⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

यह शोध पत्र एक स्व-पर्यवेक्षित (self-supervised) डीप लर्निंग फ्रेमवर्क प्रस्तुत करता है जो ओंटारियो के 810 वर्ग किमी के परिदृश्य में व्यक्तिगत शहरी वृक्ष बायोमास का एक उच्च-रिज़ॉल्यूशन, द्विकालिक (bitemporal) डेटाबेस उत्पन्न करने के लिए हवाई LiDAR और ऑप्टिकल इमेजरी को एकीकृत करता है, जो बिना किसी मैनुअल एनोटेशन के सटीक क्राउन-स्तरीय अनुमान प्राप्त करता है और पांच वर्षों में 39 Gg C का शुद्ध कार्बन लाभ प्रकट करता है।

मूल लेखक: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

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

कल्पना कीजिए कि एक विशाल, अदृश्य जंगल हमारे शहरों, उपनगरों और कस्बों के बीचों-बीच उग रहा है, जो जंगली इलाकों में नहीं बल्कि हमारे बीच ही है। ये वे पेड़ हैं जो हमारी सड़कों के किनारे लगे हैं, हमारे पार्कों में स्थित हैं और हमारे पड़ोस में फैले हुए हैं। लंबे समय तक, हमारे शहरी पेड़ों में कितनी "लकड़ी" (बायोमास) और कार्बन समाहित है, इसकी गिनती करना समुद्र तट पर रेत के दानों को मोटे दस्ताने पहनकर गिनने जैसा था: हम कुल अनुमान तो लगा सकते थे, लेकिन हम व्यक्तिगत दानों को देख नहीं पा रहे थे, और हमारे मानचित्र अक्सर धुंधले होते थे।

यह शोध पत्र इन शहरी पेड़ों को एक-एक करके गिनने और तौलने का एक नया, उच्च-तकनीकी तरीका प्रस्तुत करता है, जो दक्षिणी ओंटारियो (लगभग 810 वर्ग किलोमीटर) के एक विशाल क्षेत्र में फैला हुआ है। उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है:

1. "विंटर फोटो" (सर्दियों की तस्वीर) की रणनीति

आमतौर पर, जब आप सर्दियों में किसी पेड़ की फोटो लेते हैं (जब उसमें पत्ते नहीं होते), तो वह एक नग्न, धूसर कंकाल जैसा दिखता है। यह कंप्यूटर के लिए पेड़ की शाखा और इमारत की छत के बीच अंतर करना कठिन बना देता है।

शोध का तरीका: शोधकर्ताओं ने शहर को देखने के लिए एक साथ दो प्रकार की "आंखों" का उपयोग किया:
- ऊंचाई देखने वाली आंखें (LiDAR): यह एक 3D लेजर स्कैनर की तरह है जो जमीन और पेड़ों से प्रकाश को परावर्तित करके एक सटीक 3D मॉडल बनाता है। यह पत्तों के बिना भी पेड़ के आकार को देख सकता है।
- रंग देखने वाली आंखें (ऑप्टिकल): ये सर्दियों में ली गई उच्च-रिज़ॉल्यूशन वाली तस्वीरें हैं।
उपमा: इसे ऐसे समझें जैसे आप एक अंधेरे कमरे में किसी व्यक्ति को पहचानने की कोशिश कर रहे हों। यदि आपके पास केवल एक टॉर्च (फोटो) है, तो आप उन्हें मिस कर सकते हैं। लेकिन यदि आपके पास एक सोनार उपकरण (लेजर) भी है जो आपको बताता है कि उनका शरीर ठीक कहाँ है, तो आप उन्हें आसानी से ढूंढ सकते हैं। फोटो से प्राप्त "रंग" और लेजर से प्राप्त "आकार" को मिलाकर, कंप्यूटर पत्तों के बिना भी पेड़ों को पहचान सकता है।

2. बिना शिक्षक के कंप्यूटर को सिखाना

सामान्यतः, कंप्यूटर को पेड़ पहचानने के लिए सिखाने हेतु, मनुष्यों को तस्वीरों में हजारों पेड़ों के चारों ओर रेखाएं खींचने में वर्षों बिताने पड़ते हैं। यह धीमा और महंगा है।

शोध का तरीका: उन्होंने एक "स्व-पर्यवेक्षित" (Self-Supervised) दृष्टिकोण का उपयोग किया। एक शिक्षक को नियुक्त करने के बजाय, उन्होंने कंप्यूटर को कुछ मोटे, नियम-आधारित अनुमान दिए (जैसे "यदि यह सपाट और ऊंचा है, तो यह एक इमारत है; यदि यह ऊबड़-खाबड़ और हरा है, तो यह एक पेड़ है")। ये अनुमान अपूर्ण थे, जैसे किसी छात्र का पहला ड्राफ्ट।
उपमा: कल्पना कीजिए कि एक छात्र एक बिखरी हुई स्केचबुक को देखकर चित्र बनाना सीख रहा है। कंप्यूटर ने इन बिखरे हुए, नियम-आधारित रेखाचित्रों से शुरुआत की और फिर लाखों बार अभ्यास किया, अपनी गलतियों को खुद सुधारते हुए, जब तक कि उसने अपने आप पेड़ों को पूरी तरह से बनाना नहीं सीख लिया। उसे हर एक पेड़ को अपने लिए खींचने के लिए किसी इंसान की जरूरत नहीं पड़ी।

3. "जंगल" को "शहर" से अलग करना

शहरी मानचित्रण का सबसे कठिन हिस्सा पेड़ और घर के बीच अंतर करना है। ऊपर से देखने पर एक सपाट छत पेड़ के छत्र (canopy) जैसी लग सकती है।

शोध का तरीका: कंप्यूटर एक बहुत सख्त बाउंसर बनने के लिए सीखा। इसने यह देखने के लिए 3D लेजर डेटा का उपयोग किया कि इमारतें सपाट और चिकनी होती हैं, जबकि पेड़ ऊबड़-खाबड़ और अनियमित होते हैं।
परिणाम: कंप्यूटर इसमें बहुत कुशल हो गया, जिसने इमारतों को 95% बार सही ढंग से पहचाना और उन्हें पेड़ों से अलग किया। यह महत्वपूर्ण है क्योंकि यदि आप छत को पेड़ समझ लेते हैं, तो आप घर को तौलने की कोशिश कर सकते हैं!

4. पेड़ों को तौलना

एक बार जब कंप्यूटर ने पेड़ों को ढूंढ लिया और प्रत्येक के चारों ओर एक घेरा बना लिया (डिलिनिएशन), तो उसे यह अनुमान लगाने की आवश्यकता थी कि वे कितने भारी हैं।

शोध का तरीका: वे हर पेड़ पर चढ़कर उसे माप नहीं सकते थे। इसके बजाय, उन्होंने एक "नुस्खा" (एलोमेट्रिक समीकरण) का उपयोग किया। वे जानते थे कि बड़े छत्र और ऊंचे पेड़ आमतौर पर अधिक लकड़ी का अर्थ होते हैं। उन्होंने इस नुस्खे को ओकविले के 112,000 पेड़ों की सूची का उपयोग करके कैलिब्रेट किया, जिन्हें पहले ही शहर के कर्मचारियों द्वारा मापा जा चुका था।
चुनौती: कंप्यूटर पेड़ खोजने में तो बहुत अच्छा है, लेकिन यह हर एक पेड़ के छत्र के सटीक किनारे को खींचने में पूर्ण नहीं है। शोध पत्र में पाया गया कि पेड़ों को तौलने के लिए "नुस्खे" का उपयोग करना त्रुटि का सबसे बड़ा स्रोत नहीं था, बल्कि यह था कि कंप्यूटर कभी-कभी पेड़ के छत्र के सटीक किनारे को पहचानने में चूक जाता था (विशेष रूप से बड़े, बिखरे हुए पेड़ों के लिए)।

5. बड़ी तस्वीर के परिणाम

इस प्रणाली को 810 वर्ग किमी क्षेत्र में दो अलग-अलग वर्षों (2018 और 2023) के लिए चलाने के बाद, उन्होंने पाया:

कुल वजन: 2018 में, पेड़ों में लगभग 1.73 मिलियन टन बायोमास था। 2023 तक, यह बढ़कर 1.81 मिलियन टन हो गया।
कार्बन लाभ: इन पांच वर्षों में पेड़ों ने अतिरिक्त 39,000 टन कार्बन अवशोषित किया।
पेड़ कहाँ हैं: सबसे भारी पेड़ नियाग्रा एस्कार्पमेंट (एक चट्टानी ढलान वाला क्षेत्र) और नदी घाटियों के आसपास पाए गए। हल्के, विरल पेड़ आवासीय क्षेत्रों और वाणिज्यिक क्षेत्रों में पाए गए।
अनिश्चितता मानचित्र (Uncertainty Maps): कंप्यूटर ने एक "विश्वास मानचित्र" (confidence map) भी बनाया। इसने उन क्षेत्रों को उजागर किया जहाँ उसे अपने उत्तरों के बारे में कम यकीन था (मुख्य रूप से कृषि क्षेत्रों या मिश्रित क्षेत्रों में), जो भविष्य के शोधकर्ताओं को बताता है, "इन स्थानों की पहले जांच करें।"

सारांश

इस शोध पत्र ने एक स्मार्ट, स्व-शिक्षण कंप्यूटर प्रणाली बनाई है जो सर्दियों के लेजर स्कैन और फोटो का उपयोग करके शहर में व्यक्तिगत पेड़ों को खोजने, उन्हें घेरने और तौलने के लिए करती है, और इसके लिए मनुष्यों को हर एक पेड़ को खींचने की आवश्यकता नहीं होती है। इसने सिद्ध किया कि हम शहरी बायोमास का एक विस्तृत, पेड़-दर-पेड़ मानचित्र प्राप्त कर सकते है, जो हमें दिखाता है कि हमारे शहरी जंगल वास्तव में कहाँ बढ़ रहे हैं और वे कितना कार्बन जमा कर रहे हैं, जो शहरों को बेहतर भविष्य की योजना बनाने में मदद करता है।

तकनीकी सारांश: शहरी वातावरण में स्व-पर्यवेक्षित वृक्ष-स्तरीय बायोमास अनुमान

समस्या विवरण
शहरी वृक्ष स्थलीय कार्बन स्टॉक के एक महत्वपूर्ण घटक हैं, फिर भी उनका बायोमास प्रबंधित वनों की तुलना में कम स्थानिक रूप से स्पष्ट और सुसंगत रहता है। मौजूदा अनुमान अक्सर नमूना सूची (sample inventories) या मोटे रिमोट सेंसिंग उत्पादों (जैसे 10–30 मीटर रिज़ॉल्यूशन) पर निर्भर करते हैं, जो व्यक्तिगत वृक्षों के छत्र (crowns) को पहचानने या जटिल शहरी संरचनाओं में सूक्ष्म-स्तरीय विषमता को पकड़ने में विफल रहते हैं। इसके अलावा, स्केलेबल मैपिंग तीन पद्धतिगत अंतराल के कारण बाधित होती है: (1) पर्यवेक्षित प्रशिक्षण के लिए पिक्सेल-स्तरीय मैनुअल एनोटेशन (manual annotation) पर निर्भरता, जो कवरेज को सीमित करती है; (2) स्वचालित क्राउन डेलिनेशन त्रुटियों बनाम एलोमेट्रिक मॉडल त्रुटियों के कुल अनिश्चितता में सापेक्ष योगदान का अस्पष्ट होना; और (2) मल्टी-टेम्पोरल, क्राउन-स्केल बायोमास उत्पादों की कमी, जिनके साथ स्थानिक रूप से स्पष्ट अनिश्चितता परतें (uncertainty layers) भी जुड़ी हों।

कार्यप्रणाली
यह अध्ययन दक्षिणी ओंटारियो, कनाडा के 810 वर्ग किमी के शहरी-ग्रामीण परिदृश्य पर लागू एक स्व-पर्यवेक्षित, मल्टी-मोडल फ्यूजन फ्रेमवर्क प्रस्तुत करता है, जिसमें द्वि-कालिक (2018 और 2023) एयरबोर्न LiDAR (8–10 पल्स मी⁻²) और लीफ-ऑफ (पत्तियों के बिना) स्थितियों के तहत प्राप्त निकट-अवरक्त (near-infrared) RGB ऑर्थोफोटोग्राफी (0.16–0.20 मी) का उपयोग किया गया है।

स्यूडो-लेबल जनरेशन (Pseudo-Label Generation): मैनुअल एनोटेशन की आवश्यकता को समाप्त करने के लिए, लेखकों ने शोर युक्त (noisy) स्यूडो-लेबल उत्पन्न करने के लिए एक नियम-आधारित फ्रेमवर्क विकसित किया। इसमें शामिल था:
- भवन पहचान (Building Detection): कैनोपी हाइट मॉडल (CHM) पर रास्टर-आधारित प्लानरिटी विश्लेषण के साथ मॉर्फोलॉजिकल फिल्टरिंग।
- वनस्पति वर्गीकरण: लीफ-ऑफ स्थितियों के तहत नीडलीलीफ (सुई जैसी पत्तियों वाले) और डेसिडुआस (पर्णपाती) पेड़ों के बीच अंतर करना, जहाँ नीडलीलीफ क्राउन उच्च NDVI बनाए रखते हैं जबकि डेसिडुआस क्राउन नहीं रखते।
स्व-पर्यवेक्षित न्यूरल नेटवर्क: एक डुअल-स्ट्रीम क्रॉस-अटेंशन ConvNeXtV2 U-Net को इन स्यूडो-लेबल्स पर प्रशिक्षित किया गया था। यह आर्किटेक्चर समानांतर एनकोडर के माध्यम से ऑप्टिकल (NIR, R, G, B) और स्ट्रक्चरल (CHM) इनपुट को प्रोसेस करता है, और फीचर्स को फ्यूज करने के लिए क्रॉस-मोडल अटेंशन ब्लॉक्स का उपयोग करता है।
- लॉस फंक्शन (Loss Function): मॉडल ने लैंड-कवर सेगमेंटेशन, ट्री-टाइप क्लासिफिकेशन और ऑक्जिलरी इनपुट रिकंस्ट्रक्शन को संयोजित करने वाला एक मल्टीटास्क ऑब्जेक्टिव अपनाया। महत्वपूर्ण रूप से, इसने शोर युक्त स्यूडो-लेबल्स पर ओवरफिटिंग को कम करने के लिए एक 'एक्टिव नेगेटिव लॉस' (ANL-CE) का उपयोग किया।
- अनिश्चितता परिमाणीकरण (Uncertainty Quantification): प्रति-पिक्सेल अनिश्चितता मानचित्र उत्पन्न करने के लिए 25 मॉडलों (विभिन्न फोल्ड्स और हाइपरपैरामीटर्स) का एक डीप एन्सेम्बल उपयोग किया गया, जो एलियटोरिक (डेटा) और एपिस्टेमिक (मॉडल) अनिश्चितता के बीच अंतर करता है।
क्राउन डेलिनेशन (Crown Delineation): पहचाने गए वृक्ष क्षेत्रों के भीतर CHM पर मल्टी-स्केल वॉटरशेड सेगमेंटेशन का उपयोग करके व्यक्तिगत वृक्षों के छत्र (crowns) को रेखांकित किया गया। ओवर-सेगमेंटेशन (छोटे पेड़ों के लिए) और अंडर-सेगमेंटेशन (बड़े, ओवरलैपिंग क्राउन के लिए) को संबोधित करने के लिए तीन स्केल लागू किए गए।
बायोमास अनुमान: एक पावर-लॉ प्रॉक्सी मॉडल ( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ ) को ओकविले के 21,921 इन्वेंट्री पेड़ों का उपयोग करके प्रजाति-विशिष्ट एलोमेट्रिक समीकरणों (लैम्बर्ट एट अल., 2005) के विरुद्ध कैलिब्रेट किया गया।
- समीकरण चयन: कम अनिश्चितता वाले क्राउन्स को फंक्शनल-ग्रुप-विशिष्ट समीकरण (डेसिडुआस बनाम नीडलीलीफ) दिए गए; अनिश्चित क्राउन्स को अविश्वसनीय एक्सट्रपलेशन को रोकने के लिए एक पूल्ड "ऑल-ट्रीज़" समीकरण की ओर निर्देशित किया गया।
- वैलिडेशन: सटीकता का आकलन 90,726 पेड़ों के होल्ड-आउट टेस्ट सेट के विरुद्ध किया गया, जिसमें इन्वेंट्री ज्योमेट्री (अपर बाउंड) बनाम ऑपरेशनल वॉटरशेड सेगमेंटेशन से प्राप्त भविष्यवाणियों की तुलना की गई।

मुख्य परिणाम

सेगमेंटेशन प्रदर्शन: एन्सेम्बल मॉडल ने सभी मेट्रिक्स पर प्रारंभिक नियम-आधारित स्यूडो-लेबल्स में सुधार किया। मैन्युअल रूप से एनोटेट किए गए टाइल्स के विरुद्ध, मॉडल ने 0.86 का माध्य प्रिसिजन, 0.83 का रिकॉल और 0.84 का डाइस कोएफिशिएंट प्राप्त किया। भवन पहचान विशेष रूप से मजबूत थी (डाइस 0.95), जबकि नीडलीलीफ सेगमेंटेशन सबसे चुनौतीपूर्ण क्लास रही (रिकॉल 0.66)।
बायोमास अनुमान सटीकता:
- जब इन्वेंट्री-व्युत्पन्न क्राउन ज्योमेट्री (एलोमेट्रिक एरर को अलग करते हुए) का उपयोग किया गया, तो मॉडल ने $R^2 = 0.609$ प्राप्त किया।
- ऑपरेशनल स्थितियों के तहत स्वचालित सेगमेंटेशन का उपयोग करते समय, $R^2$ घटकर 0.570 रह गया।
- नीडलीलीफ अनुमान डेसिडुआस अनुमानों ( $R^2 = 0.553$ ) की तुलना में अधिक सटीक थे ( $R^2 = 0.646$ ), जिसका कारण CHM डेटा में नीडलीलीफ कैनोपी के स्पष्ट ऊँचाई शिखर (height peaks) थे।
- इन्वेंट्री से ऑपरेशनल ज्योमेट्री तक प्रदर्शन में गिरावट ने क्राउन डेलिनेशन एरर को अनिश्चितता के मुख्य स्रोत के रूप में पहचाना, विशेष रूप से बड़े पेड़ों के लिए जो अंडर-सेगमेंटेशन के प्रति संवेदनशील हैं।
स्थानिक और टेम्पोरल निष्कर्ष:
- कुल ऊपर-जमीन बायोमास (AGB) स्टॉक 2018 में 1.73 Tg (811 Gg C) से बढ़कर 2023 में 1.81 Tg (850 Gg C) हो गया, जो 39 Gg C का शुद्ध कार्बन लाभ दर्शाता है।
- उच्च बायोमास घनत्व (~140 Mg ha⁻¹) नियारा एस्कार्पमेंट और रिपेरियन कॉरिडोर के साथ केंद्रित थे, जबकि आवासीय और वाणिज्यिक क्षेत्रों में घनत्व कम था।
- डीप-एन्सेम्बल अनिश्चितता मानचित्रों ने उच्च एपिस्टेमिक अनिश्चितता वाले क्षेत्रों (जैसे कृषि और संक्रमणकालीन क्षेत्र) की सफलतापूर्वक पहचान की जहाँ प्रशिक्षण डेटा कम प्रतिनिधित्व वाला था।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य एक स्केलेबल, प्रोटोटाइप वर्कफ़्लो प्रदान करता है जो मैनुअल एनोटेशन के बिना विशेष रूप से मानक प्रांतीय सेंसर डेटा पर संचालित होता है। प्रमुख योगदानों में शामिल हैं:

स्केलेबिलिटी: यह प्रदर्शित करना कि नियम-आधारित स्यूडो-लेबलिंग और न्यूरल नेटवर्क रिफाइनमेंट मिलकर विषम शहरी वातावरण में उच्च सटीकता प्राप्त कर सकते है, जो मैनुअल लेबलिंग की बाधा को दूर करता है।
त्रुटि लक्षण वर्णन (Error Characterization): स्पष्ट रूप से यह मात्रा निर्धारित करना कि क्राउन डेलिनेशन त्रुटियां, न कि एलोमेट्रिक मॉडल त्रुटियां, ऑपरेशनल AGB अनुमान में प्राथमिक सीमा हैं, जिसमें बड़े पेड़ों के अंडर-सेगमेंटेशन पर विशेष ध्यान दिया गया है।
अनिश्चितता-जागरूक मैपिंग: एक द्वि-कालिक, क्राउन-स्तरीय डेटाबेस प्रदान करना जिसके साथ एक अनिश्चितता परत जुड़ी हुई है, जिससे उपयोगकर्ताओं को उच्च विश्वास वाले क्षेत्रों और उन क्षेत्रों के बीच अंतर करने में मदद मिलती है जिनके लिए फील्ड वैलिडेशन की आवश्यकता है।
कार्बन अकाउंटिंग: कम-रिज़ॉल्यूशन या सैंपल-आधारित विधियों के लिए एक स्थानिक रूप से स्पष्ट विकल्प प्रदान करना, जो "वनों के बाहर के पेड़ों" के लिए नगरपालिका प्रबंधन और क्षेत्रीय कार्बन अकाउंटिंग हेतु एक सार्वजनिक रूप से उपलब्ध डेटाबेस प्रदान करता है।

अध्ययन पूर्ण बायोमास मूल्यों के संबंध में एक मध्यम स्वर बनाए रखता है, यह स्वीकार करते हुए कि खुले वातावरण में उगने वाले शहरी पेड़ों के लिए वन-व्युत्पन्न एलोमेट्रिक समीकरणों का उपयोग व्यवस्थित पूर्वाग्रह (systematic bias) पेश कर सकता है। हालांकि, लेखक तर्क देते हैं कि सापेक्ष स्थानिक और टेम्पोरल पैटर्न मजबूत बने रहते हैं, जो अधिक सुसंगत शहरी कार्बन अकाउंटिंग की दिशा में एक आधारभूत कदम प्रदान करते हैं।