دانشمندان در جستجوی یک جفت برای تنهاترین درخت جهان

فرادید: تنهاترین درخت جهان به لطف هوش مصنوعی (AI) ممکن است به زودی جفت پیدا کند. 

سیکاد یا نخلی سرخس‌سانان نوع اولیه‌ای از گیاهان دانه‌ای، نخستین بار حدود ۳۰۰ میلیون سال پیش، قبل از پرسه زدن دایناسورها روی زمین، پدیدار شد. در سیکادها، ساختارهای تولیدمثلی نر و ماده به نام مخروط توسط گیاهانِ جداگانه تولید می‌شوند.

با این حال، E. woodii نیز از طریق شاخه‌های نورسته تکثیر می‌شود، به این معنا که گیاه مادر شاخه‌هایی را توزیع می‌کند که به سایر گیاهان بالغ تبدیل می‌شوند. در قرن بیستم، گیاه‌شناسان برخی از این شاخه‌ها را برداشتند و به برخی از تنه‌های اصلی درخت نر تنها در آفریقای جنوبی پیوند زدند. این کار سبب پیدایش حدود ۵۰۰ گیاه مجزا شده که در باغ‌های گیاه‌شناسی سراسر جهان زندگی می‌کنند.

با این حال، تولیدمثل جنسی برای زیست‌پذیری طولانی‌مدت گونه ضروری است. دانشمندان برای کمک به شاخه‌های نر در یافتن جفت، بر فراز جنگل‌های بومی دورافتاده و غیرقابل دسترس سیکاد پهپادهایی را به پرواز درآوردند.

سپس از الگوریتم‌های هوش مصنوعی برای جستجوی تصاویر بصری گرفته شده توسط پهپاد استفاده کردند. لورا سینتی، از بنیانگذاران C-LAB (یک گروه علمی و هنری) و یکی از محققان دانشگاه ساوث‌هَمپتون در انگلیس، گفته: «رویکرد پروژه ما برای استفاده از هوش مصنوعی روی شناسایی بصری سیکادها متمرکز است که وقتی از بالا به آن‌ها نگاه کنیم شبیه درختان خرما هستند. در آغاز، ما مدل‌های تشخیصی را اتخاذ کردیم که به طور معمول در صنعت روغن نخل برای شمارش درختان نخل، از آنها استفاده می‌شود، اما برای بهینه‌سازی آن برای دیدگاه خاص خودمان و شکل منحصربه‌فرد سیکادها، الگوریتم‌های تشخیص تصویر خودمان را آموزش دادیم.»

بررسی‌های سال‌های ۲۰۲۲ و ۲۰۲۴، هزاران تصویر را از ۷۹ هکتار از ۴۰۰۰ هکتار جنگل Ngoye ثبت کردند. دوربین‌های پهپاد تصاویری را در پنج طول موج به امید شناسایی نشانه‌های طیفی منحصربه‌فرد سیکادها ثبت کردند و تشخیص آن‌ها را از درختان اطراف آسان‌تر کردند. سینتی گفت: «ما ویژگی‌های زیست‌محیطی را برای هدف‌گیری استراتژیک مناطقی که احتمالاً سیکادها در آن‌ها یافت می‌شوند، از لبه‌های جنگل شروع کردیم، جایی که E. woodii کشف شد.» بررسی‌های قبلی توسط دانشمندان دیگر بی‌نتیجه بود. 

سینتی با اشاره به اینکه محققان، هزاران تصویر را از طریق YOLOv8 نشان دادند (یک مدل بینایی کامپیوتری که در وظایف تشخیص تصویر از آن استفاده می‌شود) گفت: «یک سیستم هوش مصنوعی مولد جداگانه، با قرار دادن سیکادها در محیط‌های مختلف، نقشه‌های مصنوعی ایجاد کرد تا توانایی مدل را در تشخیص سیکادها در زمینه‌های مختلف بهبود ببخشد.» آن‌ها این مدل را با استفاده از طیف وسیعی از عکس‌های گونه‌های مختلف سیکاد آموزش دادند و آن‌ها را در سایبان‌هایی قرار دادند که به‌ صورت دیجیتالی تولید شده بود تا به برنامه آموزش دهند هدفشان از بالا چگونه به نظر می‌رسد. 

زمین تپه‌ای و پوشش ابری، تجزیه و تحلیل تصاویر را بسیار دشوار کرد، بنابراین این تیم قصد دارد به اصلاح مدل ادامه دهد. 

سپس کاندیداهای امیدوارکننده را می‌توان با عبورهای نزدیکتر پهپاد بررسی کرد. سینتی گفت: «ما می‌توانیم با استفاده از دید اول شخص برخی از این پهپادها را راهنمایی کنیم تا بتوانیم کار مسیریابی را دقیق‌تر انجام دهیم و نماهای نزدیک داشته باشیم. با این حال، به عنوان گام نهایی، همیشه راستی‌آزمایی زمینی برای تأیید یافته‌ها ضروری است.» 

اگر درخت ماده‌ای را مکان‌یابی کنیم، احتمالاً آن را از طبیعت خارج می‌کنیم. در حالت ایده‌آل، این درخت مخروط تولید می‌کند. در محیط‌های کنترل‌شده، گرده‌افشانی را می‌توان به صورت طبیعی یا مصنوعی مدیریت کرد. زمانی که بذرها تولید شوند، برای اطمینان از رشد سالم، با دقت کاشته می‌شوند. هدف نهایی، تولید نهال‌های بارور و سالم است که می‌توانند دوباره به زیستگاه بومی خود بازگردانده شوند.