هوشمندی زیر آب: زیر آب چگونه ماهی را دنبال می کنید؟
شما چگونه زیر آب یک ماهی را دنبال می کنید؟"نقشه گوگلی برای پیدا کردن ماهی وجود ندارد.سیگنال های رادیویی که اساس کار سیستم های GPS هستند نمی توانند از آب دریا عبور کنند.اما صدا زیر آب بخوبی عمل می کند.بنابراین در اغلب مواقع دانشمندان از سیستم های صوتی برای تخمین مکان ماهی ها استفاده می کنند.به این منظور آنها فرستنده های صوتی را به ماهی متصل می کنند و توسط شبکه ای از از ایستگاه های گیرنده زیر آب,'کلیک' هایی کوتاهی که این فرستنده ها تولید می کنند را مانیتور می کنند.وقتی ماهی نزدیک گیرنده شنا می کند,صدای کلیک آن بصورت شماره کدی که در هر ماهی منحصر به فرد است ثبت می شود.
دانستن عدم قطعیت شما
حتی با وجود این شبکه فرستنده-گیرنده,هنوز عدم قطعیت زیادی در تخمین مکان ماهی وجود دارد.تا به امروز اکثر محققان از روش های ad-hoc برای تجزیه و تحلیل داده های شان استفاده کرده اند,که به طور معمول مقداری عدم فطعیت در این روش وجود داشته است.
کوین سی.ونگ, مدیر برنامه تحقیقات شیلات دریایی دانشگاه هاووایی در 'مانوا' و عضو هیئت علمی دپارتمان اقیانوس شناسی گفت:"در علم دانستن قطعیت یا عدم قطعیت شما,اغلب هدف نخست است."ما می دانیم که شما با GPS به راحتی می توانید یک گاو, گرگ یا پرنده را با خطای 6 متر پیدا کنید.اما در اعماق اقیانوس, ما از نعمت GPS محروم هستیم.بنابراین دانشمندان دریایی از صدا استفاده می کنند,که نتیجه آن نسبت به GPS از دقت کمتری برخوردار است."
اما دقت چیست؟ مارتین دبلیو. پدرسون, فوق دکترا از دانمارک,در دانشگاه مانوا هاوایی توضیح می دهد:"در سیستم ردیابی مرسوم,به ماهی معمولا مکانی که گیرنده تشخیص داده اختصاص داده می شود,این در حالی است که ماهی ممکن است در هر جایی از محدوده تشخیص گیرنده باشد.و اگر برای مدتی هیچ یک از گیرنده ها صدای ماهی را نشنوند,حتی اگر شبکه در مورد اطلاعات مکان ماهی مردد باشد,هیچ مکانی را به ماهی اختصاص نمی دهد,برای مثال,ما احتمالا می توانیم تخمین بزنیم از آخرین باری که صدای ماهی شنیده شده در یک زمان مشخض ماهی چقدر دور شده است,و همچنین می توانیم مکان هایی را که ماهی در آن نبوده است را حدس بزنیم که ناشی از اطلاعات عدم شناسایی ماهی در آن مکان ها است."
چارچوب های آماری جدید
با بازاندیشی در روش ad-hoc مرسوم, پدرسون و ونگ مدل حالت-فضا جدیدی را برای تجزیه تحلیل اطلاعات حرکتی ماهی ها که توسط شبکه های مشاهده گر دریایی جمع شده را ارٍئه کردند.مدل جدید آنها اخیرا در مجله علمی 'روش ها در بوم شناسی و تکامل' منتشر شد.هدف آن سنجش عدم قطعیت این سیستم مکان یابی ناقص و بهبود دقت آن است.
پدرسن گفت:"روش های قبلی با ماهی, اقیانوس و صوت شناسی در ذهن فرموله بندی نشده بوند.از این رو آنها از همه اطلاعات موجود, از جمله زیست شناسی حداکثر محدوده حرکتی ماهی بهره برداری نمی کردند.
مدل حالت-فضا پدرسن و ونگ برای تخمین حرکات یک ماهی خاص دو بخش است, یک بخش عادات رفتاری ماهی را مدل سازی می کند و مدل تشخیص رفتار ماهی است.
پدرسن گفـت:"این چگونگی حرکت ماهی را به ما می گوید,آیا ماهی در یک خط راست حرکت می کند؟ آیا محدوده خانگی خاصی دارد, یا برای حرکاتش در مرکز توجه است؟"
و بخش دوم مدل احتمال تشخیص ماهی را تخمین می زند--که ترکیبی از احتمال تشخیص,نویز های محیطی, و هر دو وجود و عدم وجود اطلاعات است. وقتی مکان گیرنده ها نزدیک به هم باشد,محققان می توان با کمک آن مکان را مثلث سازی کنند.موقعیت یابی صوتی همانند دکل های مخابرات که مکان موبایل شما را می یابند عمل می کنند:میزان فاصله از موبایل شما(یا فرستنده روی ماهی) به چندین دکل مخابرات(یا گیرنده های صوتی) اندازه گیری می شود.و دایره ای از شعاع آن به دور هر دکل(یا گیرنده) کشیده می شود. وقتی دایره های قطع شد--آن شما(یا ماهی) است.
مدل مشاهده ای همواره از اطلاعات منفی یا تشخیص های ناقص در ترکیب با مدل رفتاری یرای تخمین میزان مساقتی که ماهی از زمانی تشخیص داده نشده است رفته استفاده می کند.پدرسن گفت:"دانستن مکان هایی که ماهی آنجا نبوده است اطلاعات زیادی از مکان هایی که ماهی آنجا بوده است به شما می دهد, با این روش جدیدمان ما می توانیم اطلاعات را مقدار دهی کنیم و به دقت بیشتری برسیم.
آیا این مدل در دنیای واقعی (زیرآب) هم کار می کند؟
محققان برای آزمایش میدانی مدلشان به جزیره گرمسیری و مرجانی پالمیرا در مرکز اقیانوس آرام رفتند--که خانه هزاران ماهی,شیاطین دریا,کوسه ها, وال ها و لاک پشت ها است.
با مانیتور کردن اطلاعات ماهی صخره مرجانی از 51 ایستگاه مشاهده گر زیرآبی در جزیره پالمیرا, پدرسن و ونگ از مدل حالت-فضایشان برای تهیه نقشه برجسته ای که هر برجستگی نمایینده مکان ماهی نسبت به محدوده تخمبن زده خانگی اش بود استفاده کردند.
در طول ساعات روز, مکان های ماهی در بیشترین دقتش در یک منطقه اطمینان 95% برآورد شد.با کاهش دادن عدم قطعیت مکان یابی زیر آب, پدرسن و ونگ امیدوارند محققان و مدیران دریایی اطلاعات بهتری برای حمایت و حفاظت از ماهی های مرجانی و دیگر گونه های در حال خطر فراهم آورند.
ونگ گفت:این مدل به ما کمک می کند که نحوه غذا خوردن,جنس و استراحت آنها را بهتر بفهمیم, در نهایت, اطلاعات حرکتی با دقت بیشتر, به ما کمک می کند که از این گونه ها نگه داری کنیم."
خوبی ؟ چه خبر؟
مطالبت عالیه!