A breeder in the sky: scoring flowering with fewer flights
यह अध्ययन एक प्रतिगमन-आधारित (regression-based) ढांचे को प्रस्तुत करता है जो पौधों के फूल आने के समय की सटीक भविष्यवाणी करने के लिए यूएवी (UAV) इमेजरी के एक बड़े डेटासेट का लाभ उठाता है, जो प्रत्येक प्रयोग में केवल एक अवलोकन से भी संभव है, जिससे पारंपरिक बहु-अवलोकन विधियों की तुलना में डेटा संग्रह का बोझ काफी कम हो जाता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कृषि की दुनिया में, समय का महत्व सर्वोपरि है। मक्का की एक नई किस्म विकसित करने की कोशिश कर रहे एक प्लांट ब्रीडर (पादप प्रजनक) के लिए, यह जानना अत्यंत महत्वपूर्ण है कि फसल कब फूल देगी। यह क्षण यह निर्धारित करता है कि क्या पौधा स्थानीय पाले (फ्रॉस्ट) से जीवित रह पाएगा, कटाई से पहले उसे बढ़ने के लिए कितना समय मिलेगा, और क्या वह एक विशिष्ट क्षेत्र में फल-फूल पाएगा। पारंपरिक रूप से, इस उत्तर को खोजना एक श्रमसाषी, मानवीय कार्य रहा है। क्योंकि फूल किसी निश्चित कैलेंडर तिथि पर नहीं आते बल्कि मौसम और आनुवंशिकी पर निर्भर करते हैं, इसलिए शोधकर्ताओं को प्रत्येक कुछ दिनों में अपने खेतों में घूमना पड़ता है, पराग या रेशम (सिल्क) के पहले संकेतों को देखना पड़ता है। उन्हें सटीक औसत प्राप्त करने के लिए, सबसे पहले खिलने वाले पौधे से लेकर सबसे अंत में खिलने वाले तक, हफ्तों तक इस प्रक्रिया को दोहराना पड़ता है। यह निरंतर निगरानी धीमी, महंगी है और यह सीमित करती है कि एक टीम एक साथ कितने खेतों का अध्ययन कर सकती है।
इसे हल करने के लिए, वैज्ञानिकों ने ड्रोन, या मानव रहित हवाई वाहनों (UAVs) की ओर रुख किया है, जो आकाश से पूरे खेतों की उच्च-रिज़ॉल्यूशन वाली तस्वीरें खींच सकते हैं। हालांकि, केवल तस्वीरें लेना ही पर्याप्त नहीं है। फूलों के समय की भविष्यवाणी करने के लिए इन छवियों का उपयोग करने के पिछले प्रयासों में अक्सर एक ड्रोन को एक ही खेत के ऊपर दर्जनों बार उड़ना पड़ता था, जिससे खिलने के मौसम के दौरान हर एक या दो दिन में चित्र कैप्चर किए जा सकें। इसने डेटा की एक विशाल मात्रा उत्पन्न की जिसे प्रोसेस करना कठिन था और इसके लिए अभी भी बार-बार, महंगी उड़ानों की आवश्यकता थी। चुनौती बनी हुई थी: क्या एक कंप्यूटर केवल कुछ तस्वीरों से यह बता सकता है कि मक्के के पौधे में ठीक कब फूल आए थे, शायद केवल एक फोटो से ही, बिना लगातार उड़ान भरने की आवश्यकता के?
शोधकर्ताओं की एक टीम ने अब एक नए दृष्टिकोण के साथ इस प्रश्न का उत्तर दिया है जो इस समस्या को देखने के तरीके को बदल देता है। एक कंप्यूटर को केवल यह तय करने के लिए सिखाने के बजाय कि कोई पौधा "फूल रहा है" या "नहीं फूल रहा है", उन्होंने एक कृत्रिम बुद्धिमत्ता (AI) मॉडल को एक 'टाइमकीपर' (समय रखने वाला) के रूप में कार्य करने के लिए प्रशिक्षित किया। उन्होंने मॉडल से एक मक्के के प्लॉट की फोटो देखकर यह अनुमान लगाने को कहा कि पौधा अपने चरम पुष्पन क्षण (पीक फ्लावरिंग मोमेंट) से कितने दिन दूर था। यह एक ऋणात्मक संख्या हो सकती थी, जिसका अर्थ था कि पौधा अभी तक नहीं खिला था, या एक धनात्मक संख्या, जिसका अर्थ था कि वह उस चरण को पार कर चुका था। पुष्पन को एक साधारण हाँ-या-ना वाले स्विच के बजाय एक निरंतर समयरेखा (कंटीन्यूअस टाइमलाइन) के रूप में मानकर, मॉडल पौधे के स्वरूप में होने वाले सूक्ष्म परिवर्तनों से सीख सका, जो खिलने से पहले और बाद दोनों समय में होते हैं।
शोधकर्ताओं ने छह वर्षों में एकत्र किए गए डेटा के एक विशाल संग्रह का उपयोग करके इस प्रणाली का निर्माण किया। उन्होंने सात अलग-अलग राज्यों में फील्ड ट्रायल्स से ली गई 2,00,000 से अधिक ड्रोन छवियों को संयोजित किया, जिसमें 1,200 से अधिक विभिन्न प्रकार के मक्का हाइब्रिड शामिल थे। इन छवियों को उन सटीक रिकॉर्डों के साथ जोड़ा गया था कि वास्तव में प्रत्येक विशिष्ट प्लॉट कब खिला था, जैसा कि खेतों में टहलने वाले मानव पर्यवेक्षकों द्वारा निर्धारित किया गया था। टीम ने एक शक्तिशाली प्रकार के AI का उपयोग किया जिसे 'विज़न ट्रांसफॉर्मर' कहा जाता है, जो जटिल दृश्य पैटर्न को समझने के लिए डिज़ाइन किया गया है। उन्होंने कंप्यूटर को मक्के के प्लॉट की छवियां और फोटो लिए जाने के समय और मक्के के फूलने के बीच के सटीक समय के अंतर के साथ दिखाया। समय के साथ, मॉडल ने उन दृश्य संकेतों को पहचानना सीख लिया जो संकेत देते हैं कि एक पौधा अपने पुष्पन की तारीख के करीब पहुंच रहा है, जैसे कि ऊपरी पत्तियों का झुकाव या तने का सूक्ष्म विस्तार, जो मानव आंख को फूल दिखाई देने से बहुत पहले ही स्पष्ट हो जाता है।
परिणाम आश्चर्यजनक रूप से प्रभावी थे। टीम ने अपने मॉडल का परीक्षण उन फील्ड प्रयोगों पर किया जिन्हें उसने पहले कभी नहीं देखा था, जिनमें नए स्थान और नए वर्ष भी शामिल थे। यहाँ तक कि जब मॉडल को पुष्पन की तारीख के भीतर दो सप्ताह के भीतर ली गई एक खेत की केवल एक छवि दी गई, तो यह पुष्पन के समय की भविष्यवाणी लगभग तीन दिनों के औसत अंतर के साथ कर सका। सटीकता का यह स्तर मानव पर्यवेक्षकों के समान है जो खेतों में टहलते हैं। जब शोधकर्ताओं ने दो या तीन उड़ानों के अनुमानों का औसत निकाला, तो त्रुटि और भी कम हो गई, जो अक्सर दो दिनों से भी कम थी। यह सुझाव देता है कि ब्रीडर्स पहले की तुलना में बहुत कम ड्रोन उड़ानों के साथ अत्यधिक सटीक परिणाम प्राप्त कर सकते हैं, जिससे फसलों की निगरानी की लागत और प्रयास में काफी कमी आ सकती है।
अध्ययन ने यह भी प्रकट किया कि कंप्यूटर पौधों को कैसे "देखता" है। मॉडल किस भाग पर ध्यान केंद्रित करता है, इसे विज़ुअलाइज़ करके शोधकर्ताओं ने पाया कि AI का ध्यान पौधों के बढ़ते समय गतिशील रूप से बदलता रहता है। फूल आने से पहले, मॉडल पौधे के केंद्र पर ध्यान केंद्रित करता था जहाँ फूल अंततः उभरने वाला होता है। जैसे-जैसे समय बीता, इसका ध्यान आसपास की पत्तियों और कैनोपी (छत्र) के समग्र आकार की ओर स्थानांतरित हो गया। यह इंगित करता है कि मॉडल केवल एक फूल को नहीं देख रहा है; बल्कि यह पौधे की पूरी विकासात्मक यात्रा को समझ रहा है। यह उन सूक्ष्म शारीरिक (फिजियोलॉजिकल) परिवर्तनों का पता लगा सकता है जो मानव द्वारा कुछ भी अलग नोटिस करने से कई दिन पहले होते हैं, और यह खिलने के लंबे समय बाद भी पौधे की स्थिति को ट्रैक करना जारी रखता है।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि मॉडल तब भी अच्छा काम करता है जब डेटा अलग-अलग वर्षों, अलग-अलग स्थानों और अलग-अलग प्रकार के कैमरों से आता है। यह सुझाव देता है कि प्रणाली इतनी मजबूत है कि इसे स्थानीय डेटा के साथ फिर से प्रशिक्षित किए बिना नए वातावरण में उपयोग किया जा सकता है। शोधकर्ताओं ने यह भी परीक्षण किया कि क्या तापमान-आधारित समय माप, जिसे 'ग्रोइंग डिग्री डेज़' कहा जाता है, परिणामों में सुधार करता है। हालांकि इस पद्धति ने सटीकता में मामूली बढ़त दी, लेकिन मॉडल साधारण कैलेंडर दिनों का उपयोग करके भी उल्लेखनीय रूप से अच्छा प्रदर्शन करता है। इसका मतलब है कि इस प्रणाली को कार्य करने के लिए जटिल मौसम डेटा की आवश्यकता नहीं है, जिससे इसे विविध परिवेशों में तैनात करना आसान हो जाता है।
पादप प्रजनन (प्लांट ब्रीडिंग) के लिए इसके निहितार्थ काफी बड़े हैं। फसलों की दैनिक उड़ानों और मैन्युअल स्कोरिंग की आवश्यकता को कम करके, यह विधि शोधकर्ताओं को कम संसाधनों के साथ फसलों की बहुत बड़ी आबादी की निगरानी करने की अनुमति देती है। यह शोधकर्ताओं के लिए विभिन्न आनुवंशिक किस्मों के पुष्पन समय के प्रति प्रतिक्रिया को विभिन्न वातावरणों में अध्ययन करने का द्वार खोलता है, जो बदलते जलवायु के अनुकूल फसलें विकसित करने के लिए आवश्यक है। यह अध्ययन प्रदर्शित करता है कि एक एकल ड्रोन उड़ान, या शायद कुछ ही उड़ानें, वही महत्वपूर्ण जानकारी प्रदान कर सकती हैं जिसके लिए कभी हफ्तों के मानव श्रम की आवश्यकता होती थी। यह मॉडल ब्रीडर की जगह नहीं लेता है, बल्कि एक शक्तिशाली उपकरण के रूप में कार्य करता है जो उनकी पहुंच बढ़ाता है, जिससे उन्हें आकाश से पौधों के विकास की अदृश्य लय को देखने की अनुमति मिलती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।