داده کوتاهبرد استفاده میکنند.
ارزش واقعی زمانی آشکار میشود که گزارشهای راداری، هویت گونهها را با تغییرات مکانی، فصلی، رفتاری پیوند دهند.
شناسایی بالزدن با رادار، حرکت یک حشره زنده را به نام آن متصل میکند، بدون آنکه آن را به نمونه آزمایشگاهی تبدیل کند.
آزمون بعدی، مقیاسپذیری است؛ زیرا سامانههای میدانی باید گونههای بیشتر، شرایط سختتر، دادههای آموزشی محلی را مدیریت کنند تا مدیران محیطزیست به هشدارهای آن اعتماد کنند.
این مطالعه در نشریه علمی PNAS Nexus منتشر شده است.
جمعبندی
فناوری شناسایی حشرات با رادار و هوش مصنوعی میتواند آینده پایش محیطزیست، حفاظت از گردهافشانها را متحول کند.
