پستانداران کوچک نقش محوری در اکوسیستم‌های خشکی در مناطق مختلف ایفا می‌کنند. فراتر از سهم آنها در شبکه‌های غذایی و خدمات اکوسیستمی ^، درک توزیع مکانی و پویایی جمعیت آنها برای چندین زمینه کاربردی بسیار مهم است. در کشاورزی، ول‌ها با ترکیب مواد آلی در خاک، در نتیجه افزایش تهویه، نفوذ و فراهم کردن شرایط بهینه برای جوانه‌زنی بذر، به طور مثبت کمک ^{می‌کنند} . با این حال، در اروپای غربی، همگن‌سازی مناظر کشاورزی، شیوع و تأثیر گونه‌های ول علفزار، مانند ول معمولی ( Microtus arvalis ) و ول آبی کاونده ( Arvicola scherman ، که قبلاً شکل کاونده Arvicola terrestris ^۳ بود) را تشدید کرده است . هر دو گونه الگوهای پراکندگی موج مانندی را در مقیاس منطقه‌ای نشان می‌دهند ^[۴ ، ۵] ، که اغلب به تراکم ۵۰۰ فرد در هکتار می‌رسند و در طول شیوع جمعیت به اوج خود یعنی ۱۰۰۰ ول در هکتار می‌رسند ^[۴ ، ۶ ]. با توجه به ظرفیت آنها در ایجاد خسارات مهم به محصولات کشاورزی و نقش آنها به عنوان مخازن عوامل بیماری‌زای مشترک بین انسان و دام، این ول‌ها به عنوان آفات اصلی کشاورزی و خطرات بهداشت عمومی در سراسر محدوده پراکندگی خود شناخته می‌شوند ^{[۷ ، ۸ ، ۹]} .

مدیریت مؤثر و مبتنی بر شواهد آفات موش صحرایی مزایای قابل توجهی را در بخش‌های مختلف جامعه بشری ارائه می‌دهد. یک گام مهم در جهت دستیابی به مدیریت مؤثر، افزایش قابلیت‌های نظارت و پیش‌بینی برنامه‌های مدیریت موش صحرایی است ^{۹ ، ۱۰٫} توسعه مدل‌های پیشرفته‌ای که قادر به توصیف دقیق شیوع جمعیت در سری‌های زمانی طولانی و مقیاس‌های مکانی باشند، برای اجرای استراتژی‌های کنترل هدفمند و صدور هشدارهای به موقع خطر شیوع، اکیداً توصیه می‌شود ^{۹ ، ۱۰ ، ۱۱٫} با این حال، عواملی که به طور قابل توجهی بر بوم‌شناسی موش صحرایی تأثیر می‌گذارند، باید برای ایجاد استراتژی‌های نظارتی مؤثر در نظر گرفته شوند. این امر به ویژه در مورد موش‌های آبی کاوسوریال مشهود است که پویایی جمعیت آنها ممکن است به طور متغیری تحت تأثیر ویژگی‌های آب و هوایی و چشم‌انداز در سراسر فرانسه، سوئیس، آلمان و اسپانیا باشد ^{۱۲ ، ۱۳٫} به نظر می‌رسد دامنه نوسانات تراکم چند ساله آنها به شدت تحت تأثیر شرایط آب و هوایی قرار دارد. بنابراین، نوسانات در محیط‌های فصلی به خوبی تعریف شده‌اند ^{۶ ، ۱۴ ، ۱۵} اما در مناطق کم ارتفاع فاقد قابلیت پیش‌بینی هستند ^{۱۳ ، ۱۶} . مناظر تحت سلطه مراتع، پراکندگی بدون مانع را تسهیل می‌کنند و امکان هماهنگی جمعیتی و ادغام جمعیت‌های موش صحرایی در مقیاس بزرگ را فراهم می‌کنند ^{۵ ، ۱۷ ، ۱۸٫} برعکس، مناظر ناهمگن و بسیار متنوع، موفقیت پراکندگی را محدود می‌کنند و در نتیجه بر انتشار جمعیت تأثیر می‌گذارند ^۱۹٫ بنابراین، نوسانات تراکم چند ساله در مقیاس محلی مشاهده شده است، مانند زیرجمعیت‌ها در منطقه شمال غربی اقیانوس اطلس اسپانیا ^۱۹ .

بررسی‌های زمینی مرسوم می‌توانند در تلاش‌های نظارتی در مقیاس بزرگ، پرهزینه و زمان‌بر باشند ^.۲۰ نظارت بر پستانداران حفار به دلیل دامنه وسیع پراکندگی آنها، ماهیت پرزحمت بررسی‌های میدانی و هزینه‌های بالای مرتبط، چالش‌های دیگری را ایجاد می‌کند ^{.۱۱ ، ۲۱٫} علاوه بر این، تمایز بین گونه‌های مختلف همزیست اغلب به تکنسین‌های متخصص نیاز دارد که لایه دیگری از پیچیدگی را اضافه می‌کند ^{.۱۱ ، ۱۶٫} از نظر A. Scherman ، ردیابی در مقیاس وسیع نه تنها باید اشغال فعلی زیستگاه، بلکه زیستگاه‌های مجاور که برای استعمار، به ویژه در هنگام شیوع جمعیت، امکان پذیر هستند را نیز در نظر بگیرد ^{.۵ ، ۱۲٫} غیرقابل پیش‌بینی بودن مکان‌های استقرار موش‌های آبی کاونده، نیاز به نظارت گسترده برای تضمین مدیریت مؤثر جمعیت را برجسته می‌کند ^.۲۲ . وضوح محدود ارائه شده توسط بسیاری از منابع نقشه‌برداری موجود، همراه با اختلاف در معیارهای مورد استفاده برای طبقه‌بندی کاربری زمین، توسعه نقشه‌برداری را که زیستگاه‌های بالقوه اشغال شده توسط موش‌های آبی کاونده را شناسایی می‌کند، بسیار توصیه می‌کند. این کار به ویژه در مناظر متنوع، که با موزاییکی از قطعات زمین با کاربری‌های متنوع مشخص می‌شوند، دشوار می‌شود . ^۱۹٫ تلاش‌های مدیریتی همچنین باید شامل همکاری با ادارات محلی و کشاورزان باشد تا اجرای موفقیت‌آمیز طرح‌های نظارتی و کنترلی تضمین شود. ^{۱۰ ، ۱۱٫} علاوه بر این، حمایت اجتماعی و دولتی از تحقیقات همیشه تضمین شده نیست. بنابراین، استراتژی‌های کنترل مؤثر برای موش‌های آبی کاونده به دلیل پیچیدگی بوم‌شناسی آنها و منابع مورد نیاز برای بررسی‌های در مقیاس بزرگ، چالش‌های قابل توجهی را به همراه دارد. ^۲۳ .

فناوری سنجش از دور به عنوان ابزاری قابل اعتماد و کارآمد برای نظارت در مقیاس بزرگ ^{۲۱ ، ۲۴ ، ۲۵} یا پیش‌بینی بیماری ^۲۶ ظهور کرده است . ادغام فناوری سنجش از دور در چارچوب‌های تشخیصی تخصصی، امکان ارزیابی عینی آسیب ناشی از هجوم و پیش‌بینی دقیق احتمال آن را نیز فراهم می‌کند ^{۲۷ ، ۲۸ ، ۲۹٫} با این حال، چالش‌ها همچنان باقی هستند. علیرغم اینکه تپه‌های لانه‌ای موش‌های آبی کاونده حتی با گذشت زمان قابل شناسایی هستند ^، اما می‌توانند به راحتی با تپه‌های لانه موش کور ( Talpa europaea ، Talpa aquitania یا Talpa occidentalis ) اشتباه گرفته شوند و همچنین می‌توانند با فضولات گاو در مراتع اشتباه گرفته شوند، که باعث می‌شود تصاویر هوایی یا ماهواره‌ای مورد استفاده برای تشخیص گونه‌های دیگر ^{۲۱ ، ۲۵ ، ۳۱} برای شناسایی این علائم غیرقابل اعتماد باشند. ماهواره‌های Sentinel-2 از آژانس فضایی اروپا (ESA) به عنوان منبع ارزشمندی برای پیش‌بینی فراوانی و توزیع جوندگان ^{۳۲ ، ۳۳} و سایر گونه‌های آفات ^{۳۴ ، ۳۵} شناخته شده‌اند . این ماهواره‌ها فرکانس بازدید مجدد بالا، وضوح مکانی دقیق‌تر (۱۰ متر برای باندهای مرئی و مادون قرمز نزدیک) و وضوح طیفی بهبود یافته ^{۳۶ را ارائه می‌دهند. شاخص‌های گیاهی مشتق شده، مانند NDVI (شاخص پوشش گیاهی نرمال شده تفاضلی) و NDRE (شاخص لبه قرمز نرمال شده تفاضلی)، همچنین برای تشخیص زودهنگام تنش آبی، کیفیت زیستگاه یا ایجاد همبستگی با فنولوژی پوشش گیاهی و وضعیت سلامت ۳۶ ، ۳۷} استفاده شده‌اند . این ابزار در مطالعه غیرمستقیم توزیع جوندگان از طریق تأثیر آنها بر پوشش گیاهی بسیار مفید بوده است ^{۳۳ ، ۳۸ ، ۳۹} . در این راستا، ول‌های آبی کاونده از هر دو بخش روپوستی و زیرپوستی گیاهان دو لپه‌ای و برخی از گیاهان خانواده گندمیان ^{[۴۰ ، ۴۱]} تغذیه می‌کنند ، بنابراین آسیب به گونه‌های علفی می‌تواند بسیار مشهود باشد. شاخص‌های پوشش گیاهی مشتق شده از نوارهای لبه قرمز Sentinel-2 احتمالاً قادر به تمایز بین درجات مختلف شدت آسیب ناشی از این گونه در علفزارها و مراتع هستند.

در این مطالعه، ما از داده‌های Sentinel-2 برای پرداختن به چالش‌های نظارت بر جمعیت‌های موش‌های آبی کاونده در طول شیوع گسترده اخیر در گالیسیا، شمال غربی اسپانیا ^۴۲ استفاده می‌کنیم. اهداف ما دوگانه است: (۱) توسعه یک مدل پیش‌بینی‌کننده برای شناسایی زیستگاه‌های فعلی و بالقوه در مقیاس با وضوح بالا که می‌توانند توسط موش‌های آبی کاونده در طول انتشار جمعیتشان اشغال شوند و (۲) ترکیب بررسی‌های میدانی با ارزیابی‌های سلامت پوشش گیاهی برای ایجاد یک شاخص آسیب، که امکان تعیین کمیت فراوانی موش‌های آبی را بر اساس شدت آسیب پوشش گیاهی فراهم می‌کند. این رویکرد، مشاهدات میدانی و داده‌های سنجش از دور را ادغام می‌کند تا یک چارچوب قوی و مقرون به صرفه برای مدیریت آفات ایجاد کند، تقاضای نیروی کار را به حداقل برساند و در عین حال تصمیم‌گیری سریع در پاسخ به شیوع موش‌های آبی را ممکن سازد.

منطقه مورد مطالعه

این مطالعه در یک منطقه کشاورزی به مساحت تقریبی ۱۲۸۵ کیلومتر مربع در ارتفاعات کوه‌های آنکارس (گالیسیا، شمال غربی، اسپانیا، ۴۲°۴۵′ شمالی، ۷°۱۴′ غربی) انجام شد که شامل هشت شهرداری: آس نوگایس، بالیرا، سروانتس، فولگوسو دو کورل، ناویا د سوارنا، پیدرافیتا دو سبریرو، ساموس و تریاکاستلا (شکل  ۱ ) می‌شود. این اکوسیستم کشاورزی با چشم‌اندازی متنوع، شامل موزاییکی دانه‌ای از مراتع یونجه، مراتع دام، محصولات سالانه، سکونتگاه‌ها و تکه‌های پوشش گیاهی چوبی نیمه طبیعی، عمدتاً جنگل‌های مخروطی و پهن‌برگ و تکه‌های خلنگزار، مشخص می‌شود. دامداری گسترده و تقریباً زیرسیستمی، عمدتاً در قطعات کوچک که توسط دیوارهای سنگی، پرچین‌های با مدیریت حداقلی یا تکه‌های کوچک جنگلی از هم جدا شده‌اند، توسعه یافته است. برخی از قطعات زمین نسبتاً بزرگ (تقریباً ۳۰ هکتار) توسط چندین مالک به اشتراک گذاشته شده و عمدتاً برای چمن‌زنی مراتع در نظر گرفته شده‌اند.

منطقه پراکندگی موش آبزی کاونده، Arvicola scherman ، در اسپانیا (سبز)، که منطقه مورد مطالعه با رنگ قرمز مشخص شده است. نقاط نمونه‌برداری در منطقه مورد مطالعه نشان داده شده‌اند. نقشه با QGIS 3.28 ( https://qgis.org/ ) تهیه شده است.

تصویر در اندازه کامل

بررسی میدانی

تخمین فراوانی موش‌های آبزی کاونده در مقیاس لکه بر اساس شاخصی بود که توسط ژیرودو و همکاران شرح داده شده است. ^۴۳٫ نشانه‌های سطحی فعالیت، عمدتاً تپه‌های خاکی، در امتداد خطی که هر لکه را در بزرگترین بُعد آن قطع می‌کرد، تعیین شدند. این برش عرضی به فواصل ۱۰ متری تقسیم شد و مساحت مشاهده شده ۲ متر مربع در اطراف تکنسین بود ^. وجود یا عدم وجود موش آبزی A. Scherman برای هر فاصله ثبت شد. فراوانی نسبی به عنوان یک شاخص (شاخص فراوانی، AI) استفاده شد که با نسبت محاسبه می‌شود: تعداد فواصل مثبت / تعداد کل فواصل ^{۴۳ ، ۴۴٫} بنابراین، پنج دسته تعیین شد: ۰ (بدون حضور)، ۱ (۱-۲۵٪)، ۲ (۲۵-۵۰٪)، ۳ (۵۰-۷۵٪) و ۴ (> 75٪). بررسی‌ها از پاییز ۲۰۲۱ تا بهار ۲۰۲۴ به صورت دوسالانه (بهار و پاییز) انجام شد.

داده‌های سنجش از دور

صحنه‌های بالای جو (TOA) سطح ۲A Sentinel-2 با استفاده از API موتور Google Earth (GEE) به دست آمدند. مراحل پیش‌پردازش استاندارد، از جمله پوشش ابر با استفاده از باند ‘QA60’ و لایه طبقه‌بندی صحنه (SCL) اعمال شد و استفاده از محصولات سطح ۲A، تصحیح جوی را از طریق پردازنده Sen2Cor تضمین کرد. با این حال، GEE ممکن است هنوز مقادیر پیکسلی تحت تأثیر آلودگی یا اشباع ابر باقیمانده را ارائه دهد. برای رفع این مشکل، ما یک راه‌حل نرم‌افزاری اختصاصی ( Spectralgeo ) را برای اصلاح بیشتر مجموعه داده‌ها با اصلاح خطاهای شناسایی نشده توسط GEE پیاده‌سازی کردیم. این خطاها با تجزیه و تحلیل تکامل زمانی شاخص‌های طیفی خاص، با فرض اینکه روندهای تقریباً پیوسته در پویایی پوشش گیاهی انتظار می‌رود، شناسایی شدند. داده‌های هواشناسی از OpenMeteo ( https://open-meteo.com ) گنجانده شدند. میانگین‌های ماهانه دما (حداقل، میانگین و حداکثر)، بارندگی ماهانه و میانگین رطوبت نسبی ماهانه به دست آمدند. این داده‌ها برای سال‌های مطالعه دانلود شدند و سازگاری زمانی با شاخص‌های طیفی تضمین شد. در مجموع از ۱۲ باند ماهواره‌ای Sentinel-2 (‘B1’، ‘B2’، ‘B3’، ‘B4’، ‘B5’، ‘B6’، ‘B7’، ‘B8’، ‘B8A’، ‘B9’، ‘B11’، ‘B12’) برای توسعه مدل‌ها استفاده شد. این باندها شامل باندهای بومی ارائه شده توسط ماهواره، همراه با شاخص‌های پوشش گیاهی و آب استخراج شده بودند. با استفاده از این مجموعه داده اصلاح شده، تکامل زمانی این باندها برای شناسایی روند پویایی زیستگاه مورد تجزیه و تحلیل قرار گرفت.

مدل‌سازی مکانی پیش‌بینی‌کننده زیستگاه A. Scherman

یک مدل یادگیری ماشینی برای شناسایی مناطق زیستگاه بالقوه توسعه داده شد که برای آن ۸۲۹۰۵ پیکسل (هر کدام ۱۰ × ۱۰ متر) بر اساس داده‌های حضور A. Scherman که از بررسی‌های میدانی در شهرداری سروانتس جمع‌آوری شده بود، برچسب‌گذاری شدند. برای هر پیکسل، داده‌های بدون ابر از روز اول هر ماه به عنوان مرجع انتخاب شد. مجموعه داده‌های مورد استفاده برای آموزش مدل شامل تکامل زمانی ۱۲ باند ماهواره‌ای Sentinel-2 فوق‌الذکر و ۱۴ شاخص پوشش گیاهی (‘NDVI’، ‘NDWI’، ‘NDRE’، ‘SAVI’، ‘GCI’، ‘NDMI’، ‘MSI’، ‘SIPI’، ‘EVI’، ‘TCARI’، ‘GRDIFF’، ‘RVI’، ‘AOT’، ‘WVP’) از سال قبل و همچنین ارتفاع، شیب و مختصات جغرافیایی بود. یک الگوریتم جنگل تصادفی به عنوان مدل طبقه‌بندی انتخاب شد. علاوه بر این، از یک مقیاس‌ساز استاندارد برای استانداردسازی ویژگی‌ها استفاده شد که تضمین می‌کند ویژگی‌های با مقیاس‌های کوچک می‌توانند بر مدل تأثیر بگذارند. مقادیر گمشده با استفاده از میانگین محاسبه شدند. تکنیک نمونه‌گیری بیش از حد مصنوعی اقلیت (SMOTE) برای متعادل کردن کلاس‌ها و اطمینان از پیش‌بینی‌های دقیق‌تر اعمال شد و فقط در مجموعه آموزشی برای جلوگیری از بیش‌برازش و حفظ یکپارچگی داده‌های اعتبارسنجی و آزمایش استفاده شد. پیکسل‌های برچسب‌گذاری شده در ابتدا به دو کلاس طبقه‌بندی شدند: زیستگاه (برچسب ۱) و غیر زیستگاه (برچسب ۰). برای افزایش شمول در طبقه‌بندی، آستانه تصمیم‌گیری مدل جنگل تصادفی به ۰.۴ تنظیم شد، به طوری که هر پیکسلی با احتمال ۴۰٪ یا بالاتر برای طبقه‌بندی به عنوان زیستگاه، به این صورت برچسب‌گذاری شد. برای ارزیابی عملکرد مدل، یک ماتریس درهم‌ریختگی ایجاد شد. این تنظیم به طور قابل توجهی دقت پیش‌بینی را بهبود بخشید. ده منطقه کوچک نماینده در سراسر منطقه مورد مطالعه در لوگو انتخاب شدند. دو مورد از این مناطق، که در محدوده شهرداری سروانتس واقع شده‌اند، به عنوان مجموعه آزمایشی تعیین شدند، در حالی که هشت مورد باقی مانده برای آموزش و اعتبارسنجی استفاده شدند. برای اطمینان از استقلال مکانی و جلوگیری از خودهمبستگی مکانی، مناطق آزمایشی حداقل ۵ کیلومتر دورتر از مناطق آموزشی قرار گرفتند. برچسب‌های هدف چندین سال را در بر می‌گرفتند و در نتیجه تغییرپذیری زمانی در داده‌ها را ثبت می‌کردند. علاوه بر این، توزیع متغیر هدف با دقت در هر دو مجموعه آموزشی و آزمایشی حفظ شد تا ثبات در نمایش کلاس حفظ شود. مدل نهایی در مجموع ۱۵۶۹۷۶۴۸ پیکسل در هشت شهرداری اعمال شد.

مدل کمی برای تخمین آسیب پوشش گیاهی ناشی از آفت A. Scherman

برای کاهش خطرات احتمالی طبقه‌بندی نادرست ناشی از مصنوعات تصاویر هوایی یا نوری با وضوح بالا که ممکن است شبیه علائم فعالیت موش صحرایی باشند، فراوانی موش صحرایی به طور غیرمستقیم از طریق شدت آسیب پوشش گیاهی استنباط شد. شاخص‌های پوشش گیاهی قبلی برای تمایز روندهای کلی سالانه در زیستگاه‌ها آزمایش شده‌اند. شاخص دیگری به نام شاخص خسارت (DI) با اعمال یک مدل یادگیری ماشینی بر روی ترکیبات سفارشی باندهای مادون قرمز نزدیک (NIR) و مادون قرمز موج کوتاه (SWIR) ماهواره Sentinel-2 ایجاد شد. در مجموع ۱۶۷۶۸ داده شاخص فراوانی (AI) از قطعات نمونه‌برداری شده در هشت شهرداری برای آزمایش امکان‌سنجی این شاخص‌ها در نظر گرفته شد. همانطور که در مطالعات قبلی ^{۳۶ ، ۳۷} ذکر شده است، مشخص شد که شرایط آب و هوایی سالانه به طور قابل توجهی بر این شاخص‌ها تأثیر می‌گذارد. برای رسیدگی به این موضوع، بارش، دما و رطوبت ماهانه برای بهینه‌سازی شاخص خسارت (DI) در نظر گرفته شد. بر این اساس، یک شاخص خسارت بهینه (ODI) ایجاد شد که باندهای DI را که برای تنش آبی بالقوه در پوشش گیاهی تنظیم شده بودند، ترکیب می‌کرد. شاخص‌های DI و ODI معیارهای جدیدی هستند که به‌طور خاص برای این مطالعه توسعه یافته‌اند و تحت حقوق مالکیت معنوی Spectralgeo محافظت می‌شوند . هر دو شاخص به گونه‌ای طراحی شده‌اند که به‌طور خاص آسیب‌های پوشش گیاهی ناشی از فعالیت موش‌های صحرایی را منعکس کنند، به‌طوری که مقادیر پایین‌تر نشان‌دهنده سطوح بالاتر آسیب هستند.

تمام تحلیل‌ها و مصورسازی‌ها در این مطالعه با استفاده از QGIS 3.28 ( https://qgis.org/ ) و پایتون ۳٫۱۱٫۵ ( https://www.python.org/ ) انجام شد . QGIS در درجه اول برای برچسب‌گذاری داده‌ها و ایجاد اشکال مکانی استفاده شد (شکل‌های  ۱ ، ۴ ، ۸ و ۱۰ ). پایتون برای سایر وظایف، از جمله جمع‌آوری داده‌ها، پیش‌پردازش، تحلیل آماری و آموزش مدل، به کار گرفته شد. تحلیل‌های همبستگی پیرسون برای ارزیابی رابطه بین ODI و فراوانی نسبی ثبت‌شده ماهانه میدانی (شاخص فراوانی، هوش مصنوعی) انجام شد. مصورسازی داده‌ها با استفاده از کتابخانه‌های Matplotlib ( https://matplotlib.org/ ) (شکل‌های ۲ ، ۳ ، ۵ ، ۶ و ۹ ) و Seaborn ( https://seaborn.pydata.org/ ) (شکل ۷ ) ایجاد شد.

بین پاییز ۲۰۲۱ و بهار ۲۰۲۴، در مجموع ۸۷۱۲ قطعه زمین در سراسر منطقه مورد مطالعه بررسی شد (شکل  ۱ )، که شامل ۸۰۵۸ هکتار تحت تأثیر موش‌های صحرایی آبزی بود. توزیع زمانی بررسی قطعات زمین به شرح زیر بود: ۹۹ قطعه زمین در پاییز ۲۰۲۱، ۵۶۴۰ قطعه زمین در بهار ۲۰۲۲، ۳۹۶۰ قطعه زمین در پاییز ۲۰۲۲، ۲۳۷۴ قطعه زمین در بهار ۲۰۲۳، ۲۳۶۰ قطعه زمین در پاییز ۲۰۲۳ و ۲۳۳۵ قطعه زمین در بهار ۲۰۲۴. بنابراین، ۱۶۷۶۸ تخمین فراوانی در کل دوره نظارت ثبت شد (شکل  ۲ )، که نشان دهنده شدت نظارت است. تعداد قطعات زمین که یک بار، دو بار، سه بار، چهار بار، پنج بار و شش بار بازدید شدند، به ترتیب ۵۶۸۷، ۷۳۵، ۱۸۱، ۱۴۸۴، ۶۱۸ و ۷ قطعه بود که نشان‌دهنده‌ی نمونه‌گیری مقطعی است.

شاخص فراوانی (AI) گونه A. Scherman بر اساس تعداد قطعات نمونه‌برداری شده در طول نمونه‌برداری میدانی. نمودار با استفاده از پایتون ۳.۱۱.۵ ( https://www.python.org/ ) و کتابخانه Matplotlib ( https://matplotlib.org/ ) تولید شده است.

تصویر در اندازه کامل

مدل شناسایی زیستگاه‌های A. Scherman با استفاده از تقسیم ۸۰ تا ۲۰ برای داده‌های آموزشی و آزمایشی، به دقت ۰٫۹۷۰۱ دست یافت. از طریق اعتبارسنجی متقابل k = 10، میانگین دقت ۰٫۹۶۳۹ با انحراف معیار ۰٫۰۰۱۶ بود. ماتریس درهم‌ریختگی تولید شده (شکل  ۳ ) ۱۱۴۳۶ پیکسل را به عنوان نامطلوب و ۷۷۹۸ پیکسل را به عنوان زیستگاه طبقه‌بندی کرد که در مجموع ۱۹۲۳۴ پیکسل به درستی پیش‌بینی شده است. کاربرد مدل از نظر پیش‌بینی زیستگاه عملکرد قابل قبولی دارد (شکل  ۴ ). هنگامی که مدل پیش‌بینی اعمال شد، ۳۰٪ از کل پیکسل‌های در نظر گرفته شده (۱۵۶۹۷۶۴۸) به عنوان زیستگاه مناسب برای A. Scherman در این منطقه جغرافیایی شناسایی شدند.

ماتریس درهم‌ریختگی ایجاد شده برای ارزیابی عملکرد مدل مبتنی بر هوش مصنوعی برای شناسایی زیستگاه‌های A. scherman . نمودار تولید شده با استفاده از پایتون ۳.۱۱.۵ ( https://www.python.org/ ) و Matplotlib ( https://matplotlib.org/ ).

تصویر در اندازه کامل

یک ارتوفتو از منطقه آزمایش پیش‌بینی و نتایج طبقه‌بندی ارائه شده است، که در آن پیکسل‌های ۱۰ × ۱۰ متری اختصاص داده شده به زیستگاه A. Scherman با رنگ زرد روشن برجسته شده‌اند. نقشه با QGIS 3.28 ( https://qgis.org/ ) تهیه شده است.

تصویر در اندازه کامل

شاخص‌های گیاهی آزمایش‌شده، مانند NDVI (شکل  ۵ )، توانستند روندهای کلی سالانه در مراتع را از روندهای موجود در قطعات غیرزیستگاهی برای موش‌های آبی حفره‌دار تشخیص دهند. این امر اثربخشی آن را در تشخیص کاهش قابل توجه آسیب به پوشش گیاهی نشان می‌دهد. به طور مشابه، شاخص DI که به تازگی توسعه یافته و مختص مطالعه است، از یک الگوی فصلی قابل مقایسه پیروی کرد (شکل  ۶ ). با این حال، تجزیه و تحلیل عملکرد، کاهش‌های مشابهی را در مقادیر شاخص در سراسر قطعات با فراوانی‌های مختلف موش‌های صحرایی نشان داد (شکل  ۶ الف، ب)، علیرغم کاهش مورد انتظار در آسیب به پوشش گیاهی در تراکم‌های بالاتر موش‌های صحرایی. این نشان می‌دهد که شرایط خشکسالی می‌تواند منجر به کاهش آسیب به پوشش گیاهی مشابه با آسیب‌های ناشی از فعالیت موش‌های صحرایی شود و تمایز بین اثرات ناشی از آب و هوا و اثرات مرتبط با تراکم موش‌های صحرایی را پیچیده‌تر کند.

تکامل سالانه NDVI در مراتع تصادفی انتخاب شده به عنوان زیستگاه‌های A. scherman (۱۰ قطعه) و غیر مراتع (۱۰ قطعه) از سال ۲۰۲۱ تا ۲۰۲۴ تخمین زده شده است. نمودار با استفاده از پایتون ۳٫۱۱٫۵ ( https://www.python.org/ ) و Matplotlib ( https://matplotlib.org/ ) تولید شده است.

تصویر در اندازه کامل

نمودارهایی که پویایی زمانی شاخص خسارت (DI) را در رابطه با شاخص فراوانی (AI) گونه A. Scherman برای قطعات با بررسی‌های مکرر نشان می‌دهند. هر خط نشان دهنده مسیر DI از ۱ ژانویه تا ۳۱ دسامبر برای یک قطعه و سال مشخص است. رنگ هر خط مربوط به هوش مصنوعی تخمین زده شده از بررسی‌های میدانی برای آن قطعه و سال خاص است، به طوری که رنگ‌های گرم‌تر نشان‌دهنده فراوانی بیشتر موش صحرایی و رنگ‌های سردتر نشان‌دهنده فراوانی کمتر است، همانطور که توسط مقیاس گرادیان در سمت راست تعریف شده است. این تجسم نشان می‌دهد که چگونه شدت خسارت (DI) به صورت فصلی تغییر می‌کند و چگونه با فراوانی مستقل تخمین زده شده موش صحرایی (AI) مرتبط است. نمودارها با استفاده از پایتون ۳.۱۱.۵ ( https://www.python.org/ ) و Matplotlib ( https://matplotlib.org/ ) تولید شده‌اند.

تصویر در اندازه کامل

هنگام اعمال ODI، هوش مصنوعی بر اساس وضعیت پوشش گیاهی در زیستگاه با در نظر گرفتن شرایط اقلیمی استنباط می‌شود. با استفاده از مجموع ۱۶۷۶۸ نقطه داده هوش مصنوعی از نمونه‌برداری‌های میدانی، مقادیر میانگین ODI برای دوره‌های سالانه و ماهانه محاسبه شد (جدول  ۱ ؛ شکل  ۷ ). دوره‌های سالانه، آوریل و آگوست قابل اعتمادترین دوره‌ها برای تشخیص کاهش آسیب پوشش گیاهی مرتبط با فراوانی موش صحرایی بودند. همبستگی‌های منفی معنی‌داری در هر سه مورد یافت شد (سالانه: r = -۰٫۲۶؛ آوریل: r = -۰٫۳۹؛ آگوست: r = -۰٫۴۲؛ p  < 0.01)، که نشان می‌دهد فراوانی نسبی موش‌های آبی کاونده را می‌توان به طور مداوم در این زمان‌ها استنباط کرد. دامنه میانگین سالانه ODI 0.08 بود، در حالی که آوریل و آگوست دامنه وسیع‌تری از ۰٫۱۳ را نشان دادند که مناسب بودن آنها را برای تمایز اثرات موش صحرایی تقویت می‌کند (شکل  ۷ ). در مقابل، ماه‌هایی مانند ژوئن، سپتامبر، نوامبر و دسامبر الگوهای ضعیف یا متناقضی را بین آسیب پوشش گیاهی و تراکم موش‌های صحرایی نشان دادند، با همبستگی‌های غیرمعنی‌دار ( p  > 0.01 در همه موارد)، که نشان‌دهنده کاربرد محدود برای تشخیص آسیب در طول این دوره‌ها است.

همبستگی سالانه و ماهانه بین میانگین‌های شاخص خسارت بهینه (ODI) و شاخص فراوانی A. Scherman (AI). نمودار با استفاده از پایتون ۳.۱۱.۵ ( https://www.python.org/ ) و کتابخانه‌های Seaborn ( https://seaborn.pydata.org/ ) تولید شده است.

تصویر در اندازه کامل

پس از اعمال مدل نهایی بر روی ۱۵۶۹۷۶۴۸ پیکسل در هشت شهرداری، دو منطقه نمونه با داده‌های میدانی موجود برای تجزیه و تحلیل دقیق انتخاب شدند. پیکسل‌های پیش‌بینی‌شده ۱۰ × ۱۰ متر بر اساس مرزهای قطعات کاداستر به چندضلعی تبدیل شدند. در هر منطقه، زیستگاه‌هایی که به طور بالقوه توسط A. scherman اشغال شده‌اند ، شناسایی شدند. شکل  ۸ یکی از این مناطق تحت تأثیر این گونه را در چهار سال متوالی، ۲۰۲۱، ۲۰۲۲، ۲۰۲۳ و ۲۰۲۴ نشان می‌دهد که تغییرات زمانی در توزیع و تراکم موش صحرایی را برجسته می‌کند. علاوه بر این، سه قطعه با داده‌های موجود برای پیوند مستقیم مدل ODI با داده‌های میدانی انتخاب شدند (شکل  ۹ الف تا ج). به طور کلی، سال‌های ۲۰۲۱ و به ویژه ۲۰۲۲، مقادیر میانگین ODI پایین‌تری را نشان دادند که نشان‌دهنده سطوح بالاتر آسیب به پوشش گیاهی و افزایش فعالیت موش صحرایی است. در مقابل، کاهش جمعیت موش‌های صحرایی در سال‌های ۲۰۲۳ و ۲۰۲۴ مشاهده شد که با نشانه‌هایی از بهبود پوشش گیاهی و کاهش مداوم تراکم موش‌های صحرایی ثبت‌شده در میدان همزمان بود.

منطقه تحت تأثیر A. Scherman ، که در آن هم از مدل شناسایی زیستگاه و هم از مدل شاخص آسیب بهینه (ODI) برای استنباط فراوانی گونه‌ها در رابطه با آسیب پوشش گیاهی در سراسر زیستگاه‌های بالقوه استفاده شد. رنگ خطوط منحنی نشان‌دهنده شاخص فراوانی استنباط شده (AI) از هر قطعه برای هر سال است، همانطور که با گرادیان در سمت راست نشان داده شده است. سه قطعه مربوط به نمودارهای شکل  ۹ (a، b، c) ارجاع داده شده‌اند. نقشه با QGIS 3.28 ( https://qgis.org/ ) تولید شده است.

تصویر در اندازه کامل

نمودارهایی که پویایی زمانی شاخص آسیب بهینه (ODI) را در رابطه با شاخص فراوانی (AI) گونه A. Scherman برای قطعات با بررسی‌های مکرر نشان داده شده در شکل  ۸ نشان می‌دهند . هر خط نشان دهنده مسیر ODI از ۱ ژانویه تا ۳۱ دسامبر برای یک قطعه و سال مشخص است. رنگ هر خط مربوط به هوش مصنوعی تخمین زده شده از بررسی‌های میدانی برای آن قطعه و سال خاص است، به طوری که رنگ‌های گرم‌تر نشان‌دهنده فراوانی بیشتر موش صحرایی و رنگ‌های سردتر نشان‌دهنده فراوانی کمتر است، همانطور که توسط مقیاس گرادیان در سمت راست تعریف شده است. این تجسم نشان می‌دهد که چگونه شدت آسیب (ODI) به صورت فصلی تغییر می‌کند و چگونه با فراوانی مستقل تخمین زده شده موش صحرایی (AI) مرتبط است. نمودارها با استفاده از پایتون ۳٫۱۱٫۵ ( https://www.python.org/ ) و Matplotlib ( https://matplotlib.org/ ) تولید شده‌اند.

تصویر در اندازه کامل

در مقیاس مکانی دقیق‌تر، شکل  ۱۰ شناسایی قطعات طبقه‌بندی‌شده به عنوان زیستگاه‌های A. scherman را همراه با تکامل سکونت و تراکم جمعیت استنباط‌شده آنها از سال ۲۰۲۱ تا ۲۰۲۴ ارائه می‌دهد. اگرچه تخمین‌های فراوانی مبتنی بر میدان برای اکثر قطعات در این منطقه در دسترس نیست، اما این مدل تراکم جمعیتی را استنباط می‌کند که از الگوهای سازگار و از نظر بیولوژیکی قابل قبول پیروی می‌کنند، که قابل مقایسه با نمونه‌های مشاهده‌شده در قطعات با داده‌های بررسی میدانی در مورد فراوانی نسبی است (شکل  ۱۰ ).

منطقه تحت تأثیر A. Scherman ، که در آن هم از مدل شناسایی زیستگاه و هم از مدل شاخص آسیب بهینه (ODI) برای استنباط فراوانی گونه‌ها در رابطه با آسیب پوشش گیاهی در سراسر زیستگاه‌های بالقوه استفاده شد. نمودارهای نشان داده شده با رنگ آبی، مکان‌هایی را نشان می‌دهند که داده‌های بررسی میدانی در مورد فراوانی نسبی آنها وجود دارد. رنگ خطوط منحنی نشان‌دهنده شاخص فراوانی استنباط شده (AI) از هر نمودار برای هر سال است، همانطور که با گرادیان در سمت راست نشان داده شده است. نقشه‌ها با QGIS 3.28 ( https://qgis.org/ ) تولید شده‌اند.

تصویر در اندازه کامل

این مطالعه بر پتانسیل سنجش از دور Sentinel-2 برای نظارت و پیش‌بینی زیستگاه‌های A. Scherman با وضوح بالا و در مقیاس بزرگ تأکید می‌کند . این یافته‌ها با تحقیقات قبلی که بر کاربرد سنجش از دور برای ارزیابی توزیع جوندگان و پیش‌بینی تأثیر گونه‌های مضر در اکوسیستم‌های کشاورزی و طبیعی تأکید دارند، سازگار است ^{۲۷ ، ۳۲ ، ۳۳ ، ۳۹٫} ادغام یک مدل شناسایی زیستگاه با دقت بالا با یک شاخص طیفی بهینه شده برای ارزیابی خسارت، گامی امیدوارکننده در مدیریت جمعیت‌های موش‌های آبی کاوسوریال است. این رویکرد پتانسیل بهبود تخصیص منابع را دارد و امکان استفاده از تصاویر ماهواره‌ای را به عنوان جایگزینی مقرون به صرفه برای بررسی‌های زمینی پرزحمت ^۲۱ نشان می‌دهد و امکان نظارت دقیق‌تر و ارزیابی بلادرنگ خسارت محصولات را فراهم می‌کند. در حالی که اعتبارسنجی و سازگاری بیشتر با سایر زمینه‌ها ضروری خواهد بود، این روش می‌تواند به استراتژی‌های پایدارتر و از نظر اقتصادی مناسب‌تر برای کنترل جمعیت موش‌های صحرایی کمک کند و پتانسیل کمک به کاهش خسارات کشاورزی و خطرات مرتبط با سلامت عمومی ^{۱۰ ، ۲۳} را داشته باشد .

شاخص خسارت (DI)، بر اساس نوارهای لبه قرمز Sentinel-2، مشابه شاخص‌هایی مانند NDVI، EVI، SAVI، ARVI، GCI، SIPI و NDRE، ناسازگاری‌های بین سالانه را در ردیابی نوسانات شاخص فراوانی نشان داد. اگرچه روندهای کلی با انتظارات همسو بودند، عوامل محیطی مؤثر بر سلامت پوشش گیاهی احتمالاً بر خروجی‌های مدل تأثیر گذاشتند. همانطور که در مطالعات قبلی ^{۳۶ ، ۳۷} اشاره شد ، تغییرات اقلیمی سالانه به طور قابل توجهی بر شاخص‌های پوشش گیاهی تأثیر می‌گذارد. به عنوان مثال، شرایط خشکسالی می‌تواند قدرت پوشش گیاهی را به روش‌هایی که آسیب ناشی از موش صحرایی را تقلید می‌کند، کاهش دهد و تمایز بین عوامل استرس‌زای زیستی و غیرزیستی را پیچیده کند. این امر لزوم در نظر گرفتن تنوع فصلی و اقلیمی را هنگام تفسیر رابطه بین آسیب پوشش گیاهی و فراوانی موش صحرایی برجسته می‌کند ^{۳۳ ، ۳۸٫} در مقابل، شاخص خسارت بهینه (ODI)، که متغیرهای اقلیمی را در بر می‌گیرد، به کاهش این اختلافات کمک کرد و استنباط سازگارتری از فراوانی نسبی A. scherman ارائه داد. این نتایج نشان می‌دهد که آسیب‌های گیاهی ناشی از موش‌های صحرایی، حتی زمانی که تحت تأثیر تغییرات مرتبط با آب و هوا قرار می‌گیرند، می‌توانند با استفاده از شاخص‌های طیفی دقیق تنظیم‌شده، با اطمینان بیشتری پایش شوند . ^۶ تجزیه و تحلیل‌های مقایسه‌ای در طول سال‌ها و فصول نشان داد که آوریل و آگوست آموزنده‌ترین دوره‌ها برای استنتاج مبتنی بر ODI بودند. این ماه‌ها مربوط به افراط در سلامت پوشش گیاهی – اوج و افول – هستند که قابلیت تشخیص آسیب‌های مرتبط با موش صحرایی را افزایش می‌دهند. این امر تا حدودی با بررسی‌های میدانی بهاره که معمولاً در این دوره به دلیل همبستگی قوی‌تر بین فعالیت سطحی و تراکم موش صحرایی انجام می‌شود، سازگار است . ^۱۰ فعالیت موش صحرایی آبی به صورت فصلی تغییر می‌کند، به طوری که رفتار نقب زدن در بهار و پاییز به اوج خود می‌رسد که ناشی از نیازهای تغذیه و تولید مثل است ^{۱۳ ، ۴۵} ، و با بارندگی کافی برای کاهش خشکی خاک پشتیبانی می‌شود ^{۶ ، ۲۲٫} با توجه به اینکه سلامت پوشش گیاهی نیز در بهار به اوج خود می‌رسد، به نظر می‌رسد آوریل به ویژه برای استنتاج دقیق ODI مناسب است. اگرچه این داده‌ها ذاتاً پر سر و صدا هستند و توسط عوامل اکولوژیکی متعدد و متقابل شکل می‌گیرند، اما همبستگی‌های قابل توجه مشاهده شده در این مطالعه را می‌توان از نظر بیولوژیکی معنادار در نظر گرفت، زیرا توسط مکانیسم‌های اکولوژیکی قابل قبولی پشتیبانی می‌شوند. با این حال، این یافته‌ها باید به عنوان یک راه حل جزئی، نه قطعی، برای چالش تفکیک اثرات موش‌های صحرایی از اثرات مرتبط با آب و هوا تفسیر شوند. اصلاح بیشتر روش‌شناسی، مانند گنجاندن داده‌های اقلیمی با وضوح بالاتر و اعتبارسنجی استنتاج‌های سنجش از دور با مشاهدات میدانی بلندمدت‌تر، می‌تواند استحکام نتایج را افزایش دهد.

مدل شناسایی زیستگاه به دقت بسیار قابل قبولی (۹۷%) دست یافت و با موفقیت زیستگاه‌های اشغال‌شده و بالقوه را شناسایی کرد. کاربرد مدل فراوانی نهایی در یک چشم‌انداز وسیع، شناسایی مناطقی را که احتمالاً توسط این گونه اشغال شده‌اند، امکان‌پذیر ساخت. در این مناطق، الگوهای مکانی توزیع و تراکم موش صحرایی تجزیه و تحلیل شد و روابط بین آسیب پوشش گیاهی و فعالیت موش صحرایی برقرار شد. در مناطقی با داده‌های میدانی موجود، روندهای فراوانی مدل‌سازی‌شده با سطوح آسیب پوشش گیاهی همخوانی نشان دادند که توانایی مدل را در ثبت پویایی جمعیت از نظر بیولوژیکی محتمل حتی در غیاب نظارت میدانی مداوم تأیید می‌کند. علاوه بر این، این مدل استنتاج‌هایی در مورد تغییرات جمعیت در سال‌های عدم دسترسی به داده‌های تجربی ارائه داد که نشان‌دهنده سودمندی بالقوه آن به عنوان ابزاری مکمل برای نظارت در زمینه‌های محدود داده است. این قابلیت ممکن است به پشتیبانی از نظارت هدفمندتر در چشم‌اندازهای پیچیده کمک کند، جایی که اولویت‌بندی اقدامات مدیریتی همچنان چالش‌برانگیز است ^۱۹٫ پراکندگی و استعمار زیستگاه برای پویایی جمعیت موش صحرایی آبی فوسوریال ^{۱۲ ، ۱۸ ، ۴۶} اهمیت اساسی دارند . ول‌های جوان و نیمه بالغ در خشکی پراکنده می‌شوند ^۴۷ ، در ابتدا در فواصل کوتاهی که استعمار محلی را تسهیل می‌کند، و حرکات طولانی‌تر در طول مرحله رشد جمعیت ^۱۸ رخ می‌دهد . در طول این مرحله، یک پویایی گیاه-گیاهخواری کاملاً مرتبط پدیدار می‌شود. این گونه انتخاب زیستگاه قابل توجهی را نشان می‌دهد، که اغلب از مناطق با کیفیت بالا بیش از حد بهره‌برداری می‌کند و منجر به افزایش جمعیت محلی و به دنبال آن کاهش منابع می‌شود ^۲۲٫ نظارت بر تعاملات قاصدک-ول با پهپاد، درک ما از الگوهای سکونت و بهینه‌سازی مدیریت را افزایش داده است ^۲۲٫ با این حال، محدودیت‌های نظارت سنتی همچنان باقی است. یک شاخص طیفی می‌تواند به عنوان یک متغیر توضیحی برای ثبت الگوهای بازتابی که نشان دهنده حضور متراکم قاصدک است، گنجانده شود، که به طور بالقوه به عنوان یک پروکسی برای شرایط محیطی مطلوب برای A. scherman عمل می‌کند.ادغام مدل پیش‌بینی زیستگاه بهینه‌شده با یک شاخص طیفی حساس به تجمع قاصدک، همراه با ODI، می‌تواند نقشه‌برداری از مناسب بودن زیستگاه را افزایش دهد، ارزیابی خسارت را بهبود بخشد و شناسایی زودهنگام مناطق پرخطر را ممکن سازد. این ادغام می‌تواند ارتباط اکولوژیکی خروجی‌های پیش‌بینی‌کننده را افزایش دهد. برای تغییر از مدیریت واکنشی به مدیریت پیش‌بینی‌کننده موش صحرایی، توسعه یک مدل قوی که به طور دقیق پراکندگی موفق و الگوهای استقرار بعدی را در مقیاس‌های مکانی و زمانی شبیه‌سازی کند، بسیار مهم است. افزایش پیشگیری از آسیب در مناظر ناهمگن نیازمند تحقیقات آینده است که بر ترکیب تکنیک‌های پیشرفته یادگیری ماشین برای اصلاح طبقه‌بندی کاربری زمین و ارزیابی تأثیر آن بر پراکندگی موش صحرایی آبی متمرکز باشد. ^{۱۹ ، ۲۹٫} علاوه بر این، ترکیب داده‌های حسگر حرارتی با تصاویر پهپاد می‌تواند تشخیص لانه‌ها و آسیب در پوشش گیاهی متراکم را بهبود بخشد . ^۲۸٫ این پیشرفت‌های تکنولوژیکی، قابلیت‌های پیش‌بینی‌کننده استراتژی‌های نظارت بر موش صحرایی را تقویت کرده و از اجرای برنامه‌های کنترل بلندمدت و در مقیاس بزرگ پشتیبانی می‌کند . ^۱۱

اکیداً توصیه می‌شود که هم مدل پیش‌بینی زیستگاه و هم ODI برای هر منطقه جغرافیایی خاص و زمینه اکولوژیکی به‌روزرسانی و مجدداً کالیبره شوند. با این وجود، کاربرد گسترده‌تر آنها در مورد موش‌های صحرایی ساکن در مراتع و علفزارهای سراسر اروپای آتلانتیک ^{۴ ، ۶ ، ۹} ممکن است نسبتاً ساده باشد، به دلیل شباهت در ترکیب پوشش گیاهی و الگوهای آسیب مشاهده شده در گونه‌های علفی بومی و کشت شده در این مناظر ^{۴۱ ، ۴۲٫} کاربرد ODI در سایر سیستم‌های زراعی تا حد زیادی به میزان قابل مشاهده بودن آسیب ناشی از جوندگان بستگی دارد، که در محصولات یک ساله ^۴۱ آشکارتر و در سیستم‌های چند ساله مانند باغ‌های میوه، که در آنها آسیب به تدریج از طریق مصرف ریشه تجمع می‌یابد ^۱۳ ، پنهان‌تر است . برای سایر گونه‌های جوندگان آفت که در اکوسیستم‌های کشاورزی یا مناطق آب و هوایی متمایز وجود دارند، مدل‌های پیش‌بینی زیستگاه باید به طور خاص توسعه داده شوند ^{۳۳ ، ۳۸ ، ۳۹} ، و ODI بر اساس نوع محصول و بیان آسیب ^{۳۴ ، ۳۵} تطبیق داده شود . اگرچه استفاده از شاخص‌های سفارشی و خطوط پردازش اختصاصی ممکن است تکرارپذیری فوری را محدود کند، اما هر دو روش با تنظیمات مناسب، از نظر مفهومی قابل انتقال به سایر زمینه‌ها هستند. در حالی که متغیرهای سنجش از دور و داده‌های حضور عموماً در دسترس هستند و ODI را می‌توان برای آفات و محصولات مختلف مجدداً کالیبره کرد، موفقیت هر چارچوب نظارتی مبتنی بر یادگیری ماشین در نهایت به ادغام داده‌های میدانی با کیفیت بالا بستگی دارد که همبستگی قوی بین فراوانی آفات و آسیب قابل اندازه‌گیری به محصول را نشان می‌دهد. برای کاهش بیش‌برازش، برنامه‌های آینده باید ترکیب مجموعه داده‌های آموزشی متنوع و اعتبارسنجی مستقل در گرادیان‌های مکانی و زمانی را در اولویت قرار دهند. این یافته‌ها بر نیاز به اصلاح روش‌شناختی مداوم و اعتبارسنجی مبتنی بر میدان برای افزایش استحکام، قابلیت اطمینان و مقیاس‌پذیری سیستم‌های نظارت بر جوندگان مبتنی بر سنجش از دور تأکید می‌کنند.

این مطالعه نشان می‌دهد که ادغام تصاویر ماهواره‌ای با وضوح بالا با شاخص‌های طیفی بهینه‌شده و مدل‌سازی پیش‌بینی زیستگاه، پتانسیل قابل توجهی را به عنوان ابزاری مقیاس‌پذیر برای نظارت بر جمعیت‌های موش‌های آبی کاونده دارد. رویکرد پیشنهادی نویدبخش استنباط فراوانی موش‌های صحرایی در سراسر گرادیان‌های آسیب، حتی در مواردی که مشاهدات میدانی مستقیم محدود است، می‌باشد و ممکن است بینش‌های بیولوژیکی معنادار و زمانی ثابتی در مورد پویایی جمعیت ارائه دهد. با پرداختن به برخی از محدودیت‌های کلیدی شاخص‌های پوشش گیاهی سنتی از طریق توسعه شاخص آسیب بهینه‌شده (ODI)، این روش می‌تواند دقت و قابلیت اطمینان ارزیابی‌های مبتنی بر سنجش از دور را در شرایط آب و هوایی مختلف بهبود بخشد. یافته‌ها چندین پیامد عملی بالقوه برای مدیریت کشاورزی و محیط زیست را نشان می‌دهند: (۱) تشخیص زودهنگام و کنترل هدفمند: با شناسایی زیستگاه‌های پرخطر و دوره‌های اوج فعالیت موش‌های صحرایی، مدیران زمین می‌توانند اقدامات کنترلی را با کارایی بیشتری اجرا کنند و خطر آسیب گسترده به محصولات را کاهش دهند. (۲) نظارت مقرون به صرفه: استفاده از داده‌های Sentinel-2 که به صورت رایگان در دسترس هستند، ممکن است نیاز به کار میدانی گسترده را کاهش دهد و از نظارت در مقیاس بزرگ با منابع محدود پشتیبانی کند. (۳) ادغام در سیستم‌های پشتیبانی تصمیم‌گیری: مدل‌های توسعه‌یافته می‌توانند به طور بالقوه در پلتفرم‌های مدیریت آفات منطقه‌ای گنجانده شوند تا بر اساس پیش‌بینی‌های ریسک مکانی، تصمیمات بلادرنگ اتخاذ کنند؛ و (۴) سازگاری با سایر گونه‌ها یا مناطق: با اصلاح بیشتر، این چارچوب ممکن است برای نظارت بر سایر آفات گیاه‌خوار یا برای کاربرد در اکوسیستم‌های کشاورزی مختلف که با چالش‌های مشابهی روبرو هستند، قابل استفاده باشد.