LC-SLab -- An object-based deep learning framework for large-scale land cover classification from satellite imagery and sparse in-situ labels

कल्पना कीजिए कि आप अंतरिक्ष से एक विशाल, अदृश्य शहर का मानचित्र बनाने की कोशिश कर रहे हैं एक जासूस के रूप में। आपके पास एक सैटेलाइट कैमरा है जो पृथ्वी की तस्वीरें लेता है, लेकिन आपके पास हर सड़क और इमारत की पूरी सूची नहीं है। इसके बजाय, आपके पास केवल ज़मीन पर मौजूद लोगों के कुछ बिखरे हुए नोट्स हैं, जैसे "यहाँ एक पार्क है," या "यहाँ एक खेत है।" यह लैंड कवर क्लासिफिकेशन (land cover classification) की दुनिया है: उपग्रह चित्रों का उपयोग करके यह पता लगाना कि ज़मीन पर क्या है (जंगल, पानी, शहर, फसलें) बिना हर इंच पर पैदल चले।

पेचीदा हिस्सा यह है कि ये ज़मीनी नोट्स "स्पार्स" (sparse) हैं, जिसका अर्थ है कि वे एक-दूसरे से बहुत दूर हैं, जैसे एक विशाल महासागर में बिखरे हुए द्वीप। यदि आप केवल उपग्रह फोटो के पिक्सेल (छोटे बिंदुओं) को देखकर बाकी के नक्शे का अनुमान लगाने की कोशिश करते हैं, तो आपका दिमाग भ्रमित हो सकता है। आप जंगल और खेत के बीच एक टेढ़ी-मेढ़ी, ऊबड़-खाबड़ रेखा खींच सकते हैं, या गलती से एक "शहर" के पिक्सेल को "जंगल" के बीच में रख सकते हैं। यह नक्शा एक पुराने टीवी के स्टैटिक (static) जैसा बना देगा—जो शोर (noise) और छोटे, असंभव द्वीपों से भरा होगा। वैज्ञानिक इस "शोर" को ठीक करना चाहते हैं ताकि नक्शे वास्तविक, सुव्यवस्थित परिदृश्य दिखें, लेकिन उन्हें यह भी सुनिश्चित करना है कि वे सटीकता (accuracy) न खोएं।

यहीं पर LC-SLab नामक एक नया टूल आता है। इसे एक स्मार्ट तरीके के रूप में समझें जिससे आप तस्वीर को सुलझाने से पहले पहेली के टुकड़ों को व्यवस्थित करते हैं। हर एक छोटे बिंदु के बारे में अनुमान लगाने के बजाय, शोधकर्ता सुझाव देते हैं कि बिंदुओं को "ऑब्जेक्ट्स" (वस्तुओं)—जैसे कि एक पूरा खेत या घरों का एक पूरा ब्लॉक—में समूहबद्ध किया जाए और उन्हें एक एकल इकाई के रूप में माना जाए। यह पेपर दो मुख्य तरीकों का अन्वेषण करता है: या तो कंप्यूटर द्वारा अनुमान लगाने से पहले बिंदुओं को समूहबद्ध करना (इनपुट-लेवल), या कंप्यूटर को पहले अनुमान लगाने देना और फिर बाद में गंदगी को साफ करना (आउटपुट-लेवल)। उन्होंने यूरोप के उपग्रह चित्रों के एक विशाल डेटासेट और ज़मीन के उन कुछ बिखरे हुए नोट्स का उपयोग करके इन विधियों का परीक्षण किया ताकि यह देखा जा सके कि कौन सी विधि सबसे स्वच्छ, सटीक नक्शा बनाती है।

LC-SLab की कहानी: पिक्सेल अराजकता से ऑब्जेक्ट ऑर्डर तक

कल्पना कीजिए कि आप कुछ धुंधली तस्वीरों और दोस्तों द्वारा छोड़े गए कुछ स्टिकी नोट्स के आधार पर दुनिया का एक विशाल भित्ति चित्र (mural) पेंट करने की कोशिश कर रहे हैं। यदि आप दीवार के हर एक छोटे धब्बे को व्यक्तिगत रूप से पेंट करने की कोशिश करते हैं, तो आप एक बिखरा हुआ पेंटिंग बना सकते हैं जहाँ एक पेड़ ऐसा लग सकता है जैसे वह बेतरतीब ढंग से बिखरे हुए लाल और हरे बिंदुओं से बना हो। यही तब होता है जब वैज्ञानिक "स्पार्स" डेटा (डेटा जहाँ सही उत्तर बहुत कम और दूर-दूर होते हैं) पर मानक डीप लर्निंग मॉडल का उपयोग करते हैं। मॉडल भ्रमित हो जाते हैं और ऐसे नक्शे बनाते हैं जो "खंडित" (fragmented) होते हैं—गलत रंगों के छोटे, शोर वाले द्वीपों से भरे हुए।

LC-SLab (लैंड कवर - स्पार्स लेबल एग्रीगेशन) के पीछे के शोधकर्ताओं ने एक अलग दृष्टिकोण अपनाने का निर्णय लिया। बिंदुओं के हिसाब से पेंट करने के बजाय, उन्होंने पूछा: "क्या होगा अगर हम आकृतियों (shapes) के आधार पर पेंट करें?" उन्होंने एक ऐसा ढांचा प्रस्तावित किया जो पिक्सेल को "ऑब्जेक्ट्स" (जैसे कि एक पूरा खेत या जंगल का एक पैच) में समूहित करता है और एक ही बार में पूरी आकृति को एक लेबल असाइन करता है। यह मानचित्र में एक "मिनिमम मैपिंग यूनिट" (MMU) को अनिवार्य बनाता है। MMU को एक नियम के रूप में सोचें जो कहता है, "एक सिंगल पिक्सेल पेंट न करें; सबसे छोटी चीज़ जिसे आप पेंट कर सकते हैं वह एक छोटे बगीचे के आकार का वर्ग है।" यह नियम कंप्यूटर को छोटी, बेवकूफी भरी गलतियाँ करने से रोकता है और उसे चिकनी, सुसंगत आकृतियाँ बनाने के लिए मजबूर करता है।

यह पेपर इस "आकृतियों द्वारा पेंटिंग" पद्धति के दो अलग-अलग रणनीतियों में गहराई से जाता है:

1. "प्री-ग्रुपिंग" रणनीति (इनपुट-लेवल एग्रीगेशन): कल्पना कीजिए कि आपने उपग्रह फोटो को पहेली के टुकड़ों (ऑब्जर्वेशन/ऑब्जेक्ट्स) में काट दिया है, इससे पहले कि आप उन्हें देखते भी हैं। फिर आप इन पहेली के टुकड़ों को एक विशेष "ग्राफ न्यूरल नेटवर्क" (GNN) को फीड करते हैं। यह नेटवर्क प्रत्येक टुकड़े के आकार, आकार और रंगों और उनके पड़ोसियों के साथ उनके संबंध को देखता है, और फिर तय करता है कि प्रत्येक टुकड़ा क्या है। यह एक जिग्सॉ पहेली को देखने जैसा है और कहना कि, "यह टुकड़ा स्पष्ट रूप से एक पेड़ है क्योंकि यह हरा है, बड़ा है, और अन्य हरे टुकड़ों के बगल में है।"

2. "पोस्ट-ग्रूपिंग" रणनीति (आउटपुट-लेवल एग्रीगेशन): यहाँ, आप एक शक्तिशाली कंप्यूटर मॉडल को पहले हर एक बिंदु का रंग अनुमान लगाने देते हैं (एक मानक पिक्सेल-दर-पिक्सेल पेंटर की तरह)। पेंटिंग पूरी होने के बाद, आप पहले से परिभाषित आकृतियों के आधार पर "ऑब्जेक्ट्स" को काटने के लिए कैंची लेते हैं। फिर, आप एक आकृति के अंदर के सभी बिंदुओं को देखते हैं और उस पूरी आकृति के लिए वोट करते हैं कि वह क्या होनी चाहिए। यह एक बिखरे हुए कलाकार को पेंटिंग पूरी करने देने जैसा है, फिर पीछे हटकर कहना, "ठीक है, यह पूरा हिस्सा एक जंगल है, तो चलो इसे सब हरा कर देते हैं।"

उन्होंने क्या पाया: यह इस पर निर्भर करता है कि आपके पास कितना डेटा है

शोधकर्ताओं ने यूरोप (LUCAS) के ग्राउंड सर्वे डेटा और 2018 के उपग्रह चित्रों का उपयोग करके हजारों प्रयोग चलाए। यहाँ उन्होंने क्या खोजा, और यह थोड़ा दिलचस्प मोड़ है:

"बिग डेटा" बनाम "स्मॉल डेटा" का द्वंद्व
सबसे आश्चर्यजनक खोज यह है कि सबसे अच्छी रणनीति पूरी तरह से इस बात पर निर्भर करती है कि आपके पास कितना प्रशिक्षण डेटा (training data) है।

• जब आपके पास बहुत सारा डेटा होता है: "पोस्ट-ग्रूपिंग" रणनीति (कंप्यूटर को पहले अनुमान लगाने दें, फिर सफाई करें) जीत जाती है। शक्तिशाली मॉडल, जैसे DeepLabV3 और GUNet, दुनिया के विवरणों को इतनी अच्छी तरह सीख सकते हैं कि उन्हें एक आदर्श नक्शा बनाने के लिए बाद में केवल थोड़ी सी "सफाई" की आवश्यकता होती है।
• जब आपके पास बहुत कम डेटा होता है: "प्री-ग्रूपिंग" रणनीति (पहले समूह बनाना, फिर अनुमान लगाना) चैंपियन है। जब शोधकर्ताओं ने मॉडलों का परीक्षण सामान्य डेटा के केवल 1/16वें हिस्से के साथ किया, तो इनपुट-लेवल विधियों (जैसे GUNet और BaseGNN) ने अपना आधार बनाए रखा। वे अधिक मजबूत थे और पिक्सेल-अनुमान लगाने वाले मॉडलों की तरह बुरी तरह नहीं गिरे। ऐसा लगता है कि जब आपके पास उदाहरण कम होते हैं, तो शुरुआत से ही कंप्यूटर को एक मजबूत संकेत (ऑब्जेक्ट स्ट्रक्चर) देना बेहतर होता है।

"प्री-ट्रेनिंग" का जादू
टीम ने अन्य AI क्षेत्रों में उपयोग की जाने वाली एक ट्रिक भी आजमाई: उन्होंने मॉडलों को एक बड़े, पहले से बने हुए नक्शे का अध्ययन करने की अनुमति देकर उन्हें "हेड स्टार्ट" दिया। उन्होंने एक ऐसे मॉडल से फीचर्स का उपयोग किया जिसे पहले से ही एक विशाल डेटासेट (भले ही वह डेटासेट एकदम सटीक न हो) पर प्रशिक्षित किया गया था।

• परिणाम: छोटे डेटासेट के लिए यह गेम-चेंजर साबित हुआ। जब मॉडलों ने इन प्री-लर्न किए गए फीचर्स का उपयोग किया, तो बहुत कम नए डेटा के बावजूद उनकी सटीकता काफी बढ़ गई। यह एक छात्र को परीक्षा से पहले पाठ्यपुस्तक का सारांश देने जैसा है; उन्हें सब कुछ शुरू से याद करने की ज़रूरत नहीं है। दिलचस्प बात यह है कि इस ट्रिक ने सभी अलग-अलग मॉडलों को लगभग समान प्रदर्शन करने के लिए प्रेरित किया, जिससे पता चलता है कि उनके द्वारा सीखे गए फीचर्स मॉडल के विशिष्ट आर्किटेक्चर से अधिक महत्वपूर्ण थे।

सटीकता बनाम स्वच्छता का ट्रेड-ऑफ
पेपर ने "मिनिमम मैपिंग यूनिट" (MMU) पर भी गौर किया। उन्होंने विभिन्न आकारों का परीक्षण किया, बहुत छोटे (5 पिक्सेल) से लेकर बड़े (40 पिक्सेल) तक।

• निष्कर्ष: जैसे-जैसे उन्होंने न्यूनतम आकार बढ़ाया, उनके नक्शे बहुत अधिक स्वच्छ (कम खंडित) होते गए, लेकिन उनकी सटीकता थोड़ी कम हो गई। हालाँकि, गिरावट आश्चर्यजनक रूप से कम थी। उदाहरण के लिए, MMU को 40 पिक्सेल तक बढ़ाने से नक्शे की "गंदगी" (fragmentation) में 80% की कमी आई, लेकिन सटीकता केवल लगभग 2% गिरी।
• स्वीट स्पॉट (Sweet Spot): एक छोटा MMU (5 पिक्सल्स) भी सटीकता को नुकसान पहुँचाए बिना गंदगी को आधा कर देता है। यह सुझाव देता है कि "ऑब्जेक्ट थिंकिंग" जोड़ने से खेती या शहर नियोजन जैसे कार्यों के लिए वास्तविक और उपयोगी नक्शे बनाने में बहुत बड़ा लाभ होता है।

दिग्गजों को पछाड़ना
अंत में, शोधकर्ताओं ने अपने नए LC-SLab नक्शों की तुलना दो प्रसिद्ध, मौजूदा लैंड कवर उत्पादों (ESA WorldCover और ESRI Land Cover) से की।

• फैसला: उनका तरीका सटीकता के मामले में इन स्थापित उत्पादों को मात दे गया, खासकर जब उन्होंने सही ऑब्जेक्ट ग्रुपिंग और डेटा साइज का संयोजन उपयोग किया। मौजूदा उत्पाद या तो बहुत सटीक लेकिन बहुत बिखरे हुए (fragmented) थे, या बहुत स्वच्छ लेकिन कम सटीक थे। LC-SLab दोनों (सटीक और स्वच्छ) होने में सक्षम रहा।

यह क्यों मायने रखता है

पेपर निष्कर्ष निकालता है कि हमें सटीकता और स्वच्छ नक्शों के बीच चयन करने की आवश्यकता नहीं है। ऑब्जेक्ट-आधारित डीप लर्निंग का उपयोग करके, हमारे पास दोनों हो सकते हैं। किसी के लिए भी जो अंतरिक्ष से दुनिया का मानचित्र बनाने की कोशिश कर रहा है, मुख्य बात यह है कि संदर्भ (context) ही सर्वोपरि है। यदि आपके पास बहुत सारा डेटा है, तो कंप्यूटर को भारी काम करने दें और बाद में किनारों को साफ करें। यदि आपके पास बहुत कम डेटा है, तो कंप्यूटर को शुरुआत से ही एक संरचना (ऑब्जेक्ट्स) दें।

लेखक स्वीकार करते हैं कि इसकी कुछ सीमाएँ हैं। उनके नक्शे एक वर्ष के एकल स्नैपशॉट (वार्षिक कंपोजिट) पर आधारित हैं, इसलिए वे उन चीजों को मिस कर देते हैं जो तेजी से बदलती हैं, जैसे फसलों का उगना या बाढ़ का उतरना। उन्होंने यह भी नोट किया कि कुछ कठिन भूमि प्रकार, जैसे झाड़ियाँ या खाली भूमि, अभी भी पूरी तरह से वर्गीकृत करने में कठिन थे। हालाँकि, उनका मानना है कि यह ढांचा एक ठोस आधार है। यह दिखाता है कि बिखरे हुए, छिटपुट नोट्स के बावजूद, हम हर एक रेखा खींचने के लिए सेनाओं को काम पर रखने की आवश्यकता के बिना पृथ्वी के विशाल, विश्वसनीय नक्शे बना सकते हैं। यह पृथ्वी अवलोकन (Earth observation) को स्मार्ट, सस्ता और सभी के लिए अधिक उपयोगी बनाने की दिशा में एक कदम है।