التعرّف الفردي وتقدير الحجم السكاني للعفريت الجبلي المصفر البقع (Neurergus derjugini) باستخدام التعلم العميق

لماذا تهم العفاريت الجبلية الصغيرة

في أعالي جداول جبال زاغروس بإيران يعيش برمائي صغير ومهدد بالانقراض: العفريت الجبلي المصفر البقع. مثل العديد من الضفادع والسمندل في العالم، أعداده مهددة بالتلوث وفقدان الموائل وتغير المناخ. لحماية مثل هذا النوع الهش، يحتاج العلماء إلى معرفة عدد الأفراد وما إذا كانت أعدادهم تتناقص أو تتعافى—إلا أن التقنيات التقليدية لوضع علامات على الأفراد وتعقبهم قد تضر بالكائنات التي تهدف إلى إنقاذها. تُظهر هذه الدراسة كيف أن صور الهواتف الذكية العادية، مقترنة بالذكاء الاصطناعي الحديث، يمكن أن تتعرّف إلى العفاريت الفردية من أنماط بقعها الفريدة وتقدّر عددها بطريقة لطيفة ومن دون ملامسة.

من علامات ضارة إلى صور غير مؤذية

اعتمد علماء الحفاظ على المدى الطويل على طرق مثل قص الأصابع، وزرع شرائح صغيرة، أو أساور ملونة لتمييز الحيوانات عبر الزمن. على الرغم من فعالية هذه الأساليب، إلا أنها قد تكون مؤلمة، ومرهقة، وغير عملية للبرمائيات الصغيرة الحساسة التي تواجه بالفعل تهديدات عديدة. سعى الباحثون في هذه الدراسة إلى استبدال هذه الطرق الغازية بتقنية تصوير بسيطة. تمتلك العفاريت الجبلية المصفرّة البقع بطبيعة الحال معطفًا مميزًا من البقع الصفراء الزاهية على جلد داكن، يشبه بصمة الإصبع أو كوكبة في السماء. من خلال تصوير هذه الأنماط بعناية في البرية، هدف الفريق إلى بناء نظام يمكنه التعرف على كل حيوان بصريًا وتعقبه عبر عمليات المسح المتكررة.

تحويل البقع إلى بيانات

عمل الفريق عند جدول جبلي معروف كمكان تكاثر نشط، ونجحوا في التقاط 549 عفريتًا بالغًا خلال موسم 2024. وُضع كل حيوان لفترة وجيزة داخل صندوق تصوير أبيض صغير، مُضاء بضوء طبيعي ناعم، وتم تصويره من الأعلى بهاتف ذكي عادي. ثم أُعيدت العفاريت إلى نفس الموضع الذي وُجدت فيه. في المختبر، استخدم العلماء أولًا خطوات معالجة الصور الكلاسيكية «لتعليم» الحاسوب ما يُعتبر بقعة صفراء وما هو خلفية. عن طريق تحويل الصور الملونة إلى شكل يُبرز الصبغة والسطوع، وإزالة الضجيج البصري، تمكنوا من قياس عدد البقع لكل عفريت، ومدى كبرها واستدارتها، ونسبة تغطيتها لجسم الحيوان. هذه الطريقة الهندسية وحدها اكتشفت البقع بشكل صحيح في حوالي تسع حالات من كل عشر، حتى عندما قُصّت الصور للتركيز على الرأس أو الجذع فقط.

كيف يتعلم الذكاء الاصطناعي «وجهًا»

للذهاب أبعد من عدّ البقع والتعرّف على الأفراد فعليًا، لجأ الباحثون إلى التعلم العميق، وهو شكل من أشكال الذكاء الاصطناعي مستوحى من كيفية معالجة العُقول للمعلومات البصرية. درّبوا ثلاث شبكات عصبية تلافيفية مختلفة—نماذج حاسوبية تتفوق في التعرف على الصور—باستخدام صور العفاريت وهوياتها المعروفة. من دون أن تُخبرها ما الميزات المحددة التي تبحث عنها، تعلّمت هذه الشبكات التمييز بين الفروق الطفيفة في ترتيب وشكل البقع الصفراء. أدت النماذج الثلاثة أداءً مبهراً، حيث حدّدت كل عفريت تقريبًا بشكل صحيح، وبلغ أداء أفضل شبكة أكثر من 99% دقة. عمل النظام بشكل جيد خصوصًا عندما حلّل كلًا من الرأس والجذع معًا، مما يقترح أن دمج مناطق جسمية متعددة يمنح الذكاء الاصطناعي «دلالات» أكثر موثوقية لمعرفة من هو من.

عدّ مجموعة مخفيّة

التعرّف الفردي قوي لأنه يفتح أداة بيئية كلاسيكية تسمى العلامة–إعادة القبض، حيث تُكتشف الحيوانات في الزيارة الأولى وتُـ«علّم» ثم يُبحث عنها مرة أخرى لاحقًا. بدلاً من العلامات المادية، استخدمت هذه الدراسة مطابقة الصور من نظام التعلم العميق كعلامات افتراضية. في مسحين تفصل بينهما 13 يومًا، صوّر الفريق 332 عفريتًا في المرة الأولى و217 في المرة الثانية، مكتشفين 65 فردًا ظهروا في كلا المجموعتين من الصور. إدخال هذه الأرقام في صيغة معيارية أنتج تقديرًا محليًا لسكان يمثل حوالي 1,100 عفريت جبلي مصفر البقع في الجدول. بينما يحمل هذا الرقم بعض عدم اليقين—يمكن أن تتحرك الحيوانات فعليًا داخل المنطقة وخارجها—إلا أنه يقدم لقطة غير جراحية لعدد الموجودين ويوفر خط أساس لتتبع التغيرات المستقبلية.

ما الذي يعنيه هذا لحفظ الأنواع

لغير المتخصص، الرسالة الأساسية بسيطة: باستخدام الصور والذكاء الاصطناعي بدلًا من المشارط والعلامات، يمكن للعلماء رعاية الحيوانات الضعيفة مع مخاطر أقل بكثير لإيذائها. في هذه الحالة، تصبح البقع الصفراء الفريدة للعفريت الجبلي رمزًا طبيعيًا يمكن للحاسوب قراءته بدرجة موثوقية ملحوظة. يمكن أن يُنشر هذا النهج السريع ومنخفض التكلفة باستخدام هواتف ذكية وحواسيب محمولة في مواقع ميدانية نائية، مما يساعد علماء الحفظ على مراقبة البرمائيات المهددة مع ارتفاع درجات الحرارة وتغير الموائل. بخلاف هذا النوع الواحد، تقدم الدراسة مخطط عمل لاستخدام تقنيات التعرف على الصور الحديثة لحماية مجموعة واسعة من الكائنات الخجولة والهشة التي قد تعتمد بقاؤها على أن تُرى—ولكن لا تُلمَس—من قِبل الأشخاص الذين يحاولون حمايتها.

الاستشهاد: Rahmdel, Z., Vaissi, S., Faramarzi, P. et al. Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini). Sci Rep 16, 6475 (2026). https://doi.org/10.1038/s41598-026-36092-2

الكلمات المفتاحية: حفظ البرمائيات, التعرّف بالصور, التعلم العميق, مراقبة السكان, الأنواع المهددة بالانقراض