Beyond chlorophyll: machine learning estimates of diagnostic phytoplankton pigments from multispectral ocean colour data

महासागर एक जीवित इंजन है, जो सूर्य के प्रकाश वाले जल में तैरने वाले फाइटोप्लांकटन (phytoplankton) नामक सूक्ष्म पौधों द्वारा संचालित होता है। ये नन्हे जीव समुद्री खाद्य जाल की नींव हैं और प्रकाश संश्लेषण के माध्यम से पृथ्वी पर उत्पादित होने वाले कुल कार्बनिक कार्बन के लगभग आधे हिस्से के लिए जिम्मेदार हैं। ये पौधे कैसे कार्य करते हैं और जलवायु परिवर्तन के प्रति वे कैसी प्रतिक्रिया दे सकते हैं, इसे समझने के लिए वैज्ञानिकों को न केवल यह जानने की आवश्यकता है कि उनकी कितनी मात्रा मौजूद है, बल्कि यह भी कि वे किस प्रकार के हैं। दशकों से, अंतरिक्ष से उनकी प्रचुरता को मापने का मानक तरीका एक विशिष्ट हरे रंग के वर्णक (pigment) क्लोरोफिल-ए (chlorophyll-a) की तलाश करना रहा है। यह वर्णक लगभग सभी फाइटोप्लांकटन में पाया जाता है और कुल बायोमास के एक विश्वसनीय प्रॉक्सी (proxy) के रूप में कार्य करता है, ठीक वैसे ही जैसे किसी पेड़ के आकार का अनुमान लगाने के लिए उसके पत्तों को गिनना। हालांकि, यह जानना कि पत्तों की कुल संख्या कितनी है, यह नहीं बताता कि वह पेड़ ओक का है, पाइन का है या विलो का। महासागर में, फाइटोप्लांकटन के विभिन्न समूह पारिस्थितिकी तंत्र में अलग-अलग भूमिकाएँ निभाते हैं, और उनके बीच अंतर करना ग्रह के स्वास्थ्य को समझने के लिए अत्यंत महत्वपूर्ण है।

चुनौती इस तथ्य में निहित है कि महासागर प्रकाश और जीवन का एक जटिल मिश्रण है। जबकि क्लोरोफिल-ए को अंतरिक्ष से पहचानना आसान है, अन्य वर्णक जो फाइटोप्लांकटन के विशिष्ट समूहों के लिए अनूठे 'फिंगरप्रिंट' के रूप में कार्य करते हैं, उन्हें पहचानना बहुत कठिन है। ये सहायक वर्णक (accessory pigments) इन पौधों को विभिन्न प्रकाश स्थितियों के अनुकूल होने में मदद करते हैं, लेकिन उनके संकेत अक्सर क्लोरोफिल-ए की अत्यधिक उपस्थिति के कारण दब जाते हैं या वर्तमान उपग्रहों द्वारा देखे जा सकने वाले सीमित कलर बैंड्स का उपयोग करके उन्हें अलग करना कठिन होता है। वर्षों से, शोधकर्ता इस बात पर विचार कर रहे थे कि क्या समुद्र के रंगों में सूक्ष्म अंतर, केवल हरे रंग की तीव्रता के अलावा, उन सूक्ष्म समुदायों की पहचान प्रकट करने के लिए पर्याप्त जानकारी रखता है जो इसके भीतर निवास करते हैं। डेविड मोटफ और उनके सहयोगियों ने, जो प्लिमथ समुद्री प्रयोगशाला और एक्सेटर विश्वविद्यालय से हैं, एक नया अध्ययन उन्नत कंप्यूटर लर्निंग तकनीकों का उपयोग करके डेटा की गहराई में जाकर इस प्रश्न का उत्तर देने के लिए किया है।

शोधकर्ताओं ने वास्तविक दुनिया के मापों के एक विशाल संग्रह से शुरुआत की। उन्होंने 1991 और 2021 के बीच दुनिया भर के जहाजों और अनुसंधान नौकाओं से लिए गए समुद्री जल के 33,000 से अधिक नमूनों को एकत्र किया। प्रयोगशाला में, इन नमूनों का विश्लेषण विभिन्न वर्णकों की सटीक सांद्रता की पहचान करने के लिए किया गया, जिससे वास्तव में पानी में क्या था, इसका एक विस्तृत 'ग्राउंड ट्रुथ' (ground truth) तैयार हुआ। फिर उन्होंने प्रत्येक नमूने को उसी दिन और उसी स्थान पर ली गई उपग्रह छवियों के साथ मिलाया। उपग्रह डेटा यूरोपीय अंतरिक्ष एजेंसी के 'ओशन कलर क्लाइमेट चेंज इनिशिएटिव' से आया था, जो कई वर्षों में कई सेंसरों से महासागर के रंगों का एक सुसंगत रिकॉर्ड प्रदान करता है। टीम ने इस मेल खाते हुए डेटासेट का उपयोग दो अलग-अलग प्रकार के मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए किया। एक मॉडल एक परिष्कृत 'फाउंडेशन मॉडल' था जिसे टैबुलर डेटा से सीखने के लिए डिज़ाइन किया गया था, जबकि दूसरा 'रैंडम फॉरेस्ट मॉडल' था, जो एक प्रकार का एल्गोरिदम है जो ओवरफिटिंग के बिना जटिल पैटर्न खोजने की अपनी क्षमता के लिए जाना जाता है। यह परीक्षण करने के लिए कि क्या ये मॉडल वास्तव में कुछ नया सीख रहे हैं, उन्होंने एक सरल 'बेसलाइन मॉडल' भी बनाया जो केवल क्लोरोफिल-ए की सांद्रता पर निर्भर था और अन्य सभी रंग संबंधी जानकारी को अनदेखा कर रहा था।

परिणामों ने दिखाया कि पूर्ण स्पेक्ट्रम के रंगों का उपयोग करने वाले मॉडल, क्लोरोफिल-मात्र वाले सरल दृष्टिकोण की तुलना में लगातार बेहतर प्रदर्शन करते हैं। यह निष्कर्ष पुष्टि करता है कि महासागर के रंग में केवल पौधों की मात्रा से अधिक जानकारी होती है; इसमें मौजूद विशिष्ट प्रकार के पौधों के बारे में सुराग भी छिपे हैं। हालांकि, मॉडलों की सफलता उस वर्णक की पहचान करने पर निर्भर करती थी जिसे वे खोजने की कोशिश कर रहे थे। फ्यूकोजैंथिन (fucoxanthin) के लिए, जो डायटम्स (diatoms) से जुड़ा एक वर्णक है, मॉडलों ने बहुत अच्छा प्रदर्शन किया, लेकिन यह काफी हद तक इसलिए था क्योंकि फ्यूकोजैंथिन क्लोरोफिल-ए की कुल मात्रा के साथ बहुत मजबूती से जुड़ा हुआ है, जिससे सरल बेसलाइन मॉडल पहले से ही इसे उचित सटीकता के साथ अनुमानित कर सकता था। वास्तविक सफलता अन्य वर्णकों के साथ आई, जैसे एलोजैंथिन (alloxanthin) और फ्यूकोजैंथिन के कुछ रूप जो विभिन्न समूहों के मार्कर हैं। इनके लिए, पूर्ण रंग डेटा का उपयोग करने वाले मॉडलों ने बेसलाइन की तुलना में नाटकीय सुधार दिखाया। कंप्यूटर ने समुद्र के रंगों में उन सूक्ष्म बदलावों को पहचानना सीख लिया जो साधारण क्लोरोफिल गणना के लिए अदृश्य थे, जिससे यह विभिन्न फाइटोप्लांकटन समुदायों के बीच बहुत अधिक सटीकता के साथ अंतर करने में सक्षम हुआ।

कंप्यूटर यह निर्णय कैसे ले रहा था, इसे समझने के लिए शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो मॉडल के तर्क को तोड़कर यह देखती है कि कौन सी सूचनाएं सबसे अधिक महत्वपूर्ण थीं। उन्होंने पाया कि कुछ वर्णकों के लिए, मॉडल क्लोरोफिल-ए की कुल मात्रा पर बहुत अधिक निर्भर था, जो इस बात की पुष्टि करता है कि वे वर्णक कुल बायोमास के साथ तालमेल बिठाकर चलते हैं। लेकिन अन्य के लिए, मॉडल ने हरे रंग की कुल मात्रा को अनदेखा कर दिया और इसके बजाय पानी द्वारा परावर्तित नीले, हरे और लाल प्रकाश के विशिष्ट अनुपातों पर ध्यान केंद्रित किया। यह सुझाव देता है कि मॉडल केवल इस आधार पर अनुमान नहीं लगा रहे थे कि वहां कितनी वनस्पति थी, बल्कि वे वास्तव में विशिष्ट समूहों के अद्वितीय ऑप्टिकल सिग्नेचर (optical signatures) का पता लगा रहे थे। जब शोधकर्ताओं ने इन प्रशिक्षित मॉडलों को वर्णक वितरण के वैश्विक मानचित्र बनाने के लिए लागू किया, तो परिणाम एक ऐसी तस्वीर पेश करते हैं जो ज्ञात पारिस्थितिक पैटर्न से मेल खाती है। मानचित्रों ने पोषक तत्वों से भरपूर तटीलीय जल और अपवेलिंग ज़ोन (upwelling zones) में कुछ वर्णकों की उच्च सांद्रता दिखाई, जबकि अन्य वर्णक विशाल, पोषक तत्व रहित उष्णकटिबंधीय महासागरों में हावी थे। यह स्थानिक अलगाव विभिन्न फाइटोप्लांकटन समूहों की ज्ञात आदतों को दर्शाता है, जिनमें से कुछ समृद्ध, अशांत जल में फलते-फूलते हैं और अन्य खुले महासागर की शांत, स्पष्ट स्थितियों के अनुकूल होते हैं।

अध्ययन ने वर्तमान तकनीक की सीमाओं को भी रेखांकित किया। जबकि मॉडल कई समूहों को सफलतापूर्वक अलग कर सकते थे, वे ज़ेक्सैंथिन (zeaxanthin) के साथ संघर्ष कर रहे थे, जो बहुत छोटे, प्रचुर मात्रा में पाए जाने वाले बैक्टीरिया जैसे जीवों में पाया जाने वाला वर्णक है। मॉडल इस वर्णक की सटीक मात्रा की भविष्यवाणी अच्छी तरह से नहीं कर सके, संभवतः इसलिए क्योंकि इसका संकेत कमजोर है और उपग्रह डेटा के बैकग्राउंड नॉइज़ से अलग करना कठिन है। फिर भी, इस कठिन वर्णक के लिए भी, मॉडल ने एक व्यापक पैटर्न को पकड़ने में सफलता प्राप्त की जो इन नन्हे जीवों के गर्म, उष्णकटिबंधीय जल में अपेक्षित वितरण से मेल खाता है। यह इंगित करता है कि हालांकि तकनीक अभी भी पूर्ण नहीं है, लेकिन यह पहले से ही सरल बायोमास गणना से कहीं आगे जाकर सार्थक पारिस्थितिक जानकारी निकालने में सक्षम है। शोधकर्ता इस बात पर जोर देते हैं कि ये निष्कर्ष अंतिम समाधान नहीं हैं बल्कि एक महत्वपूर्ण कदम हैं। वे प्रदर्शित करते हैं कि मशीन लर्निंग दशकों के उपग्रह रिकॉर्ड में छिपे विवरणों को खोल सकती है, जो हमारे ग्रह को सहारा देने वाले फाइटोप्लांकटन की बदलती संरचना की निगरानी करने का एक नया तरीका प्रदान करती है। जैसे-जैसे अधिक संवेदनशील रंग सेंसरों वाले नए उपग्रह लॉन्च किए जाएंगे, ये विधियाँ और भी शक्तिशाली हो जाएंगी, जो हमारे ग्रह को बनाए रखने वाले फाइटोप्लांकटन की जटिल और महत्वपूर्ण दुनिया में एक स्पष्ट खिड़की प्रदान करेंगी।