Foundation-Model Earth Representations Enable Regional-Scale Forest Aboveground Biomass Monitoring Across the Northeastern United States

पृथ्वी की कल्पना एक विशाल, सांस लेते हुए फेफड़े के रूप में करें। हर बार जब यह फेफड़ा सांस लेता है, तो यह हवा से कार्बन डाइऑक्साइड को अंदर खींचता है और इसे अपने ऊतकों—पेड़ों, पत्तियों और जड़ों—के भीतर जमा कर देता है। यह जमा हुआ कार्बन "अपरग्राउंड बायोमास" (aboveground biomass) कहलाता है, और यह वह गुप्त हथियार है जिसका उपयोग जंगल जलवायु परिवर्तन से लड़ने के लिए करते हैं। लेकिन पेचीदा बात यह है कि एक जंगल कितना कार्बन धारण किए हुए है, यह जानने के लिए वैज्ञानिकों को आमतौर पर बाहर जाकर, हर एक पेड़ को मापना पड़ता है और बहुत सारी जटिल गणितीय गणनाएं करनी पड़ती हैं। यह समुद्र तट पर रेत के कणों को एक-एक करके उठाने और गिनने जैसा है। यह धीमा है, महंगा है, और अक्सर हर जगह एक साथ करना असंभव है।

हाल के वर्षों में, वैज्ञानिकों ने एक शॉर्टकट लेने के लिए उपग्रहों (satellors) का उपयोग करने की कोशिश की है। पेड़ों को सीधे मापने के बजाय, वे लकड़ी की मात्रा का अनुमान लगाने के लिए अंतरिक्ष से ली गई तस्वीरों को देखते हैं। लेकिन पारंपरिक उपग्रह तस्वीरें एक धुंधली खिड़की से जंगल को देखने जैसी हैं; वे हरे रंग की छतरी (canopy) को तो देख सकती हैं, लेकिन वे यह नहीं बता सकतीं कि पेड़ कितने ऊंचे हैं या उनकी शाखाएं कितनी मोटी हैं। यहीं पर एक नए प्रकार के "सुपर-सैटेलाइट" टूल की भूमिका आती है। इन उपकरणों को एक जादुई अनुवादक के रूप में समझें। केवल एक तस्वीर दिखाने के बजाय, वे पूरे परिदृश्य को एक "गुप्त कोड" में बदल देते हैं—संख्याओं की एक लंबी सूची जो जंगल के आकार, स्वास्थ्य और इतिहास को एक साथ वर्णित करती है। यह शोध एक बड़ा सवाल पूछता है: क्या हम इस नए "गुप्त कोड" का उपयोग एक वैश्विक AI प्रणाली से, उन स्थानों पर भी सटीक रूप से वन कार्बन भंडारण को गिनने के लिए कर सकते हैं जहाँ हमारे पास पेड़ों के महंगे, उच्च-तकनीकी 3D मानचित्र उपलब्ध नहीं हैं?

---

जंगल का गुप्त कोड

इस अध्ययन में, कनेक्टिकट विश्वविद्यालय के दो शोधकर्ताओं ने इस नए "गुप्त कोड" को उत्तर-पूर्वी संयुक्त राज्य अमेरिका के जंगलों में परखने का निर्णय लिया। वे यह देखना चाहते थे कि क्या वे लकड़ी की मात्रा का अनुमान लगाने के लिए गूगल सैटेलाइट एम्बेडिंग्स (GSE) नामक एक शक्तिशाली नए उपकरण का उपयोग कर सकते हैं।

चुनौती को समझने के लिए, कल्पना करें कि आप एक बैकपैक (बस्ते) का वजन अनुमान लगाने की कोशिश कर रहे हैं।

• पुराना तरीका (LiDAR): आपके पास एक 3D स्कैनर है जो बैकपैक की सटीक ऊंचाई और आकार को मापता है। यह बेहद सटीक है, लेकिन आप इसका उपयोग तभी कर सकते हैं जब वह स्कैनर आपके पास हो। वास्तविक दुनिया में, यह LiDAR है, एक लेजर तकनीक जो जंगलों के विस्तृत 3D मानचित्र बनाती है। यह बेहतरीन है, लेकिन यह दुर्लभ और महंगा है, जैसे पूरे स्कूल में केवल कुछ ही बैकपैक के लिए 3D स्कैनर होना।
• नया तरीका (GSE): आपके पास एक सुपर-स्मार्ट AI है जिसने अंतरिक्ष, मौसम की रिपोर्ट और मानचित्रों से लाखों बैकपैक देखे हैं। वह बैकपैक को सीधे नहीं देखता है, बल्कि उसने एक "गुप्त कोड" (64 संख्याओं की एक सूची) सीखा है जो बताता है कि उसके परिवेश के आधार पर एक बैकपैक आमतौर पर कैसा दिखता है। यह गूगल सैटेलाइट एम्बेडिंग है। यह हर जगह, हर साल उपलब्ध है, लेकिन यह एक रहस्य है क्योंकि यह एक "ब्लैक बॉक्स" है—हम जानते हैं कि यह काम करता है, लेकिन हमें हमेशा यह पता नहीं होता कि कौन सी संख्या "ऊंचे पेड़" को दर्शाती है और कौन सी "मोटी पत्तियों" को।

प्रयोग: उपकरणों का मिश्रण

शोधकर्ताओं ने नॉर्थईस्टर्न फॉरेस्ट इन्वेंटरी नेटवर्क (NEFIN) से डेटा एकत्र किया, जो दशकों से मनुष्यों द्वारा लिए गए वन मापों की एक विशाल लॉगबुक की तरह है। उनके दो मुख्य लक्ष्य थे:

1. क्या वे जंगल के वजन का अनुमान लगाने के लिए अकेले "गुप्त कोड" (GSE) का उपयोग कर सकते हैं?
2. क्या वे "गुप्त कोड" को 3D लेजर मानचित्रों (LiDAR) के साथ मिलाकर और भी बेहतर अनुमान लगा सकते हैं?

उन्होंने इस पूरी जानकारी को तीन अलग-अलग प्रकार के कंप्यूटर "मस्तिष्क" मॉडल (जिन्हें रैंडम फॉरेस्ट, XGBoost और एक्स्ट्राट्रीज़ कहा जाता है) में डाला ताकि यह देखा जा सके कि कौन सा सबसे अच्छी तरह सीख सकता है।

परिणाम: एक विजयी संयोजन

उन्होंने जो पाया वह काफी रोमांचक है:

• 3D लेजर मानचित्र अभी भी राजा हैं: जब उन्होंने केवल 3D लेजर मानचित्रों (LiDAR) का उपयोग किया, तो कंप्यूटर मॉडल ने बहुत अच्छा प्रदर्शन किया, और सेटिंग्स को फाइन-ट्यून करने के बाद सटीकता स्कोर (जिसे R² कहा जाता है) 0.79 तक पहुँच गया। इसका मतलब है कि मॉडल जंगल के वजन में होने वाले बदलावों के लगभग 79% हिस्से की व्याख्या कर सका।
• गुप्त कोड एक मजबूत दावेदार है: जब उन्होंने केवल "गुप्त कोड" (GSE) का उपयोग किया, तो मॉडल ने आश्चर्यजनक रूप से अच्छा प्रदर्शन किया, और छोटे डेटासेट के साथ 0.67 की सटीकता प्राप्त की। यह साबित करता है कि AI का गुप्त कोड वास्तव में जंगल के बारे में बहुत कुछ जानता है, भले ही उसके पास 3D लेजर मानचित्र न हों।
• टीम वर्क की शक्ति: सबसे अच्छा परिणाम तब आया जब उन्होंने 3D लेजर मानचित्रों को "गुप्त कोड" के साथ मिलाया। इस टीम-अप ने सटीकता को बढ़ाकर 0.79 कर दिया, जिससे पता चला कि दोनों विधियाँ एक-दूसरे के पूरक हैं। वास्तव में, 3D मानचित्र कंप्यूटर को बताते हैं कि पेड़ कितने ऊंचे हैं, जबकि गुप्त कोड बताता है कि वह किस प्रकार का जंगल है और समय के साथ कैसे बदल रहा है। साथ मिलकर, वे एक आदर्श जोड़ी हैं।

बड़ी सफलता: अंतराल को भरना

सबसे आश्चर्यजनक खोज तब हुई जब उन्होंने 3D लेजर मानचित्रों की चिंता करना छोड़ दिया। चूंकि "गुप्त कोड" (GSE) हर साल पूरी दुनिया के लिए उपलब्ध है, इसलिए शोधकर्ता बहुत अधिक डेटा का उपयोग करने में सक्षम थे। उन्होंने अपने अध्ययन को 589 वन प्लॉट्स के छोटे समूह से बढ़ाकर एक विशाल 6,801 प्लॉट्स तक विस्तृत किया!

इस विशाल मात्रा में डेटा का उपयोग करके और कंप्यूटर को केवल "गुप्त कोड" से सीखने देकर, उन्होंने अपना उच्चतम सटीकता स्कोर 0.82 प्राप्त किया।

इसका भविष्य के लिए क्या अर्थ है

यह अध्ययन बताता है कि हमें जंगलों की निगरानी के लिए हमेशा महंगे 3D लेजर मानचित्रों की आवश्यकता नहीं है। यदि हमारे पास अच्छे जमीनी माप (जैसे NEFIN लॉगबुक) हैं और हम इस नए वैश्विक "गुप्त कोड" का उपयोग करते हैं, तो हम पूरे क्षेत्रों के लिए वन कार्बन भंडारण के सटीक मानचित्र बना सकते हैं, यहाँ तक कि उन स्थानों पर भी जहाँ हमने कभी लेजर स्कैनर नहीं उड़ाया है।

शोधकर्ताओं ने पाया कि इस पद्धति का उपयोग करके, वे वार्षिक विकास समायोजन और GSE डेटा का उपयोग न करने वाले मॉडलों की तुलना में मॉडल पूर्वाग्रह (bias) को 70% से अधिक कम कर सकते हैं। उन्होंने यह भी दिखाया कि कंप्यूटर की सेटिंग्स को बदलकर (जिसे हाइपरपैरामीटर ऑप्टिमाइजेशन कहा जाता है), वे परिणामों को बहुत अधिक स्थिर और विश्वसनीय बना सकते हैं।

निष्कर्ष

हालांकि छोटे, विस्तृत क्षेत्रों के लिए 3D लेजर मानचित्र अभी भी सबसे सटीक उपकरण हैं, लेकिन गूगल के AI से मिलने वाला यह नया "गुप्त कोड" एक गेम-चेंजर है। यह वैज्ञानिकों को उन अंतरालों को भरने की अनुमति देता है जहाँ लेजर मानचित्र मौजूद नहीं हैं। अध्ययन निष्कर्ष निकालता है कि पारंपरिक वन डेटा के साथ इन नए AI उपकरणों को जोड़कर, हम अंततः यह बेहतर ढंग से नज़र रख सकते हैं कि हमारे जंगल सालाना कितना कार्बन जमा कर रहे हैं, जिससे हमें अपने ग्रह के जलवायु को पहले से कहीं अधिक प्रभावी ढंग से समझने और बचाने में मदद मिलती है।