بزرگنمايي:

سیاست و بازاریابی - ایسنا / دکتر اسماعیل پاریزی از محققان دانشگاه تهران امروز در نشست علمی و تخصصی روز ملی خلیج فارس با ارائه سخنرانی خود با عنوان «مکان‌یابی بهینه مناطق مستعد توسعه جنگل‌های مانگرو» به بررسی چالش‌ها و روش‌های علمی توسعه این جنگل‌ها در سواحل جنوبی ایران پرداخت و گفت: جنگل‌های مانگرو مجموعه‌ای از درختان و درختچه‌های چوبی هستند که عمدتاً در نواحی بین جزر و مدی سواحل مناطق گرمسیری و نیمه‌گرمسیری یافت می‌شوند و توانایی رشد در شرایط سختی مانند شوری بالا و دمای زیاد را دارند.
پاریزی افزود: با وجود سرمایه‌گذاری مالی و فنی قابل توجه در سطح جهانی، در برخی پروژه‌های ضعیف طراحی‌شده، مانند نمونه‌هایی در فیلیپین که در آنها کاشت در نواحی نامناسب و با گونه‌های نامناسب انجام شده است، میزان تلفات بسیار بالا بوده و در برخی موارد نرخ بقا به کمتر از ۲۰ درصد رسیده است.
وی ادامه داد: مشکلات مشابهی در غرب آفریقا، جنوب چین، سریلانکا و همچنین در سواحل شمالی خلیج فارس گزارش شده است. برای نمونه دکتر محمودی و همکارانش با بررسی پروژه‌های احیای جنگل‌های مانگرو در سواحل جنوبی ایران نشان دادند که ۷۶ درصد از عرصه‌های کاشت از بین رفته‌اند و مناطق احیاشده نیز با کاهش متوسط حدود ۴۴ درصدی در تراکم مواجه شده‌اند.
بازار
این محقق با بیان اینکه این تجربیات نشان می‌دهد که انتخاب دقیق و علمی محل کاشت برای جنگل‌کاری و احیای مانگروها بسیار ضروری است، یادآور شد: برای افزایش موفقیت و پایداری جنگل‌ها لازم است عوامل متعدد محیطی و انسانی در قالب چارچوب‌های مدل‌سازی قوی و به‌روز مورد استفاده قرار گیرد. در سال‌های اخیر روش‌های یادگیری ماشین در مدل‌سازی انتخاب زیستگاه رواج پیدا کرده‌اند و اغلب توان پیش‌بینی بالاتری نسبت به روش‌های تجربی دارند، زیرا قادرند الگوهای غیرخطی و تعداد زیادی از متغیرها را به‌طور همزمان پردازش کنند و ترکیب پیچیده عوامل مؤثر بر زیستگاه‌ها را بهتر نشان دهند.
وی افزود: با استفاده از داده‌های پراکنش فعلی جنگل‌های مانگرو و متغیرهای کنترلی مانند شیب، ارتفاع و سایر عوامل محیطی، مدل‌های یادگیری ماشین می‌توانند نقشه‌های دقیقی از مناطق مناسب برای جنگل‌کاری با دقت مکانی بالا تولید کنند.
پاریزی اضافه کرد: در دو مطالعه کاربردی در سال‌های ۲۰۲۲ و ۲۰۲۵، مدل جنگل تصادفی (Random Forest) در مقایسه با سایر الگوریتم‌ها برای برآورد تناسب و پتانسیل احیای جنگل‌های مانگرو، بالاترین دقت و کارایی را نشان داده است. این مدل‌های داده‌محور، به‌ویژه زمانی که مجموعه داده‌های گسترده در دسترس باشد، می‌توانند الگوهای پیچیده را شناسایی کنند و نشان دهند که جنگل‌های مانگرو در کجا احتمالاً با موفقیت استقرار می‌یابند و در چه مناطقی با چالش روبه‌رو خواهند شد.
این محقق دانشگاه تهران افزود: با وجود کارایی بالای این مدل‌ها، دو چالش اساسی نیز وجود دارد. نخست حساسیت عملکرد مدل به تنظیم پارامترها است که برای حل آن از روش‌هایی مانند الگوریتم ژنتیک، جست‌وجوی شبکه‌ای، روش‌های اصلاح خطا و بهینه‌سازی ازدحام ذرات (PSO) استفاده می‌شود. روش PSO به‌ویژه برای الگوریتم‌های پیچیده‌ای مانند XGBoost و CatBoost که دارای پارامترهای متعدد هستند، بسیار کارآمد گزارش شده است.
پاریزی ادامه داد: چالش دوم در مدل‌های یادگیری ماشین، ماهیت «جعبه سیاه» این مدل‌ها است؛ به این معنا که اگرچه دقت بالایی در پیش‌بینی دارند، اما به‌طور دقیق نشان نمی‌دهند هر پارامتر تا چه اندازه و با چه نوع تأثیری در شکل‌گیری جنگل‌های مانگرو نقش دارد. بر اساس داده‌های Global Mangrove Watch نسخه ۴، وسعت جنگل‌های مانگرو در سواحل شمالی خلیج فارس و دریای عمان حدود ۱۱۱ کیلومتر مربع است که در چهار استان جنوبی کشور پراکنده شده‌اند.
وی با بیان اینکه از این مقدار تنها ۲.۶ کیلومتر مربع در استان‌های خوزستان و بوشهر قرار دارد، در حالی که استان‌های هرمزگان و سیستان و بلوچستان به ترتیب ۱۰۳ و ۵.۳ کیلومتر مربع از این جنگل‌ها را در بر می‌گیرند.
پاریزی افزود: به دلیل وسعت بسیار کم جنگل‌های مانگرو در خوزستان و بوشهر که عمدتاً ناشی از شرایط نامناسب طبیعی و انسانی مانند شیب تند سواحل یا فشارهای صنعتی است، این دو استان از محدوده پژوهش حذف شدند.
وی با بیان اینکه در مناطق مورد مطالعه دو گونه اصلی مانگرو شامل Avicennia marina و Rhizophora mucronata حضور دارند که گونه اول، گونه غالب منطقه به شمار می‌رود، گفت: بررسی‌ها نشان می‌دهد که بین سال‌های ۱۹۸۶ تا ۲۰۱۷ در ذخیره‌گاه زیست‌کره مانگرو در نزدیکی جزیره قشم، تغییر شرایط اقلیمی از حالت مرطوب به خشک موجب شده روند گسترش زیستگاه‌های مانگرو به سمت تخریب قابل توجه تغییر کند.
پاریزی افزود: علاوه بر تغییر اقلیم، عواملی مانند کاهش ورودی آب شیرین از بالادست، برداشت برگ، تردد قایق‌های گردشگری و خطر آلودگی نفتی نیز فشار زیادی بر این اکوسیستم‌ها وارد کرده‌اند. محدوده مطالعه این پژوهش از غرب استان هرمزگان آغاز شده و تا شرق استان سیستان و بلوچستان امتداد دارد.
وی ادامه داد: در مرحله نخست برای شناسایی و نمونه‌برداری، با رزولوشن ۱۰ متر و فاصله ۱۰۰ متر در محدوده سه کیلومتری خط ساحلی، ۵۱۹۷ نقطه به‌عنوان مانگرو انتخاب شد و برای تعیین نقاط غیرمانگرو نیز تعداد مشابهی نمونه در خارج از محدوده جنگل‌ها ثبت شد. در مجموع ۱۰ هزار و ۳۹۴ نمونه مکان‌مرجع برای مدل‌سازی گردآوری شد که از این میان ۷۰ درصد برای آموزش مدل و ۳۰ درصد برای آزمون مورد استفاده قرار گرفت. عوامل مؤثر اولیه در این پژوهش شامل عوامل اقلیمی، بایوفیزیکی، هیدرولوژیک، خاک، توپوگرافی، فشار انسانی و فاصله از خط ساحلی بودند.
پاریزی یادآور شد: نتایج نشان داد تقریباً تمامی مدل‌ها در مرحله آزمون دقت بسیار بالایی در شناسایی مناطق مناسب برای جنگل‌های مانگرو داشتند و دلیل این دقت بالا نیز تعداد زیاد نمونه‌ها، استفاده از مجموعه گسترده‌ای از پارامترهای محیطی و بهره‌گیری از روش‌های بهینه تنظیم مدل بوده است. نقشه‌های حاصل از مدل‌سازی نشان می‌دهد که مناطق مستعد کاشت جنگل‌های مانگرو عمدتاً در اطراف بندر خمیر، شمال‌غرب قشم، جنوب‌غرب میناب، جنوب‌غرب بندر سیریک، شرق جاسک و شرق چابهار قرار دارند.
پاریزی گفت: نتایج تحلیل اهمیت متغیرها نشان داد که شاخص NDMI مهمترین عامل در شکل‌گیری جنگل‌های مانگرو است و پس از آن میزان رس خاک نقش مهمی دارد، به‌طوری‌که در مناطقی که مقدار رس خاک بیشتر است، شرایط برای رشد و استقرار جنگل‌های مانگرو مناسب‌تر گزارش شده است. پارامتر ارتفاع نیز یکی دیگر از عوامل تأثیرگذار بر موفقیت جنگل‌کاری مانگرو است که نتایج مدل‌سازی یادگیری ماشین میزان اثرگذاری آن را مشخص می‌کند. اما این مدل‌ها تنها نشان می‌دهند هر پارامتر چقدر روی نتیجه تأثیر دارد و قادر نیستند توضیح دهند که این تأثیر به صورت مثبت است یا منفی. علاوه بر این، محدودیت دیگر مدل‌های یادگیری ماشین این است که تنها یک عدد کلی برای هر پارامتر گزارش می‌کنند و عدم شفافیت این مدل‌ها موجب می‌شود که محیط آن‌ها به‌عنوان «جعبه سیاه» شناخته شود.
پاریزی گفت: نتایج اعتبارسنجی و مقایسه مدل‌ها تأیید کرد که هر 6 مدل یادگیری ماشین، عملکرد قوی و قابل اعتمادی برای شناسایی مناطق مناسب کاشت جنگل‌های مانگرو دارند. چارچوب ارائه‌شده در این پژوهش 6 منطقه اصلی مناسب برای جنگل‌کاری مانگرو را شناسایی کرده و راهنمای روشن و دقیقی برای برنامه‌ریزی هدفمند فرآیند احیا ارائه می‌دهد. استفاده از ابزارهای پیشرفته‌ای مانند SHAP در کنار مدل‌های یادگیری ماشین، پیش‌بینی‌های دقیق اما غیرشفاف را به بینش‌های قابل تفسیر تبدیل می‌کند و نشان می‌دهد که مقادیر بالای NDVI (شاخص تفکیک‌پذیری گیاهان)، NDWI (شاخص رطوبت نرمال‌شده) و مقدار رس خاک، احتمال موفقیت در احیای جنگل‌های مانگرو را افزایش می‌دهند.