Journal of Applied Ichthyological Research

fa کاربردهای سنجش از دور و سامانه‌های اطلاعات جغرافیایی در شناسایی مناطق مستعد صید ماهیان دریایی: یک مرور نظام‌مند Applications of remote sensing and geographic information systems in identifying areas susceptible to marine fishing: A systematic review تخصصي Special پژوهشي Research مکانیابی کارآمد مناطق صید اقتصادی، یکی از چالش‌های اساسی شیلات دریایی است که به طور مستقیم بر مصرف سوخت و پایداری ذخایر تأثیر می‌گذارد. روش‌های سنتی یافتن ماهی مبتنی بر شناسایی کشتی‌بنیان و تجربه صیادان است که زمان‌بر، سوخت‌بر و از نظر مکانی محدود می‌باشند. سنجش از دور ماهواره‌ای و سامانه‌های اطلاعات جغرافیایی، با ارائه مشاهدات همگام و بلادرنگ از شرایط اقیانوس‌شناختی که موجب تجمع ماهی می‌شوند، انقلابی در شناسایی مناطق مستعد صید ایجاد کرده‌اند. این مرور نظام‌مند، مطالعه گذشته را درباره کاربرد سنجش از دور و سامانه های اطلاعات جغرافیایی در شناسایی مناطق مستعد صید در شیلات دریایی تحلیل می‌کند. دمای سطح دریا (SST) و غلظت کلروفیل‑ (Chl-a) a به عنوان دو پیش‌بینی‌کننده محیطی قوی شناسایی می‌شوند، به‌گونه‌ای که نواحی جبهه‌ای و چرخاب‌های میان‌مقیاس به طور پیوسته کانون‌های تجمع گونه‌های آبزی را تشکیل می‌دهند. رویکردهای یادگیری ماشین، به ویژه جنگل تصادفی و مدل‌های گروهی، دقت پیش‌بینی بالاتری نسبت به روش‌های آماری سنتی نشان می‌دهند و در مطالعات تأییدشده به مقادیر سطح زیر منحنی  بین ۸۵ تا ۹۴ درصد دست می‌یابند. سامانه اطلاعات جغرافیایی مشارکتی  نیز به عنوان رویکردی مکمل شناخته می‌شود که دانش بومی را در چارچوب‌های مدیریت شیلات ادغام می‌کند. محدودیت‌های اصلی عبارتند از: شکاف‌های داده ناشی از پوشش ابر در سنجنده‌های اپتیکی، ناهماهنگی زمانی بین زمان عبور ماهواره‌ها و فعالیت صید، و ناتوانی مدل‌ها در لحاظ کردن تلاش صید یا محدودیت‌های نظارتی. این مرور نتیجه می‌گیرد که اگرچه تلفیق سنجش از دور و GIS یک پیشرفت اساسی به سمت مدیریت داده‌محور شیلات محسوب می‌شود، پژوهش‌های آینده باید بر الگوریتم‌های نافذ ابر، انتقال عملیاتی مدل‌های یادگیری ماشین به مناطق کم‌داده و یکپارچه‌سازی با سناریوهای پیش‌بینی اقلیم متمرکز شوند.   Efficiently locating economic fishing areas is a fundamental challenge in marine fisheries, directly affecting fuel consumption and stock sustainability. Traditional methods of finding fish rely on ship-based identification and fishermen’s experience, which are time-consuming, fuel-intensive, and spatially limited. Satellite remote sensing and geographic information systems have revolutionized the identification of fishing grounds by providing real-time, synchronized observations of oceanographic conditions that promote fish aggregation. This systematic review analyzes past studies on the application of remote sensing and geographic information systems to the identification of fishing grounds in marine fisheries. Sea surface temperature (SST) and chlorophyll a (Chl-a) concentration are identified as two strong environmental predictors, with frontal regions and mesoscale gyres consistently forming focal points for the aggregation of aquatic species. Machine learning approaches, particularly random forest and ensemble models, show higher prediction accuracy than traditional statistical methods, achieving area under the curve values between 85 and 94% in validated studies. Participatory geographic information systems are also recognized as a complementary approach that integrates indigenous knowledge into fisheries management frameworks. The main limitations include: data gaps caused by cloud cover in optical sensors, temporal inconsistency between satellite overpass times and fishing activity, and the inability of models to account for fishing effort or monitoring constraints. This review concludes that although the integration of remote sensing and GIS is a major advance towards data-driven fisheries management, future research should focus on cloud-penetrating algorithms, operational transfer of machine learning models to data-poor areas, and integration with climate forecast scenarios.   سامانه‌های اطلاعات جغرافیایی (GIS), سنجش از دور, مناطق مستعد صید (PFZ), دمای سطح دریا (SST), کلروفیل a, سامانه اطلاعات جغرافیایی مشارکتی (PGIS) Geographic Information Systems (GIS), Remote Sensing, Preferential Fishing Zones (PFZ), Sea Surface Temperature (SST), Chlorophyll-a, Participatory Geographic Information System (PGIS) 41 50 http://jair.gonbad.ac.ir/browse.php?a_code=A-10-1141-1&slc_lang=fa&sid=1 komeil rokni کمیل رکنی rokni@gonbad.ac.ir 100319475328460010206 100319475328460010206 Yes Gonbad Kavous university دانشگاه گنبد Sharifeh Hazini شریفه حزینی sh.hazini@yahoo.com 100319475328460010207 100319475328460010207 No Azadshahr education and training office آموزش و پرورش گلستان Mohammad Gholizadeh محمد قلی زاده gholizadeh_m@gonbad.ac.ir 100319475328460010208 100319475328460010208 No Gonbad kavous university دانشگاه گنبد