محمود بیات

عضو هیئت علمی بخش تحقیقات جنگل، مؤسسه تحقیقات جنگلها و مراتع کشور

تاکنون، تعاریف گوناگونی از هوش مصنوعی ارائه شده است. به‌‌طور کلی، هوش مصنوعی را می‌‌­توان به‌عنوان توانایی رایانه‌ها براي انجام کارهاي فکري که توسط انسان انجام می‌‌گیرد، تعریف کرد. بسیاري از مسائل دنیاي امروز مانند مسائل محاسباتی جستجو و واکاوي اطلاعات با این شیوه توسط رایانه‌‌ها حل شده است. ایده ابتدایی هوش مصنوعی درك طبیعت تفکر و هوش انسان و ارائه نرم‌‌افزاري است که چگونگی کارکرد آنها را مدل کند، اما در زمینه‌هاي کاربردي مهندسان به‌دنبال ساختن الگوریتم‌هایی بودند که کارها را شبیه انسان انجام دهند. مدیریت منابع طبیعی زمینه‌‌اي است که براي مدیریت منابعی مانند آب، نفت، گیاهان و حیوانات تلاش می‌‌کند و با توجه به تأثیر مدیریت بر کیفیت کنونی و آینده نسل‌ها حائز اهمیت فراوانی است. مدیریت منابع طبیعی بر درك علمی و فنی منابع و اکولوژي و ظرفیت مورد نیاز منابع براي بقا، تمرکز دارد. سه چالش محاسباتی در مدیریت منابع طبیعی عبارتند از مدیریت داده و ارتباطات، تحلیل داده و بهینه‌سازي و کنترل. یکی از راه‌هاي پیاده‌سازي ابزارهاي محاسباتی براي مواجهه با چالش‌هاي مدیریت منابع طبیعی استفاده از روش‌هاي هوش مصنوعی است. به این دلیل که آنها قابلیت انعطاف لازم را براي مواجهه با پویایی ذاتی منابع طبیعی دارند. بسیاري از روش‌هاي هوش مصنوعی وجود دارند که در زمینه‌هاي مختلف به‌کار برده شده‌اند (آق‌اتابای و همکاران، 1392). در این نوشتار چند الگوریتم هوش مصنوعی از جمله شبکه‌هاي عصبی مصنوعی، مدل‌هاي فازي، الگوریتم‌هاي ژنتیک، آتوماتاي سلولی، سیستم‌هاي چندعاملی، هوش جمعی و سیستم‌هاي ترکیبی معرفی شده و برخی از کاربردهاي آنها در مدیریت منابع طبیعی بر‌‌شمرده شده است.

1- شبکه‌هاي عصبی مصنوعی

شبکه‌هاي عصبی مصنوعی (Artificial Neural Networks) یا ANN از روشی که مغز انسان اطلاعات را پردازش می‌کند، الهام گرفته شده‌اند. یک ANN از تعداد زیادي واحدهاي پردازشی به‌نام نرون‌ها یا گره‌ها تشکیل می‌شود که به‌عنوان یک واحد عمل می‌کنند. آنها به‌وسیله یکسري اتصالات که داراي وزن می‌باشند، به همدیگر متصل هستند. همان‌طور که در شکل 1 نشان داده شده است، شبکه یک لایه ورودي و یک لایه خروجی و هر تعداد لایه مخفی می‌تواند داشته باشد. هر نرون در یک لایه به تمام نرون‌ها در لایه بعدي متصل است (Bayat et al., 2021). شبکه‌‌هاي عصبی مصنوعی را در هفت دسته از مسائل می‌توان به‌کار برد: طبقه‌بندی الگو، خوشه‌بندي، تخمین تابع، پیش‌بینی، بهینه‌سازي، بازیابی مبتنی بر محتوا و کنترل فرایند.

شکل 1- مثالی از یک شبکه عصبی مصنوعی در تعیین رویش جنگل

2- الگوریتم‌هاي ژنتیک

الگوریتم ژنتیک (Genetic Algorithm) یا GA یک روش جستجو با تقلید از انتخاب طبیعی است. الگوریتم تکامل می‌یابد تا زمانی‌که به‌طور رضایت‌بخشی مسأله را حل کند. از بین راه‌‌حل‌‌هاي تولیدشده توسط این الگوریتم، در هر دور راه‌‌حل‌هاي مناسب‌تر زنده مانده و ویژگی‌هاي خود را به فرزندان خود منتقل کرده و جایگزین راه‌‌حل‌هاي ضعیف می‌شوند. هر راه‌‌حل ممکن به‌صورت کد در‌آید. براي نمونه، به‌عنوان یک رشته دو‌دویی که آن را کروموزوم می‌نامند. از روش‌هاي GA اغلب براي بهینه‌سازي پارامترهاي مدل یا مدیریت منابع استفاده می‌شود. به‌عنوان نمونه، با این روش عوامل تأثیرگذار زنده و غیرزنده بر تنوع زیستی در جنگل خیرود نوشهر بررسی و شرایط بهینه تنوع زیستی و غنای گونه‌ای با توجه به همه عوامل در جنگل مدل‌سازی شد (Bourque & Bayat, 2015).

3- آتوماتاي سلولی

آتوماتاي سلولی (Cellular Automata) یا CA مدل‌هایی دینامیک، گسسته در فضا، زمان و حالت هستند. آنها شامل یک شبکه منظم از سلول‌ها هستند که با همسایگان خود به تعامل می‌پردازند. حالت سلول‌ها به‌صورت همگام در زمان براساس قوانین محلی به‌روزرسانی می‌شود که حالت جدید یک سلول را در زمان t+1 با استفاده از حالت جاري خود و سلول‌هاي همسایه در زمان t محاسبه می‌کنند. همسایه‌ها سلول‌هایی هستند که در نزدیکی سلول مورد نظر قرار می‌گیرند. از کاربردهاي آتوماتاهاي سلولی می‌توان به مدل‌سازي دینامیک چشم‌انداز شهري، مدل‌سازي استفاده از زمین و تراکم جمعیت و فعالیت‌هاي اقتصادی اشاره کرد.

4- سیستم‌هاي فازي

سیستم‌هاي فازي (Fuzzy systems) یا FS از مجموعه‌هاي فازي براي برخورد با داده‌هاي نادقیق و ناکامل استفاده می‌کنند. در تئوري مرسوم مجموعه‌ها، یک شئی می‌تواند عضوي از یک مجموعه باشد یا نباشد، اما عضویت مجموعه فازي هر مقداري بین صفر و یک را می‌تواند بپذیرد. بنابراین، مدل‌هاي فازي می‌توانند وضعیت‌هاي مبهم را توصیف کنند. سیستم‌هاي فازي داده‌هاي ناکامل و نادقیق را در کاربردهایی مانند تخمین تابع، طبقه‌بندی یا خوشه‌بندي، کنترل و پیش‌بینی، مدیریت می‌کنند.  به‌عنوان نمونه، بخشی و همکاران (1392) در جنگل‌های پارک جنگلي نور در شمال کشور، کاربرد مدل‌سازي فازي براي ارزيابي اثرات تفرج بر وزن مخصوص ظاهري خاک را بررسی و عوامل تأثیرگذار را مشخص کردند.

5- سیستم‌هاي چندعاملی

یک سیستم چندعاملی (Multi-Agent System) یا MAS شامل شبکه‌اي از عوامل است که براي رسیدن به هدفی با هم به تعامل می‌پردازند. یک عامل یک جزء نرم‌افزاري است که شامل کد و داده است. عوامل توسط یک زبان سطح بالا با نام زبان ارتباطی عوامل یا ACL با هم ارتباط برقرار کرده، اطلاعات خود را به اشتراك می‌گذارند، درخواست‌ها را دریافت کرده و با یکدیگر به مذاکره می‌پردازند. به‌تازگی، MAS‌ها به‌صورت گسترده‌اي در مدیریت منابع طبیعی به‌کار برده شده‌اند که براي نمونه می‌توان به کاربرد در مدیریت خطر زنجیره تأمین ارزیابی اثرات سیاست‌هاي استفاده از زمین، مدل‌سازي گزینه‌هاي کاهش و انطباق جوي در کشاورزي اشاره کرد.

6- هوش ازدحامی

هوش ازدحامی (Swarm Intelligence) یا SI یک شکل از مدل‌سازي مبتنی بر عامل است که از کولونی‌هاي حیوانات جمعی مانند مورچگان یا دسته ماهی‌ها الهام گرفته است. درحالی‌که عامل‌هاي منفرد ساده هستند، به‌عنوان جزئی از جمع، هوش بالاتري را از خود نشان می‌دهند. خود‌سازماندهی یک ویژگی کلیدي است که به‌وسیله آن الگوهاي کلی از تعامل‌هاي محلی بدون کنترل مرکزي یا مدل عمومی ظهور می‌یابند. این تعامل‌ها می‌تواند در طول ارتباطات مستقیم ( عامل به عامل) یا غیرمستقیم (توسط محیط) رخ دهند.

7- سیستم‌هاي ترکیبی

سیستم‌هاي ترکیبی دو یا چند روش را براي رسیدن به قدرت بیشتر و غلبه بر کاستی‌ها، با هم ادغام می‌کنند. سه نوع اصل از روش‌هاي ترکیبی براساس چگونگی ترکیب آنها وجود دارد که عبارتند از ترتیبی، کمکی و تعبیه‌شده. در روش ترتیبی، روش اول خروجی خود را به روش دوم می‌دهد تا خروجی نهایی را تولید کند. در روش ترکیبی کمکی، روش اول برخی از اطلاعات لازم براي تولید خروجی توسط روش دوم را تولید می‌کند. در روش ترکیبی تعبیه شده، دو روش همدیگر را دربر می‌گیرند.

منابع مورد استفاده

آق اتابای، ح.، شیخ زاده، م.، ترشیزی، م.، 1392، کاربرد هوش مصنوعی در مدیریت منابع طبیعی، اولین همایش مدیریت منابع طبیعی، دانشگاه کنبد کاووس. 1-8

– بخشی، ح.، نمیرانیان، م.، مخدوم، م.، زاهدی امیری، ق.، 1391. تأثیر تفرج بر زادآوری، پوشش علفی و خاک (مطالعه موردی: پارک جنگلی نور). جنگل و فرآورده های چوب، 65(3): 271-283.

– Bayat, M., Bettinger, P., Heidari, S. & Hassani, M., 2021, Ten-year estimation of Fagus orientalis Lipsky increment in natural forests: A Comparison of artificial neural networks model, multiple linear regression and actual increment. Forestry: An International Journal of Forest Research 1-12 doi:10.1093/forestry/cpab001

– Bourque, C.P.A. & Bayat, M. 2015. Landscape variation in tree species richness in northern Iran forests. PLoS ONE, 10(4): e0121172.