Evaluating AlphaEarth Foundations Embeddings for Wildfire Susceptibility Mapping

कल्पना कीजिए कि आप भविष्यवाणी करने की कोशिश कर रहे हैं कि अगली बार जंगल की आग कहाँ लग सकती है। दशकों से, वैज्ञानिकों ने इसे एक विशाल, जटिल रेसिपी (विधि) की तरह माना है। सही उत्तर पाने के लिए, उन्हें अलग-अलग जार से दर्जनों विशिष्ट सामग्रियां जुटानी पड़ती थीं: पहाड़ियों के नक्शे, घास की सैटेलाइट तस्वीरें, हवा की गति की मौसम रिपोर्ट, और मिट्टी की नमी के आंकड़े। समस्या क्या थी? ये सामग्रियां अक्सर अलग-अलग इकाइयों में, अलग-अलग वर्षों की होती हैं, और कभी-कभी जार खाली होते हैं या उन पर लेबल नहीं लगे होते। यह ऐसा है जैसे आप एक केक बनाने की कोशिश कर रहे हों जब आटा एक बाल्टी में हो, चीनी एक बैग में हो, और ओवन का मैनुअल किसी दूसरी भाषा में हो। आपको ओवन चालू करने से पहले ही सब कुछ मापने और मिलाने में घंटों बिताने पड़ते हैं।

हाल ही में, पृथ्वी विज्ञान की दुनिया में एक नए प्रकार की "सुपर-सामग्री" (super-ingredient) सामने आई है जिसे "फाउंडेशन मॉडल" कहा जाता है। इसे एक पहले से तैयार, ऑल-इन-वन केक बैटर (घोल) के रूप में सोचें। अलग-अलग आटे और चीनी को मापने के बजाय, आप बस इस बैटर का एक स्कूप ले लेते हैं, जिसमें पहले से ही अरबों तस्वीरों और डेटा पॉइंट्स का अध्ययन करके यह सीखा जा चुका है कि दुनिया कैसी दिखती है। बड़ा सवाल यह है कि क्या हम बस इस पहले से तैयार बैटर का उपयोग जंगल की आग की भविष्यवाणी करने के लिए कर सकते हैं, या हमें अभी भी हर एक सामग्री को खुद मापना होगा? यह एक नए अध्ययन की कहानी है जिसने परीक्षण किया कि क्या यह "सुपर-बैटर" हमारे समुदायों को आग से सुरक्षित रखने के लिए काम करता है।

---

महान अग्नि भविष्यवाणी प्रयोग

इस अध्ययन में, शोधकर्ताओं ने विक्टोरिया, ऑस्ट्रेलिया को अपना विशाल किचन बनाकर इस "सुपर-बैटर" को परखने का फैसला किया। विक्टोरिया इस प्रयोग के लिए एक आदर्श स्थान है क्योंकि यह चरम स्थितियों की भूमि है: यहाँ व्यस्त शहर, सूखे रेगिस्तान और आग के प्रति संवेदनशील घने जंगल हैं। टीम यह देखना चाहती थी कि क्या वे तापमान और हवा जैसे भौतिक चरों (variables) को मैन्युअल रूप से मिलाने के पुराने तरीके की तुलना में नए अल्फाअर्थ फाउंडेशन्स (AEF) एम्बेडिंग्स (सुपर-बैटर का फैंसी नाम) का उपयोग करके जंगल की आग के जोखिम की भविष्यवाणी कर सकते हैं।

सामग्रियां: पुराना बनाम नया
पारंपरिक तरीका एक पहेली (puzzle) को टुकड़ों में जोड़ने जैसा है। वैज्ञानिक ऊंचाई, कितनी बारिश हुई, मिट्टी कितनी सूखी है और किस तरह के पौधे उग रहे हैं, इसका डेटा इकट्ठा करते हैं। उन्हें इस डेटा को साफ करना होता है, यह सुनिश्चित करना होता है कि टुकड़े आपस में फिट बैठें, और फिर इसे कंप्यूटर मॉडल में डालना होता है। यह सटीक है, लेकिन इसमें बहुत मेहनत लगती है।

नया तरीका AEF एम्बेडिंग्स का उपयोग करता है। एक ऐसे रोबोट की कल्पना करें जिसने वर्षों तक पूरी पृथ्वी को देखा है, तस्वीरें ली हैं और मौसम का डेटा पढ़ा है। यह आपको संख्याओं की सूची देने के बजाय, जमीन के हर हिस्से के लिए एक "सारांश कोड" (summary code) देता है। यह कोड एक 64-नंबर वाला वेक्टर है जो उस जगह के बारे में सब कुछ—पेड़, पहाड़ियाँ, मौसम का इतिहास—एक व्यवस्थित पैकेज में समेट लेता है। शोधकर्ताओं ने पूछा: क्या यह सारांश कोड आग के बारे में जानने के लिए पर्याप्त है कि वह उपयोगी हो सके?

स्वाद परीक्षण: यह कितना सफल रहा?
शोधकर्ताओं ने 2017 से 2025 के बीच लगी आग की भविष्यवाणी करने के लिए कंप्यूटर मॉडल को प्रशिक्षित किया। उन्होंने दो प्रकार के मॉडल का उपयोग किया:

1. "सेल-बाय-सेल" मॉडल: इसने जमीन के प्रत्येक वर्ग (square) को व्यक्तिगत रूप से देखा, जैसे एक समय में एक कुकी की जांच करना।
2. "नेबरहुड" (पड़ोस) मॉडल: इसने जमीन के एक पैच (जैसे 17x17 ग्रिड के वर्ग) को देखा ताकि यह देख सके कि आसपास का वातावरण आग के जोखिम को कैसे प्रभावित करता है, ठीक वैसे ही जैसे यह देखना कि क्या पूरा कुकी ट्रे समान रूप से पक रहा है।

परिणाम आश्चर्यजनक रूप से शानदार रहे। AEF एम्बेडिंग्स का उपयोग करते समय, मॉडलों ने 0.92 से ऊपर का स्कोर (जिसे ROC-AUC कहा जाता है) प्राप्त किया। यह एक बहुत उच्च स्कोर है, जिसका अर्थ है कि मॉडल उन स्थानों के बीच अंतर करने में उत्कृष्ट था जहाँ आग लगी और जहाँ नहीं लगी। वास्तव में, "नेबरहुड" मॉडलों के लिए, AEF एम्बेडिंग्स ने सावधानीपूर्वक हाथ से तैयार किए गए भौतिक चरों के समान या कभी-कभी उनसे भी बेहतर प्रदर्शन किया।

उनके द्वारा बनाए गए मानचित्र बहुत वास्तविक लग रहे थे। उन्होंने पूर्वी विक्टोरिया (जैसे गिप्सलैंड क्षेत्र) और पहाड़ी इलाकों में उच्च-जोखिम वाले क्षेत्रों की सही पहचान की, जो विशेषज्ञों की जानकारी से मेल खाता है। उन्होंने उत्तर-पश्चिम में कुछ छोटे, अलग-थलग हॉटस्पॉट भी पहचाने। जब उन्होंने इन मानचित्रों को जनवरी 2026 की एक बड़ी आग (जो उनके डेटा समाप्त होने के बाद हुई थी) के वास्तविक जले हुए क्षेत्रों के साथ ओवरले (एक के ऊपर एक रखा) किया, तो मानचित्र बिल्कुल उसी जगह के साथ मेल खाए जहाँ आग वास्तव में गई थी। यह सुझाव देता है कि मॉडल ने आग के वास्तविक नियमों को सीखा है, न कि केवल अतीत को याद किया है।

सीक्रेट सॉस: कोड के अंदर क्या है?
आप सोच सकते हैं, "एक कोड को आग के बारे में कैसे पता चलता है?" शोधकर्ताओं ने एक "रिकंस्ट्रक्शन" (पुनर्निर्माण) परीक्षण किया। उन्होंने मूल सामग्रियों, जैसे तापमान या हवा की गति को बाहर निकालने के लिए कोड को रिवर्स-इंजीनियर करने की कोशिश की।

• अच्छी खबर: वे उच्च सटीकता के साथ बुनियादी चीजों को निकाल सके। ढलान, सौर विकिरण, कुल वर्षा और हवा की गति जैसी चीजें AEF सारांश में स्पष्ट रूप से समाहित थीं।
• बुरी खबर: उन्हें बहुत विशिष्ट, चरम विवरणों को निकालने में संघर्ष करना पड़ा, जैसे कि "आग के खतरे का सूचकांक कितने दिनों तक 50 से ऊपर रहा।" कोड सामान्य तस्वीर के लिए तो बहुत अच्छा है, लेकिन चरम, अल्पकालिक उछाल के मामले में थोड़ा धुंधला है।

असली जादू: नई जगहों की यात्रा करना
यहीं पर कहानी वास्तव में रोमांचक हो जाती है। आमतौर पर, यदि आप एक स्थान (जैसे विक्टोरिया) में आग का मॉडल प्रशिक्षित करते हैं और उसे दूसरे स्थान (जैसे कैनबरा या सिडनी) में उपयोग करने की कोशिश करते हैं, तो वह विफल हो जाता है। यह एक ऐसे शेफ की तरह है जो ऑस्ट्रेलियाई BBQ बनाना जानता है लेकिन उसी रेसिपी का उपयोग करके जापानी सुशी बनाने की कोशिश करता है; यह आमतौर पर काम नहीं करता।

जब शोधकर्ताओं ने नए क्षेत्रों पर अपने मॉडलों का परीक्षण किया:

• पुराना तरीका (भौतिक चर): जब उन्होंने विक्टोरिया में प्रशिक्षित पारंपरिक मॉडलों को पास के कैनबरा में लागू किया, तो सटीकता लगभग 25% गिर गई। यह एक आपदा थी।
• नया तरीका (AEF एम्बेडिंग्स): जब उन्होंने AEF मॉडलों का उपयोग किया, तो कैनबरा में सटीकता वास्तव में लगभग 4% सुधर गई। यहाँ तक कि पश्चिमी सिडनी में भी, प्रदर्शन में गिरावट बहुत मामूली (केवल लगभग 2%) थी।

यह सुझाव देता है कि "सुपर-बैटर" ने पृथ्वी के बारे में सार्वभौमिक नियम सीखे हैं जो विभिन्न क्षेत्रों में लागू होते हैं, जबकि पुराना तरीका विक्टोरिया के विशिष्ट विवरणों में बहुत अधिक उलझा हुआ था। हालाँकि, शोधकर्ताओं ने नोट किया कि यदि वे बहुत अलग जलवायु (जैसे उष्णकटिबंधीय उत्तर या शुष्क आंतरिक भाग) वाले बहुत दूर के स्थानों पर जाते हैं, तो प्रदर्शन गिरना शुरू हो जाता है, लेकिन पुराने तरीके की तुलना में यह गिरावट कम तीव्र है।

क्या काम नहीं आया?
शोधकर्ताओं ने मॉडलों को एक "टाइम सीक्वेंस" (समय अनुक्रम) भी दिया, उन्हें 2017 से 2025 तक वर्ष-दर-वर्ष डेटा दिया ताकि यह देखा जा सके कि क्या मॉडल यह सीख सकता है कि समय के साथ आग का जोखिम कैसे बदलता है। आश्चर्यजनक रूप से, इससे बहुत अधिक मदद नहीं मिली। आग की भविष्यवाणी करने में मॉडल केवल प्रत्येक वर्ष के इतिहास को जानकर महत्वपूर्ण रूप से बेहतर नहीं हुए। यह सुझाव देता है कि जंगल की आग की संवेदनशीलता (कि किसी स्थान के जलने की कितनी संभावना है) के लिए, जमीन की स्थायी विशेषताएं (पहाड़, वनस्पति, जलवायु) वर्ष-दर-वर्ष के बदलावों की तुलना में अधिक महत्वपूर्ण हैं।

निष्कर्ष
यह अध्ययन बताता है कि हमें अब जंगल की आग की भविष्यवाणी करने के लिए दर्जनों अलग-अलग डेटा फाइलों को मैन्युअल रूप से इकट्ठा करने और साफ करने में घंटों बिताने की आवश्यकता नहीं हो सकती है। अल्फाअर्थ फाउंडेशन्स एम्बेडिंग्स एक शक्तिशाली, तैयार-उपयोग उपकरण के रूप में कार्य करते हैं जो परिदृश्य के आवश्यक विवरणों को कैप्चर करते हैं। हालांकि यह कल आग लगने के सटीक क्षण की भविष्यवाणी करने के लिए एकदम सही नहीं हो सकता है, लेकिन यह मानचित्र बनाने में अविश्वसनीय रूप से अच्छा है कि कौन से क्षेत्र स्वाभाविक रूप से आग के प्रति संवेदनशील हैं।

सरकारों और बीमा कंपनियों के लिए, यह एक गेम-चेंजर है। इसका मतलब है कि वे बड़े पैमाने पर अग्नि जोखिम मानचित्र बहुत तेज़ी से और कम प्रयास के साथ बना सकते हैं, और इन मानचित्रों पर भरोसा किया जा सकता है कि वे एक राज्य से दूसरे राज्य में जाने पर भी काम करेंगे। यह एक मास्टर शेफ होने जैसा है जो हर शहर के लिए अलग रेसिपी की आवश्यकता के बिना, एक ही प्री-मिक्स सामग्री का उपयोग करके पूरे देश के लिए स्वादिष्ट भोजन बना सकता है।