Mapping melliferous tree species in Kenya via one-class classification with hyperspectral unsupervised domain adaptation

कल्पना कीजिए कि आप एक जासूस हैं जो एक विशाल, अस्त-व्यस्त गोदाम में छिपे हुए एक विशिष्ट प्रकार के स्नीकर (sneaker) को खोजने की कोशिश कर रहे हैं। आमतौर पर, कंप्यूटर को उस स्नीकर को पहचानने के लिए सिखाने के लिए, आपको उसे उस स्नीकर की हजारों तस्वीरें और उन सभी चीजों की हजारों तस्वीरें दिखानी पड़ती हैं जो स्नीकर नहीं हैं—जैसे बूट, सैंडल, मोजे और डिब्बे। लेकिन क्या होगा अगर आपके पास उस स्नीकर की केवल कुछ ही तस्वीरें हों और "स्नीकर नहीं हैं" ऐसी चीजों की कोई फोटो न हो? यहीं पर एक विशेष तकनीक काम आती है जिसे वन-क्लास क्लासिफिकेशन (One-Class Classification) कहा जाता है। यह कंप्यूटर को उस स्नीकर को उसके अनूठे आकार और रंग का अध्ययन करके पहचानने के लिए सिखाने जैसा है, ताकि वह यह कह सके, "मैं जानता हूँ कि यह वही स्नीकर है," बिना किसी अन्य जूते को देखे जिससे उसकी तुलना की जा सके।

अब, कल्पना कीजिए कि आप एक गोदाम (मान लीजिए "गोदाम A") में अपने जासूस को प्रशिक्षित करते हैं, लेकिन फिर आप उन्हें एक बिल्कुल अलग गोदाम ("गोदाम B") में भेज देते हैं जहाँ रोशनी अलग है, फर्श की बनावट अलग है, और लेआउट भी थोड़ा भिन्न है। भले ही आपका जासूस गोदाम A का विशेषज्ञ हो, फिर भी वह गोदाम B में भ्रमित हो सकता है क्योंकि खेल के नियम बदल गए हैं। इस भ्रम को डोमेन शिफ्ट (Domain Shift) कहा जाता है। विज्ञान की दुनिया में, यह तब होता है जब एक स्थान से एकत्र किया गया डेटा दूसरे स्थान के डेटा से मेल नहीं खाता है, जिससे पुराने नक्शों का उपयोग करके नई चीजों को खोजना कठिन हो जाता है। यह शोध पत्र इसी समस्या पर काम करता है, लेकिन स्नीकर के बजाय, यहाँ जासूस उन पेड़ों की तलाश कर रहे हैं जो मधुमक्खियों को भोजन कराते हैं, और वे इसके लिए हाई-टेक कैमरों का उपयोग कर रहे हैं जो मानवीय आंखों की कल्पना से कहीं अधिक रंगों को देख सकते हैं।

मधुमक्खी पालक की दुविधा और पेड़ का जासूस

केन्या में, मधुमक्खी पालन कई परिवारों के लिए जीवन रेखा है, लेकिन यह अभी भी पुराने तरीकों पर टिका हुआ है। अधिकांश छत्ते बस पेड़ों से लटकते हुए खोखले तने होते हैं, जो धीमी गति से कम गुणवत्ता वाला शहद पैदा करते हैं। इसे ठीक करने के लिए, वैज्ञानिक मधुमक्खी पालकों को उनके छत्ते लटकाने के लिए सबसे अच्छी जगहें खोजने में मदद करना चाहते हैं। राज क्या है? उन्हें उन विशिष्ट पेड़ों को खोजने की आवश्यकता है जो मधुमक्खियों के लिए 'ऑल-यू-कैन-ईट बुफे' (all-you-can-eat buffets) की तरह हैं। इनमें से तीन सुपर-पेड़ हैं: सेनेगलिया मेलिफेरा (Senegalia mellifera), वैचेलिया टोर्टिलिस (Vachellia tortilis), और कोमिफोरा अफ्रीकाना (Commiphora africana)।

समस्या यह है कि ये पेड़ विशाल, ऊबड़-खाबड़ परिदृश्यों में बिखरे हुए हैं। हर एक को गिनने के लिए घूमना असंभव है। इसलिए, वैज्ञानिक ऊपर से उड़ते हुए विमानों के साथ हाइपरस्पेक्ट्रल कैमरों (hyperspectral cameras) का उपयोग करते हैं। इन कैमरों को उन सुपर-शक्तिशाली आंखों के रूप में सोचें जो हमारी आंखों द्वारा देखे जाने वाले तीन रंगों (लाल, हरा, नीला) के बजाय 92 अलग-अलग "रंगों" (प्रकाश बैंड) को देख सकती हैं। यह उन्हें दो ऐसे पेड़ों के बीच अंतर करने की अनुमति देता है जो हमें समान दिखते हैं लेकिन जिनके रासायनिक संकेत थोड़े अलग होते हैं।

हालाँकि, इसमें एक पेंच है। कंप्यूटर को इन पेड़ों को पहचानने के लिए सिखाने के लिए, आपको आमतौर पर उसे लक्ष्य पेड़ के उदाहरण और जंगल के अन्य सभी पेड़ों के उदाहरण दिखाने की आवश्यकता होती है ताकि वह कह सके, "यह वह है, और वह नहीं है।" एक जंगल में सैकड़ों प्रजातियां होने पर, हर एक पेड़ के लिए लेबल प्राप्त करना एक बुरा सपना है। इसके अलावा, यदि आप अपने कंप्यूटर को एक घाटी (मान लीजिए चोक - Choke) के डेटा पर प्रशिक्षित करते हैं, तो वह अक्सर दूसरी घाटी (लुमो - Lumo) में जाने पर भ्रमित हो जाता है क्योंकि वहां की रोशनी, मिट्टी और पेड़ों के बढ़ने का तरीका थोड़ा अलग होता है। यही "डोमेन शिफ्ट" की समस्या है।

जादू का तरीका: HyUDA-One

यह शोध पत्र एक नई विधि पेश करता है जिसे HyUDA-One कहा जाता है। यह एक चतुर ढांचा (framework) है जिसे एक "सुपर-जासूस" के रूप में डिज़ाइन किया गया है जो एक स्थान से सीख सकता है और फिर पूरी तरह से एक अलग स्थान में सफलतापूर्वक शिकार कर सकता है, भले ही उसने पहले कभी उस नए स्थान को न देखा हो और उसके पास मदद के लिए कोई लेबल न हो।

यह जादू चरण-दर-चरण कैसे काम करता है, यहाँ दिया गया है:

1. "पॉजिटिव-अनलेबल" शुरुआत: हर पेड़ को "लक्ष्य" या "लक्ष्य नहीं" के रूप में लेबल करने की आवश्यकता के बजाय, वैज्ञानिकों ने केवल उन्हीं पेड़ों को लेबल किया जिन्हें वे जानते थे कि वे लक्षित प्रजाति हैं ("पॉजिटिव" वाले)। उन्होंने प्रशिक्षण क्षेत्र के अन्य सभी पेड़ों को "अनलेबल" (unlabeled) माना। कंप्यूटर लक्षित पेड़ को पहचानने के लिए सकारात्मक उदाहरणों का अध्ययन करके सीखता है और यह अनुमान लगाता है कि अनलेबल वाले संभवतः लक्ष्य नहीं हैं।
2. "अनसुपरवाइज्ड" छलांग: एक बार जब कंप्यूटर पहले घाटी (चोक) पर प्रशिक्षित हो जाता है, तो टीम उसे दूसरी घाटी (लुमो) में भेज देती है। लेकिन यहाँ ट्विस्ट यह है कि लुमो में उनके पास शून्य लेबल किए गए पेड़ हैं। वे यह नहीं कह सकते कि, "यह एक वैचेलिया टोर्टिलिस है," क्योंकि उन्होंने अभी तक वहां जमीन की जांच नहीं की है।
3. "स्यूडो-पॉजिटिव" अनुमान लगाने का खेल: कंप्यूटर नई घाटी को देखता है और अपने सर्वश्रेष्ठ अनुमान लगाता है। वह कहता है, "मुझे 90% यकीन है कि यह पिक्सेल एक वैचेलिया टोर्टिलिस है।" वैज्ञानिक फिर उन पिक्सेल को लेते हैं जिनके बारे में कंप्यूटर सबसे अधिक आश्वस्त है और कहते हैं, "ठीक है, चलो मान लेते हैं कि ये निश्चित रूप से सही पेड़ हैं।" इन्हें स्यूडो-पॉजिटिव (pseudo-positive) नमूने कहा जाता है।
4. "स्पेशियल-स्पेक्ट्रल" सुरक्षा जाल: कंप्यूटर को बहुत अधिक आत्मविश्वासी होने और गलतियाँ करने से रोकने के लिए, यह नया तरीका एक विशेष नियम का उपयोग करता है जिसे स्पेशियल-स्पेक्ट्रल रेगुलराइज्ड स्यूडो-पॉजिटिव लर्निंग (SSPPL) कहा जाता है। कल्पना कीजिए कि आप भीड़ में अपने दोस्त को ढूंढ रहे हैं। यदि आप किसी को देखते हैं जो आपके दोस्त जैसा दिखता है, तो आप जाँच करते हैं: "क्या वे उन अन्य लोगों के पास खड़े हैं जो मेरे दोस्त जैसे दिखते हैं?" और "क्या उनके कपड़े भी वैसे ही हैं?" यह तरीका स्पेक्ट्रल (रंग) और स्पेशियल (पड़ोस) संदर्भ दोनों की जाँच करता है। यह सुनिश्चित करता है कि इसके द्वारा बनाए गए "नकली" लेबल समान पेड़ों से घिरे हुए हैं, जिससे अनुमान बहुत सुरक्षित हो जाता है।
5. पुनरावृत्ति चक्र (Iterative Loop): कंप्यूटर इन सुरक्षित अनुमानों का उपयोग करके खुद को फिर से प्रशिक्षित करता है, फिर नए अनुमान लगाता है, और यह प्रक्रिया दोहराता है। हर चक्र के साथ, यह दोनों घाटियों के बीच के अंतर को अनदेखा करने और पेड़ वास्तव में कैसा दिखता है, इस पर ध्यान केंद्रित करने में बेहतर होता जाता है।

उन्होंने क्या पाया

परिणाम प्रभावशाली थे। जब वैज्ञानिकों ने अपनी नई विधि का परीक्षण दूसरी घाटी (लुमो) पर किया, तो इसने केवल कार्य को "ठीक" नहीं किया; बल्कि इसने इसमें महारत हासिल कर ली।

• सेनेगलिया मेलिफेरा के लिए: नई विधि ने 0.756 का F1-स्कोर प्राप्त किया। (इसे एक ग्रेड के रूप में सोचें जहाँ 1.0 पूर्ण है; 0.756 एक बहुत मजबूत B+ से A- के बराबर है)। अन्य विधियों ने, जिन्होंने इस विशेष अनुकूलन तकनीक का उपयोग नहीं किया था, बहुत कम स्कोर किया, जो अक्सर 0.50 से नीचे गिर गया, जिसका अर्थ है कि वे अनुमान लगाने से थोड़े ही बेहतर थे।
• वैचेलिया टोर्टिलis के लिए: नई विधि ने और भी अधिक 0.884 का F1-स्कोर प्राप्त किया। यह एक शानदार परिणाम है, जो दर्शाता है कि कंप्यूटर इन छतरी के आकार के पेड़ों को बाकी जंगल से लगभग पूरी तरह से अलग कर सकता था।
• "नो-लेबल" विजय: अध्ययन ने सिद्ध किया कि आपको नए क्षेत्र में पेड़ों को लेबल करने के लिए बाहर जाने की आवश्यकता नहीं है। कंप्यूटर "स्यूडो-पॉजिटिव" अनुमानों का उपयोग करके खुद को सिखा सकता है।

इस शोध पत्र ने इस नए "वन-क्लास" जासूस की तुलना पुराने "मल्टी-क्लास" जासूसों (जो एक साथ हर पेड़ की प्रजाति को पहचानने की कोशिश करते हैं) से भी की। पुराने तरीके एक घाटी से दूसरी घाटी में जाने पर बुरी तरह संघर्ष करते थे, और अक्सर लक्षित पेड़ों को पहचानने में विफल रहते थे। नए तरीके ने दिखाया कि केवल एक लक्ष्य पर ध्यान केंद्रित करना और बाकी को अनदेखा करना, इन कठिन परिदृश्यों के लिए वास्तव में एक स्मार्ट और अधिक मजबूत रणनीति है।

मधुमक्खियों (और आपके) के लिए यह क्यों मायने रखता है

वैज्ञानिकों ने केवल पेड़ों को खोजने का काम ही नहीं किया; उन्होंने यह भी मानचित्रित किया कि "नेक्टर स्रोत" (nectar sources) वास्तव में कहाँ हैं। उन्होंने पाया कि लुमो क्षेत्र में, वैचेलिया टोर्टिलिस पेड़ हर जगह थे, जो लगभग 44.7% वृक्ष आवरण को कवर करते थे, जबकि चोक क्षेत्र में, सेनेगलिया मेलिफेरा अधिक सामान्य था।

यह मानचित्र स्थानीय मधुमक्खी पालकों के लिए सोने की खान है। यह उन्हें बताता है कि अधिकतम शहद प्राप्त करने के लिए उन्हें अपने छत्ते कहाँ स्थापित करने चाहिए। यह सुझाव देता है कि लुमो में मधुमक्खी पालन का विस्तार करने की अपार क्षमता है, जो स्थानीय परिवारों को अधिक पैसा कमाने में मदद कर सकती है और साथ ही पर्यावरण की भी मदद कर सकती है (क्योंकि मधुमक्खियां पौधों के परागण में मदद करती हैं)।

शोध पत्र निष्कर्ष निकालता है कि यह HyUDA-One ढांचा एक शक्तिशाली उपकरण है। यह सुझाव देता है कि हम महंगे फील्ड सर्वेक्षणों या विशाल डेटासेट की आवश्यकता के बिना नए, अनछुए क्षेत्रों में विशिष्ट, महत्वपूर्ण पेड़ों का मानचित्रण कर सकते हैं। हालांकि शोध पत्र यह भी नोट करता है कि यह विधि तब सबसे अच्छा काम करती है जब पेड़ों में पत्तियाँ होती हैं (बढ़ते मौसम के दौरान) और कुछ क्षेत्रों में तीसरी पेड़ प्रजाति (कोमिफोरा अफ्रीकाना) के लिए अधिक डेटा की आवश्यकता हो सकती है, लेकिन अन्य दो प्रजातियों के साथ इसकी सफलता एक बड़ी उपलब्धि है। यह एक कठिन, लेबल-प्रधान समस्या को एक प्रबंधनीय, स्मार्ट अनुमान लगाने वाले खेल में बदल देता है जो केन्या और उसके आसपास के मधुमक्खी पालन उद्योग को बचाने में मदद कर सकता है।