همایش ملی احیای بوم‌شناختی بر پایه طبیعت با تاکید بر زنبورعسل

چکیده مقاله

زنبورعسل به عنوان یکی از مهم‌ترین گرده‌افشان‌ها، نقش کلیدی در پایداری اکوسیستم¬ها و امنیت غذایی دارد، اما روش‌های سنتی پایش کلنی‌ها به دلیل بازدیدهای دوره‌ای و مداخله‌گر، توانایی ثبت پیوسته و کمّی تغییرات رفتاری و فیزیولوژیکی کلنی را ندارند و تشخیص دیرهنگام مشکلات، سالانه منجر به تلفات گسترده می‌شود. هدف این پژوهش، بررسی پتانسیل داده‌های حاصل از سامانه‌های پایش هوشمند در مدل‌سازی بوم‌شناختی کلنی‌های زنبورعسل و ارائه چارچوبی برای بهره‌برداری از این داده‌ها در مدیریت احیای طبیعت است. این مطالعه با رویکرد مرور نظام‌مند و جستجوی کلیدواژه‌های تخصصی در پایگاه‌های داده معتبر در بازه ۲۰۱۵ تا ۲۰۲۵ انجام شد و از میان ۲۶۴ مقاله اولیه، ۴۲ مقاله مرتبط با پایش هوشمند، یادگیری ماشین و مدل‌سازی بوم‌شناختی انتخاب و تحلیل شدند. یافته‌ها نشان می‌دهد که داده‌های وزنی با دقت ۱۰ گرم، قابلیت محاسبه شاخص بهره‌وری شهد و پیش‌بینی روند تغییرات وزن را دارند و داده‌های صوتی با استفاده از الگوریتم‌های یادگیری عمیق، وضعیت کلنی را با دقت بالای ۹۸ درصد تشخیص می‌دهند. تلفیق داده‌های چندحسگری نیز دقت پیش‌بینی را نسبت به تک‌حسگری بهبود می‌بخشد. بر اساس این یافته‌ها، مدل‌سازی بوم‌شناختی در چهار سطح کلنی، زنبورستان، تعامل زنبور-گیاه و اکوسیستم قابل پیاده‌سازی است که هر سطح، افق دید وسیع‌تری برای مدیریت و برنامه‌ریزی احیای طبیعت فراهم می‌کند. با وجود چالش‌هایی مانند هزینه تجهیزات، محدودیت‌های زیرساختی و کمبود داده‌های بومی، بومی‌سازی این فناوری با حمایت نهادهای مسئول و توانمندسازی زنبورداران امکان‌پذیر است و می‌تواند گامی مؤثر در کاهش تلفات کلنی‌ها و تحقق اهداف توسعه پایدار باشد.

کلمات کلیدی:

پایش هوشمند، کلان‌داده، مدل‌سازی بوم‌شناختی، یادگیری ماشین، زنبورداری دقیق