رایتیس ماسکلیوناس، استاد دانشگاه صنعتی کاوناس می‌گوید: «جنگل‌ها یکی از مهم‌ترین اکوسیستم‌های طبیعت محسوب می‌شوند که دائما در حال تکامل‌ هستند اما نظارت بر آنها اغلب با تأخیر اتفاق می‌افتد. تغییرات آب‌و‌هوایی، آفات و فعالیت‌های انسانی، جنگل‌ها را سریع‌تر از آنچه ما بتوانیم ردیابی کنیم، دگرگون می‌کنند. برخی تغییرات تنها زمانی آشکار می‌شوند که آسیب‌های جبران‌ناپذیر از قبل به‌وجود‌آمده‌اند.» 
مدیریت جنگل‌ها امروزه به‌طور فزاینده‌ای با تغییرات محیطی که در سال‌های اخیر تشدید شده، به چالش کشیده شده است. ماسکلیوناس می‌گوید: «جنگل‌ها، به‌ویژه در مناطقی مانند لیتوانی، به‌شدت نسبت به افزایش دما در فصل زمستان حساس هستند. ترکیبی از این عوامل آسیب‌زا باعث ضعیف‌شدن درختان می‌شود و آنها را در برابر آفات آسیب‌پذیرتر می‌کند.» 
به‌گفته این دانشمند،روش‌های سنتی نظارتی مانند بازرسی بصری جنگلبانان یا نظارت برتله،دیگر کافی نیستند. او توضیح می‌دهد: «ما هرگز به اندازه کافی نیروی انسانی نخواهیم داشت که به‌طورمداوم آنچه که درجنگل‌ها اتفاق می‌افتند را مشاهده و ثبت کنند.» 
برای بهبود حفاظت از جنگل، محققان KTU از هوش‌مصنوعی (AI) و تجزیه و تحلیل داده‌ها استفاده کرده‌اند. این فناوری‌ها نه‌تنها نظارت لحظه به لحظه بر جنگل‌ها را ممکن می‌کنند، بلکه تجزیه و تحلیل پیش‌بینی‌کننده را نیز امکان‌پذیر می‌سازند‌؛ در نتیجه، این فناوری‌ها امکان مداخله زودهنگام در پاسخ به تغییرات محیطی را فراهم می‌آورند. 
   
مدل‌سازی دینامیک احیای جنگل
یکی از راه‌حل‌های کلیدی، مدل دینامیک احیای جنگل است که چگونگی رشد و تغییر جنگل‌ها را در طول زمان پیش‌بینی می‌کند. این مدل گروه‌های مختلف سنی درخت را ردیابی می‌کند و با تجزیه و تحلیل نرخ رشد و مرگ‌و‌میر، احتمال انتقال درخت از یک گروه سنی به گروه دیگر را محاسبه می‌کند. جزئیات این مدل در مجله Forests منتشر شده است. 
آنالیز صدا در حال تبدیل شدن به بخش مهمی از دیجیتالی‌شدن جنگل است که امکان نظارت لحظه‌ای بر محیط‌زیست و پاسخ سریع‌تر به تهدیدات بالقوه را فراهم می‌کند.  این مدل نوآورانه که توسط احمد قرطبی، دانشجوی دکتری پیشنهاد شده است، ترکیبی از یک شبکه عصبی کانولوشن (CNN) با یک مدل حافظه کوتاه‌مدت دو جهته (BiLSTM) است.  برای توصیف بهتر این مدل ماسکلیوناس توضیح ‌می‌دهد: «CNN ویژگی‌هایی را تشخیص و ارائه می‌دهد که اصوات را توصیف می‌کنند‌ اما درک این‌که چگونه صداها در طول زمان تغییر می کنند، کافی نیست. به همین دلیل است که ما از BiLSTM استفاده می‌کنیم که توالی‌های زمانی را تجزیه و تحلیل می‌کند.» این مدل ترکیبی، نه‌تنها صداهای ساکن مانند صدای آواز دائمی پرندگان را به دقت تشخیص می‌دهد، بلکه تغییرات دینامیکی مانند صداهای ناگهانی چون قطع درختان یا تغییر شدت باد را نیز شناسایی می‌کند. 
ماسکلیوناس می‌گوید: «به‌عنوان مثال، آواز پرندگان به نظارت بر فعالیت آنها، تنوع گونه‌ها و تغییرات فصلی در مهاجرت کمک می‌کند. کاهش ناگهانی یا افزایش قابل توجه صدای پرندگان می‌تواند نشان‌دهنده مشکلات اکولوژیکی باشد.» حتی صداهای تولید شده از درخت، مانند صداهایی که در اثر باد، حرکت برگ‌ها یا شکستن شاخه‌ها ایجاد می‌شود، می‌تواند قدرت باد یا تغییرات ساختاری درختان را به‌دلیل خشکسالی یا سایر عوامل استرس‌زا نشان دهد.  محققان موافق هستند که این مدل می‌تواند برای نظارت بر سایر تغییرات محیطی نیز تطبیق داده شود: «مدل ما می‌تواند صداهای حیوانات مانند زوزه گرگ، صدای جفت‌گیری آهو یا فعالیت گراز وحشی را شناسایی و به نظارت بر الگوهای حرکت و رفتار آنها کمک کند. در مناطق شهری، می‌توان از آن برای ردیابی میزان و شدت آلودگی صوتی استفاده کرد.»
 این راهکار تنها یک نوآوری روی کاغذ نیست. سیستم تجزیه و تحلیل صدا به‌راحتی در «جنگل هوشمند اینترنت اشیا» (IoT) که توسط KTU توسعه داده شده است، ادغام می‌شود. پروفسور ایگیدیوس کازاناویچیوس کارشناس IoT KTU درباره این جنگل هوشمند که Forest 4. 0 نام دارد، توضیح می‌دهد: «دستگاه‌های Forest 4. 0 IoT مانند نگهبانان بی‌صدا اکوسیستم‌های فردا هستند که ضربان قلب جنگل‌های ما را به صورت لحظه‌ای تجزیه و تحلیل می‌کنند و دنیایی را پرورش می‌دهند که در آن فناوری به طبیعت گوش می‌دهد.» 
در حال حاضر، برخی از مدل‌های مورد استفاده جنگلبانان تمایل دارند تا پویایی‌های پیچیده اکولوژیکی را بیش از حد ساده‌سازی کنند و عوامل مهمی چون رقابت گونه‌ها، حلقه‌های بازخورد محیطی و تنوع آب و هوا را در نظر نگیرند. در نتیجه، پیش‌بینی دقیق چگونگی واکنش جنگل‌ها به عوامل مختلف همچنان یک چالش باقی می‌ماند. 
پروفسور ماسکلیوناس نتیجه‌گیری می‌کند:«به همین دلیل است که این فناوری‌های پیشرفته، نشان‌دهنده آینده مدیریت جنگل هستند.»

آیسا اسدی - روزنامه‌نگار