Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
यह शोध पत्र प्रदर्शित करता है कि EuroSAT डेटासेट के RGB बैंड्स पर ट्रांसफर लर्निंग और फाइन-ट्यूनिंग लागू करने से अत्यधिक सटीक (99.19%) भूमि उपयोग और भूमि आवरण मानचित्रण सक्षम होता है, जो पर्यावरणीय निगरानी, शहरी नियोजन और जलवायु परिवर्तन शमन के लिए एक मूल्यवान उपकरण प्रदान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
पृथ्वी निरंतर बदल रही है, जिसे जंगलों के धीमे विस्तार, शहरों के अचानक प्रसार और कृषि के बदलते स्वरूपों द्वारा नया आकार दिया जा रहा है। इन परिवर्तनों को प्रबंधित करने और हमारे प्राकृतिक संसाधनों की रक्षा करने के लिए, वैज्ञानिकों को ऊपर से जमीन कैसी दिखती है, इसका एक स्पष्ट और सटीक चित्र चाहिए। दशकों तक, इसका अर्थ था लोगों को क्षेत्र में भेजना या तस्वीरों का मैन्युअल रूप से अध्ययन करना, जो एक धीमी और अक्सर अधूरी प्रक्रिया थी। आज, उपग्रह ग्रह की परिक्रमा कर रहे हैं, जो हर दिन डिजिटल छवियों की विशाल मात्रा कैप्चर करते हैं। ये छवियां हमारी सतह का एक विशाल, वैश्विक संग्रह बनाती हैं, लेकिन वे एक-एक करके छाँटने के लिए मनुष्यों के लिए बहुत अधिक हैं। यहीं पर आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) काम आती है, विशेष रूप से एक शाखा जिसे कंप्यूटर विजन कहा जाता है, जो मशीनों को पैटर्न पहचानना और छवियों के भीतर वस्तुओं की पहचान करना सिखाती है, ठीक वैसे ही जैसे एक मानवीय आंख करती है। चुनौती इन मशीनों को एक नदी, एक जंगल या एक आवासीय पड़ोस के बीच उच्च सटीकता के साथ अंतर करने के लिए प्रशिक्षित करने में निहित है, विशेष रूप से तब जब डेटा जटिल उपग्रह सेंसरों से आता है।
हाल ही में एक अध्ययन में, शोधकर्ताओं सुमन कुंवर और जन्नतुल फर्दौश ने यह परीक्षण करने के लिए इस चुनौती का सामना किया कि एक आधुनिक प्रकार की आर्टिफिशियल इंटेलिजेंस भूमि उपयोग और भूमि आवरण को कितनी अच्छी तरह वर्गीकृत कर सकती है। उन्होंने यूरोसैट (EuroSAT) नामक उपग्रह छवियों के एक विशिष्ट संग्रह पर ध्यान केंद्रित किया, जिसमें सेंटिनल-2 (Sentinel-2) उपग्रह द्वारा ली गई पृथ्वी की सतह की 27,000 लेबल वाली तस्वीरें शामिल हैं। ये छवियां दस अलग-अलग श्रेणियों में विभाजित हैं, जिनमें वार्षिक फसल और जंगलों से लेकर राजमार्गों और औद्योगिक क्षेत्रों तक शामिल हैं। शोधकर्ता यह देखना चाहते थे कि क्या वे एक शक्तिशाली, प्री-ट्रेंड मॉडल जिसे विजन ट्रांसफॉर्मर (Vision Transformer) या ViT कहा जाता है, का उपयोग इन छवियों को वर्गीकृत करने के लिए कर सकते हैं। इस मॉडल को पहले से ही सामान्य फोटोग्राफ्स में वस्तुओं को पहचानने के लिए सिखाया गया था, और टीम का लक्ष्य यह देखना था कि क्या इसे उपग्रह इमेजरी के विशिष्ट टेक्सचर और रंगों को समझने के लिए अनुकूलित किया जा सकता है। उन्होंने यह परीक्षण किया कि क्या मॉडल को उसी छवियों के अतिरिक्त, थोड़े बदले हुए संस्करणों—जैसे कि पलटी हुई या क्रॉप की गई कॉपियां—को खिलाने से इसे बेहतर सीखने में मदद मिलेगी, जिसे डेटा ऑग्मेंटेशन (data augmentation) नामक तकनीक कहा जाता है।
टीम ने एक विशिष्ट सेट निर्देशों और उपकरणों का उपयोग करके अपने सिस्टम को प्रशिक्षित किया, और एक ऑनलाइन प्लेटफॉर्म के माध्यम से उपलब्ध शक्तिशाली कंप्यूटर प्रोसेसरों पर प्रयोग चलाए। उन्होंने समान उपग्रह डेटा का उपयोग करके विजन ट्रांसफॉर्मर की तुलना दो अन्य प्रसिद्ध आर्टिफिशियल इंटेलिजेंस मॉडलों, VGG16 और ResNet-50 से की। परिणामों ने दिखाया कि विजन ट्रांसफॉर्मर तीनों में सबसे सटीक था। जब शोधकर्ताओं ने बिना किसी अतिरिक्त बदलाव के मानक छवियों का उपयोग किया, तो मॉडल ने 98.61 प्रतिशत मामलों में भूमि के प्रकार की सही पहचान की। हालांकि, जब उन्होंने डेटा ऑग्मेंटेशन तकनीक पेश की, तो मॉडल के प्रदर्शन में और सुधार हुआ, जिससे सटीकता 98.72 प्रतिशत तक पहुँच गई। एक अधिक विस्तृत परीक्षण में जहाँ उन्होंने मॉडल को लंबे समय तक प्रशिक्षित किया, ऑग्मेंटेड डेटा वाले संस्करण ने 99.19 प्रतिशत की उल्लेखनीय सटीकता प्राप्त की, जबकि बिना ऑग्मेंटेशन वाले संस्करण की सटीकता प्रशिक्षण जारी रहने के साथ थोड़ी कम हो गई, जो 10 एपोक्स (epochs) पर 98.67% से गिरकर 20 एपोक्स पर 98.41% हो गई। यह सुझाव देता है कि मॉडल को छवियों के विविध कोणों और क्रॉप्स के संपर्क में लाने से इसने नए, अनदेखे डेटा के प्रति बेहतर सामान्यीकरण (generalize) किया।
यह सिद्ध करने के लिए कि इस उच्च स्तर की सटीकता को वास्तविक दुनिया में लागू किया जा सकता है, शोधकर्ताओं ने अपने सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल को जर्मनी के क्रेइस बोरकेन (Kreis Borken) नामक एक विशिष्ट क्षेत्र पर लागू किया। उन्होंने 2018 से 2020 तक इस क्षेत्र की उपग्रह छवियां एकत्र कीं और उन्हें छोटे, प्रबंधनीय वर्गों में विभाजित किया। फिर मॉडल ने प्रत्येक वर्ग का परीक्षण किया और उसे एक लेबल दिया, जैसे कि जंगल, चारागाह या आवासीय क्षेत्र। अंतिम आउटपुट एक रंगीन मानचित्र था जो इस क्षेत्र में विभिन्न भूमि प्रकारों के वितरण को दृश्य रूप से प्रदर्शित करता था। मानचित्र के विश्लेषण से पता चला कि मॉडल जंगलों और जल निकायों की पहचान करने में विशेष रूप से अच्छा था, जबकि उसे "चारागाह" (pasture) श्रेणी को अलग करने में थोड़ा कठिन लगा, जिसने सभी श्रेणियों में सबसे कम सटीकता दर्ज की, हालांकि शेष श्रेणियों ने लगभग 99% सटीकता प्राप्त की।
अध्ययन यह निष्कर्ष निकालता है कि ट्रांसफर लर्निंग (transfer learning) का उपयोग करना, जहाँ एक कार्य के लिए प्रशिक्षित मॉडल को दूसरे के लिए अनुकूलित किया जाता है, भूमि उपयोग का मानचित्रण करने का एक अत्यधिक प्रभावी तरीका है। शोधकर्ताओं ने पाया कि डेटा ऑग्मेंटेशन जोड़ने से न केवल वर्गीकरण की सटीकता में सुधार हुआ, बल्कि इसने मॉडल को ओवरफिटिंग (overfitting) से बचने में भी मदद की, जो एक आम समस्या है जहाँ एक कंप्यूटर प्रशिक्षण डेटा को बहुत बारीकी से याद कर लेता है और नए पैटर्न को पहचानने में विफल रहता है। इन तकनीकों को जोड़कर, टीम ने प्रदर्शित किया कि पृथ्वी की सतह के विस्तृत, स्वचालित मानचित्र लगभग पूर्ण सटीकता के साथ बनाना संभव है। ये निष्कर्ष बताते हैं कि ऐसे उपकरण शहरी योजनाकारों और पर्यावरणविदों के लिए मूल्यवान हो सकते जिन्हें भूमि उपयोग में परिवर्तन की निगरानी करने, भविष्य के विकास की योजना बनाने और केवल मैन्युअल अवलोकन पर निर्भर रहने के बिना प्राकृतिक आवासों की रक्षा करने के लिए आवश्यकता होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।