خلیج فارس، به عنوان یک دریای نیمه‌بسته (Semi-enclosed Sea) و کم‌عمق در منطقه‌ای گرم و خشک، یک اکوسیستم دریایی با ارزش اکولوژیکی و اقتصادی فراوان است. این پهنه آبی نه تنها از نظر تنوع زیستی دریایی (مانند آبسنگ‌های مرجانی، بسترهای مانگرو، و انواع ماهی‌ها) غنی است بلکه نقش حیاتی در تأمین منابع غذایی، حمل و نقل دریایی، و صنعت نفت و گاز منطقه ایفا می‌کند. با این حال، خلیج فارس به دلیل موقعیت جغرافیایی و ویژگی‌های اقلیمی منحصربه‌فرد خود، به شدت در برابر فشارهای محیطی، به‌ویژه تغییرات اقلیمی و فعالیت‌های انسانی، آسیب‌پذیر است.

در دهه‌های اخیر، خلیج فارس به عنوان یکی از مناطق با سرعت گرمایش بی‌سابقه در سطح جهان شناسایی شده است (Persian Gulf Environmental Monitoring Project reports, 2020-2023). افزایش دمای سطح آب دریا (Sea Surface Temperature – SST)، تغییر الگوهای جریان اقیانوسی، و نوسانات در شوری و سطح آب، همگی پیامدهای مستقیم تغییرات اقلیمی هستند که پویایی اکوسیستم‌های دریایی را به چالش می‌کشند. از جمله مهم‌ترین و مخرب‌ترین پدیده‌های نوظهور در این بستر، گسترش و تشدید شکوفایی‌های جلبکی مضر (Harmful Algal Blooms – HABs)، که در زبان عامه به “کشند قرمز” نیز معروف‌اند، می‌باشد. HABs، که توسط افزایش ناگهانی و غیرعادی جمعیت فیتوپلانکتون‌های خاص (اغلب دینوفلاژلیت‌ها) ایجاد می‌شوند، می‌توانند منجر به تولید سموم، کاهش شدید اکسیژن در ستون آب (هیپوکسی یا آنوکسیا)، و آسیب گسترده به حیات دریایی، صنعت شیلات، گردشگری و حتی سلامت انسان شوند.

پایش و درک تغییرات فیتوپلانکتون‌ها که پایه‌ی زنجیره غذایی دریایی هستند و شناسایی زودهنگام HABs، برای حفظ سلامت اکوسیستم و پایداری فعالیت‌های اقتصادی در خلیج فارس حیاتی است. رویکردهای سنتی پایش که اغلب محدود به نمونه‌برداری‌های میدانی نقطه‌ای هستند نمی‌توانند وسعت، سرعت و پویایی این پدیده‌ها را به طور مؤثر پوشش دهند. از این رو، نیاز به ابزارهای پیشرفته‌ای که قادر به جمع‌آوری و تحلیل داده‌ها در مقیاس‌های مکانی و زمانی وسیع باشند بیش از هر زمان دیگری احساس می‌شود.

شکوفایی‌های جلبکی مضر (HABs) و پویایی فیتوپلانکتون‌ها در خلیج فارس: چالش‌های اقلیمی و زیستی

پدیده‌های HABs در خلیج فارس سابقه‌ای طولانی دارند اما در سالیان اخیر دفعات، وسعت و شدت آن‌ها به طور چشمگیری افزایش یافته است. شکوفایی گسترده و طولانی‌مدت گونه‌های دینوفلاژلیت خاص در سال‌های ۲۰۰۸-۲۰۰۹، که خسارات هنگفتی به محیط زیست و اقتصاد منطقه وارد کرد، زنگ خطری جدی برای کشورهای حاشیه خلیج فارس بود. این پدیده‌ها علاوه بر تولید سموم (که می‌تواند از طریق زنجیره غذایی به انسان منتقل شود)، منجر به کاهش شدید اکسیژن محلول در آب می‌شوند که اصطلاحاً به آن “مناطق مرده” (Dead Zones) گفته می‌شود. این وضعیت منجر به مرگ و میر گسترده آبزیان (مانند ماهی‌ها و میگوها)، آسیب به آبسنگ‌های مرجانی و بسترهای علف دریایی، و اختلال در فعالیت‌های شیلاتی و آبزی‌پروری می‌شود.

عوامل مؤثر بر HABs در خلیج فارس:

از دیدگاه اقلیم‌شناسی و محیط طبیعی، عوامل متعددی در تشدید پدیده‌های HABs و تغییرات فیتوپلانکتون‌ها در خلیج فارس نقش دارند:

گرمایش دریایی : افزایش دمای سطح آب دریا در خلیج فارس، می‌تواند رشد و تکثیر برخی از گونه‌های فیتوپلانکتون را تسریع بخشد. گونه‌هایی که منجر به HABs می‌شوند، اغلب دماهای بالاتر را تحمل کرده و حتی در این شرایط رشد بهتری دارند. گرم‌تر شدن آب همچنین لایه‌بندی حرارتی ستون آب را تقویت کرده و تبادل اکسیژن و مواد مغذی را کاهش می‌دهد که این خود به ایجاد شرایط هیپوکسیک کمک می‌کند.

افزایش موادمغذی : ورود بیش از حد مواد مغذی (مانند نیترات و فسفات) از طریق فاضلاب‌های شهری، صنعتی، کشاورزی و پساب‌های پالایشگاهی،
به عنوان کاتالیزور اصلی رشد جلبک‌ها عمل می‌کند. با افزایش جمعیت شهرنشینی و توسعه صنعتی در سواحل خلیج فارس، بارگذاری مواد مغذی رو به افزایش است.

تغییر الگوهای جریانی و مخلوط‌سازی آب: تغییرات اقلیمی می‌تواند الگوهای باد و جریان‌های دریایی را تغییر دهد. این تغییرات می‌توانند منجر به تجمع مواد مغذی در مناطق خاصی از خلیج فارس شده یا باعث حفظ جمعیت‌های جلبکی در یک منطقه برای مدت طولانی‌تر شوند.

افزایش شوری و تبخیر: خلیج فارس به طور طبیعی یک دریای با شوری بالاست. گرمایش و کاهش آب شیرین ورودی (از رودخانه‌ها یا بارش)، می‌تواند شوری را باز هم افزایش دهد که بر پویایی گونه‌های فیتوپلانکتون تأثیر می‌گذارد.

ورود گونه‌های غیربومی : در برخی موارد گونه‌های فیتوپلانکتون مضر ممکن است از طریق آب توازن کشتی‌ها به خلیج فارس وارد شده و در شرایط محیطی مساعد، شکوفا شوند.

درک دقیق این تعاملات پیچیده و شناسایی گونه‌های عامل HABs نیازمند پایش مداوم و استفاده از ابزارهای پیشرفته است تا بتوان پیش از وقوع فاجعه، هشدارهای لازم را صادر کرد.

پراکنش کشنده قرمز در خلیج فارس – تنگه هرمز و دریای عرب( خبر آنلاین).

پتانسیل هوش مصنوعی (AI) و سنجش از دور (RS) در پایش سلامت دریایی خلیج فارس

رویکردهای سنتی پایش سلامت دریایی، شامل نمونه‌برداری‌های نقطه‌ای از آب و تحلیل‌های آزمایشگاهی، هرچند دقیق اما محدودیت‌هایی جدی در پوشش زمانی و مکانی دارند. این محدودیت‌ها در مواجهه با پدیده‌هایی مانند HABs که می‌توانند به سرعت گسترش یابند و وسعت زیادی را دربرگیرند چالش‌برانگیز می‌شوند. در اینجا سنجش از دور (RS) و هوش مصنوعی (AI) به عنوان دو ابزار مکمل و قدرتمند، قابلیت‌های بی‌نظیری را برای تحول در پایش سلامت دریایی خلیج فارس ارائه می‌دهند:

الف)نقش سنجش از دور در پایش فیتوپلانکتون و HABs:
تصاویر ماهواره‌ای اقیانوس‌شناسی، اطلاعات حیاتی را از پارامترهای سطح آب دریا در مقیاس‌های گسترده و به صورت تکراری فراهم می‌کنند. این پارامترها شامل:
کلروفیل-a: به عنوان یک پروکسی برای زیست‌توده فیتوپلانکتون و نشانگر اصلی شکوفایی جلبکی. ماهواره‌هایی مانند MODIS, Sentinel-3 (OLCI) و VIIRS قادر به جمع‌آوری داده‌های کلروفیل-a هستند.

دمای سطح آب دریا (SST): یک عامل کلیدی در رشد فیتوپلانکتون و وقوع HABs. ماهواره‌های MODIS, VIIRS و Sentinel-3 (SLSTR) داده‌های SST را با دقت بالا فراهم می‌کنند.
کدورت آب و مواد معلق: شاخص‌هایی که می‌توانند با شکوفایی جلبکی مرتبط باشند.

رنگ آب: تغییر رنگ آب (مثلاً به قرمز یا قهوه‌ای) نشانه‌ی بصری HABs است که از داده‌های طیفی ماهواره‌ای قابل تشخیص است.
شاخص‌های نوری اپتیکی: توسعه شاخص‌های مبتنی بر بازتاب طیفی آب برای تمایز بین انواع جلبک‌ها و شناسایی گونه‌های عامل HABs.

داده‌های RS امکان پایش روزانه یا چند روزه، شناسایی مناطق مستعد HABs، ردیابی مسیر حرکت آن‌ها و تخمین وسعت و شدت شکوفایی‌ها را فراهم می‌کنند. این پایش مستمر، برای یک سیستم هشدار زودهنگام بسیار حیاتی است.

ب) نقش هوش مصنوعی در شناسایی زودهنگام HABs و تحلیل فیتوپلانکتون‌ها:
حجم عظیم و پیچیدگی داده‌های ماهواره‌ای اقیانوس‌شناسی، تحلیل دستی آن‌ها را عملاً غیرممکن می‌سازد. در اینجاست که هوش مصنوعی وارد عمل می‌شود. الگوریتم‌های یادگیری ماشین (ML) و یادگیری عمیق (DL) قادرند که موارد زیر را سریع و با سرعت بالا انجام دهند:

کشف الگوهای پنهان: AI می‌تواند الگوهای پیچیده و غیرخطی را در داده‌های چندبعدی ماهواره‌ای (کلروفیل-a، کدورت،sst و باندهای طیفی) و داده‌های محیطی (مواد مغذی، شوری، جریان‌ها) شناسایی کند که با روش‌های آماری سنتی دشوار است.

طبقه‌بندی و تشخیص: الگوریتم‌هایی مانند Support Vector Machines (SVM), Random Forests (RF) و Deep Neural Networks (DNNs) می‌توانند تصاویر ماهواره‌ای را برای تشخیص وجود HABs و حتی تمایز بین گونه‌های جلبکی مختلف (در صورت وجود داده‌های آموزشی کافی) طبقه‌بندی کنند.

پیش‌بینی زمانی-مکانی: AI می‌تواند با تحلیل سری‌های زمانی داده‌ها، زمان و مکان احتمالی وقوع HABs را با چند روز یا هفته تاخیر پیش‌بینی کند. مدل‌های یادگیری عمیق مبتنی بر Convolutional Neural Networks (CNNs) و Recurrent Neural Networks (RNNs) می‌توانند الگوهای فضایی و زمانی را در داده‌های ماهواره‌ای یاد گرفته و مدل‌های پیش‌بینانه قوی ایجاد کنند.

ترکیب داده‌ها : AI به طور مؤثر می‌تواند داده‌های مختلف (ماهواره‌ای، میدانی، هواشناسی، اقیانوسی) را ترکیب کرده و یک مدل جامع‌تر و دقیق‌تر برای پایش سلامت دریایی ارائه دهد. این ترکیب داده‌ها به EWS( سیستم هشدار زودهنگام) امکان می‌دهد تا با یک دیدگاه کل‌نگرتر، مخاطره را ارزیابی کند.
تشخیص ناهنجاری : AI می‌تواند تغییرات غیرعادی در پارامترهای دریایی را که ممکن است نشانه‌ای اولیه از شروع یک HAB باشند، شناسایی کند.

برآورد میزان کلروفیل -a در سطح آب خلیج فارس و دریای عمان با اعمال شاخص های دورسنجی بر روی تصاویر ماهواره ای مودیس.

یک چارچوب پیشنهادی برای EWS مبتنی بر AI در خلیج فارس: نگرش اقلیم‌شناسی

برای توسعه یک سیستم هشدار زودهنگام مؤثر برای HABs و پایش پویایی فیتوپلانکتون‌ها در خلیج فارس، یک چارچوب یکپارچه مبتنی بر AI و RS با نگرش اقلیم‌شناسی پیشنهاد می‌شود:

الف) پایش مداوم و جمع‌آوری داده‌ها:
داده‌های ماهواره‌ای: جمع‌آوری مستمر و تقریباً لحظه‌ای داده‌های کلروفیل-a، کدورت، sst و رنگ آب از ماهواره‌های با توانایی بالا (مانند Sentinel-3 OLCI/SLSTR, MODIS, VIIRS). این داده‌ها باید به صورت روزانه یا هر چند روز یکبار برای پوشش کامل خلیج فارس جمع‌آوری و پیش‌پردازش شوند.

داده‌های اقلیمی و هواشناسی: ادغام داده‌های مربوط به شرایط آب و هوایی (دمای هوا، سرعت و جهت باد، بارش) و شرایط اقیانوسی (جریان‌های دریایی، ارتفاع موج، شوری) از مدل‌های عددی (مثلاً مدل‌های پیش‌بینی آب و هوا و اقیانوس) و حسگرهای ساحلی/دریایی.

داده‌های ورودی مواد مغذی: در صورت امکان، داده‌های مربوط به ورود مواد مغذی از رودخانه‌ها و منابع زمینی (فاضلاب‌ها) به عنوان یک عامل مهم در مدل لحاظ شود.

داده‌های میدانی تاریخی و بلادرنگ: استفاده از سوابق تاریخی HABs و نمونه‌برداری‌های میدانی (کلروفیل-a و شناسایی گونه‌ها) برای آموزش و اعتبارسنجی مدل AI و همچنین به عنوان داده‌های تأییدکننده برای هشدارهای بلادرنگ.

ب) استخراج ویژگی‌ها و شاخص‌های اقلیمی-دریایی:
از داده‌های خام، ویژگی‌هایی مانند نرخ تغییر SST، تغییرات فصلی و سالانه کلروفیل-a، انحراف معیار دما/کلروفیل از میانگین بلندمدت، آنومالی و شاخص‌های مبتنی بر رنگ آب استخراج می‌شوند.
شاخص‌های ترکیبی که تأثیر هم‌زمان چندین عامل اقلیمی (دما، جریان، شوری) و زیستی (کلروفیل-a) را نشان می‌دهند، می‌توانند برای مدل AI توسعه یابند.

ج) مدل‌سازی هوش مصنوعی برای شناسایی و پیش‌بینی:
آموزش مدل‌های یادگیری عمیق (Deep Learning): یک شبکه عصبی پیچشی (CNN) می‌تواند برای تحلیل الگوهای فضایی در تصاویر ماهواره‌ای و تشخیص HABs آموزش داده شود. برای پیش‌بینی‌های زمانی، می‌توان از معماری‌های ترکیبی مانند ConvLSTM (که CNN و LSTM را ترکیب می‌کند) استفاده کرد تا الگوهای فضایی-زمانی را در داده‌ها یاد بگیرد.

متغیر هدف : متغیر هدف برای آموزش مدل می‌تواند به صورت دودویی (حضور/عدم حضور HAB) یا چند کلاسه (شدت HAB) و همچنین با شناسایی گونه‌های عامل (در صورت دسترسی به داده‌های آموزشی گونه‌ای) تعریف شود.

بهینه‌سازی و اعتبارسنجی: مدل با استفاده از داده‌های تاریخی و تکنیک‌های اعتبارسنجی متقابل (مانند اعتبارسنجی مکانی-زمانی) بهینه و ارزیابی می‌شود تا از عملکرد قوی آن اطمینان حاصل شود.

د) توسعه سیستم هشدار زودهنگام و رابط کاربری:
سطوح هشدار: بر اساس خروجی‌های مدل AI (احتمال وقوع HAB، وسعت و شدت احتمالی)، سطوح هشدار مختلف (مثلاً: پایش، هشدار اولیه، هشدار جدی) تعریف می‌شوند.
سیستم اطلاع‌رسانی: هشدارهای تولید شده باید از طریق یک پلتفرم کاربرپسند (مثلاً یک پورتال وب یا اپلیکیشن موبایل) به سازمان‌های ذی‌ربط (سازمان حفاظت محیط زیست، سازمان شیلات، اداره بنادر و دریانوردی) و عموم مردم (در صورت لزوم) ارسال شود.
قابلیت نمایش مکانی: نقشه‌های زمان واقعی از مناطق درگیر HABs یا مناطق با پتانسیل بالای خطر، باید به صورت بصری و قابل فهم در اختیار کاربران قرار گیرد.

نتیجه‌گیری و چشم‌انداز آینده:
گرمایش جهانی و تغییرات اقلیمی، آسیب‌پذیری اکوسیستم‌های دریایی نظیر خلیج فارس را در برابر پدیده‌هایی چون شکوفایی جلبکی مضر (HABs) افزایش داده است. این یادداشت علمی نشان داد که با ادغام هوش مصنوعی و سنجش از دور می‌توان یک سیستم هشدار زودهنگام (EWS) مؤثر و کارآمد برای پایش سلامت دریایی و شناسایی زودهنگام HABs و تغییرات فیتوپلانکتون‌ها در خلیج فارس ایجاد کرد. این رویکرد فناورانه، چالش‌های مربوط به محدودیت‌های پایش سنتی را برطرف کرده و به تصمیم‌گیرندگان امکان می‌دهد تا واکنش‌های سریع و مبتنی بر داده را برای کاهش پیامدهای زیست‌محیطی و اقتصادی این پدیده‌ها اتخاذ کنند.
در آینده، توسعه این سیستم می‌تواند با ادغام داده‌های ژنومی برای شناسایی دقیق‌تر گونه‌های عامل HABs، استفاده از مدل‌های پیش‌بینی اقلیمی با تفکیک بالا برای پیش‌بینی تغییرات بلندمدت در پویایی فیتوپلانکتون‌ها، و همچنین توسعه مدل‌های اقتصادی-اجتماعی برای ارزیابی جامع‌تر خسارات و منافع، همراه باشد. پیاده‌سازی یک EWS هوشمند و بلادرنگ برای خلیج فارس، گامی حیاتی در جهت حفاظت از این اکوسیستم با ارزش در برابر تهدیدات رو به رشد تغییرات اقلیمی و فعالیت‌های انسانی است.

منابع:

۱- م. قائمی و همکاران.( ۲۰۲۱)
توزیع مکانی مواد مغذی و کلروفیل a در خلیج فارس و دریای عمان مدیریت ساحل اقیانوس.
۲- م.ح.سیدجوادی و همکاران ( ۲۰۲۵)
پیش‌بینی شکوفایی جلبکی مضر در خلیج فارس و دریای عمان با استفاده از هوش مصنوعی و سنجش از دور.