GMIA-NEXT: Next-Generation Global Map of Irrigated Areas

मुख्य विचार: सिंचित खेतों का एक हाई-डेफिनिशन मानचित्र

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि दुनिया अपना भोजन कैसे उगाती है। आप जानते हैं कि दुनिया की लगभग 24% कृषि योग्य भूमि "सिंचित" (पानी दी जाने वाली) है, लेकिन यह छोटा सा हिस्सा हमारे 40% भोजन का उत्पादन करता है। यह एक कार के सुपर-चार्ज्ड इंजन की तरह है; यह अपेक्षाकृत छोटे पदचिह्न के साथ बहुत अधिक काम करता है।

हालाँकि, अब तक, यह "सिंचित" भूमि कहाँ स्थित है, इसके हमारे मानचित्र धुंधले थे। पिछले मानचित्रों को एक पुराने, पिक्सेलेटेड वीडियो गेम की तरह समझें: आप एक खेत का सामान्य आकार तो देख सकते थे, लेकिन आप यह नहीं बता सकते थे कि कोई विशिष्ट हिस्सा सूखा था या गीला, या क्या किसी छोटे से खेत को पानी दिया जा रहा था। ये पुराने मानचित्र अक्सर पुराने भी होते थे, जैसे कि एक नया सबवे लाइन बनाने की योजना बनाने के लिए दस साल पहले के शहर की फोटो देखना।

GMIA-NEXT इसका समाधान है। यह पूरी दुनिया के सिंचित खेतों का एक बिल्कुल नया, हाई-डेफिनिशन (30-मीटर रिज़ॉल्यूशन) मानचित्र है, जो विशेष रूप से 2023/2024 बढ़ते मौसम (growing season) के लिए है। यह एक ग्रेनी ब्लैक-एंड-व्हाइट फोटो से अपग्रेड होकर एक क्रिस्प, 4K कलर वीडियो की तरह है।

उन्होंने मानचित्र कैसे बनाया: "जासूसी" दृष्टिकोण

शोधकर्ताओं ने केवल यह अनुमान नहीं लगाया कि सिंचित खेत कहाँ थे। उन्होंने तीन-चरणीय प्रक्रिया का उपयोग करके डिजिटल जासूसों की तरह काम किया:

1. "गवाहों" को इकट्ठा करना (ग्राउंड ट्रुथ)
कंप्यूटर को यह सिखाने के लिए कि एक सिंचित खेत कैसा दिखता है, आपको उसे हजारों उदाहरण दिखाने होंगे। टीम ने "गवाहों" का एक विशाल पुस्तकालय एकत्र किया—जमीन पर विशिष्ट बिंदु जिन्हें वे निश्चित रूप से जानते थे कि या तो सिंचित थे या नहीं।

• संग्रह: उन्होंने पूरी दुनिया से ऐसे 380,000 से अधिक बिंदु एकत्र किए।
• स्रोत: कुछ उनके अपने सावधानीपूर्वक मैनुअल चेक (सैटेलाइट फोटो के माध्यम से) से आए, जबकि अन्य मौजूदा विश्वसनीय डेटासेट (जैसे अमेरिका में USGS या ब्राजील में MapBiomas) से लिए गए थे।
• उपमा: कल्पना कीजिए कि आप एक कुत्ते को "गेंद" और "जूते" के बीच अंतर करना सिखा रहे हैं। आप उसे केवल एक गेंद नहीं दिखाएंगे; बल्कि आप उसे अलग-अलग रोशनी में सैकड़ों अलग-अलग गेंदें और जूते दिखाएंगे। उन्होंने कंप्यूटर के लिए यही किया।

2. कंप्यूटर को "सुपर-सेंस" देना (सैटेलाइट डेटा)
कंप्यूटर को खेतों को देखना था और निर्णय लेना था: "क्या यह गीला है या सूखा?" ऐसा करने के लिए, शोधकर्ताओं ने नासा के लैंडसैट 8 और 9 उपग्रहों के डेटा का उपयोग करके कंप्यूटर को "सुपर-सेंस" दिए।

• उपकरण: उन्होंने केवल हरियाली के रंग को नहीं देखा। उन्होंने विशेष "इंडेक्स" (गणितीय सूत्र) की गणना की जो एक्स-रे विजन की तरह काम करते हैं।
  • वनस्पति स्वास्थ्य: उन्होंने जाँच की कि पौधे कितने हरे और स्वस्थ थे (NDVI और EVI का उपयोग करके)। बाहर सूखा होने पर भी सिंचित पौधे हरे रहते हैं; सूखे पौधे भूरे हो जाते हैं।
  • पानी की उपस्थिति: उन्होंने मिट्टी में वास्तविक पानी के संकेतों को देखा (NDWI का उपयोग करके)।
  • संदर्भ संकेत: उन्होंने पड़ोस को भी देखा। क्या खेत नदी के पास है? क्या यह एक नहर के पास है? क्या मिट्टी नम है?
• उपमा: यह एक डॉक्टर द्वारा मरीज का निदान करने जैसा है। वे केवल त्वचा के रंग को नहीं देखते; वे निदान करने के लिए तापमान, रक्तचाप और मेडिकल हिस्ट्री की जांच करते हैं। कंप्यूटर ने हर 30-मीटर के पैच के लिए "स्वास्थ्य", "स्थान" और "इतिहास" की जाँच की।

3. "मस्तिष्क" (मशीन लर्निंग)
एक बार जब उनके पास गवाह और सुपर-सेंस आ गए, तो उन्होंने एक मशीन लर्निंग मॉडल (विशेष रूप से जिसे रैंडम फॉरेस्ट कहा जाता है) का उपयोग किया।

• यह कैसे काम करता है: 100 विशेषज्ञ न्यायाधीशों के एक पैनल की कल्पना करें। प्रत्येक न्यायाधीश भूमि के एक छोटे से हिस्से को देखता है और वोट देता है: "सिंचित" या "गैर-सिंचित"। अंतिम निर्णय बहुमत का वोट होता है।
• रणनीति: उन्होंने पूरे विश्व के लिए एक विशाल मस्तिष्क का उपयोग नहीं किया क्योंकि भारत के एक खेत का स्वरूप अमेरिका के एक खेत से अलग होता है। इसके बजाय, उन्होंने विभिन्न क्षेत्रों (जैसे एग्रो-इकोलॉजिकल ज़ोन) के लिए विशिष्ट "मस्तिष्क" बनाए ताकि कंप्यूटर प्रत्येक क्षेत्र के लिए विशिष्ट नियम सीख सके।
• परिणाम: कंप्यूटर ने एक प्रोबेबिलिटी मैप (संभावना मानचित्र) तैयार किया। प्रत्येक 30-मीटर के वर्ग के लिए, इसने कहा, "मुझे 85% यकीन है कि यह सिंचित है।" फिर उन्होंने एक नियम निर्धारित किया: यदि विश्वास (confidence) 50% से ऊपर है, तो हम इसे सिंचित कहते हैं।

यह कितना अच्छा है? (रिपोर्ट कार्ड)

शोधकर्ताओं ने अपने नए मानचित्र का परीक्षण एक "होल्ड-आउट" डेटा सेट (ऐसे प्रश्न जो कंप्यूटर ने पहले नहीं देखे थे) के विरुद्ध किया ताकि यह देखा जा सके कि यह कैसा प्रदर्शन करता है।

• वैश्विक स्कोर: मानचित्र ने लगभग 80.5% का सटीकता स्कोर प्राप्त किया।
• क्षेत्रीय अंतर: इसने ओशिनिया (95%), यूरोप (90%) और एशिया (86%) जैसी जगहों पर असाधारण प्रदर्शन किया। यह दक्षिण अमेरिका और अफ्रीका (लगभग 75%) में थोड़ा कठिन था, क्योंकि इन क्षेत्रों में खेती के अधिक जटिल, छोटे पैमाने के पैटर्न हैं जिन्हें अंतरिक्ष से पहचानना कठिन है।

उन्होंने अपने नए मानचित्र की तुलना अन्य मौजूदा वैश्विक मानचित्रों से भी की। उन्होंने पाया कि जबकि बड़े-स्तर के पैटर्न मेल खाते थे, GMIA-NEXT बहुत अधिक विवरण देखता था। यह एक कम-रिज़ॉल्यूशन वाली सैटेलाइट फोटो की तुलना एक हाई-डेफिनिशन ड्रोन वीडियो से करने जैसा है; नया मानचित्र उन छोटे, अलग-थलग खेतों को भी पकड़ लेता है जिन्हें पुराने मानचित्रों ने छोड़ दिया था।

आप इसके साथ क्या कर सकते हैं? (और आप क्या नहीं कर सकते)

जो पेपर दावा करता है कि आप कर सकते हैं:

• विवरण देखें: अब आप पूरे देश के बजाय एक एकल खेत के पैमाने पर सिंचाई पैटर्न को देख सकते हैं।
• बदलावों की निगरानी करें: चूंकि डेटा वर्तमान (2023/24) है, यह ट्रैक करने में मदद करता है कि पानी का उपयोग अभी कैसे बदल रहा है।
• संसाधनों का प्रबंधन करें: यह वैज्ञानिकों और नीति निर्माताओं को खाद्य सुरक्षा और जल संरक्षण के बारे में बेहतर निर्णय लेने के लिए यह समझने में मदद करता है कि पानी का उपयोग कहाँ किया जा रहा है।
• पुनरुत्पादकता (Reproducibility): सबसे अच्छी बात यह है कि "रेसिपी" (कोड) और सामग्री (डेटा) सभी मुफ्त और ओपन हैं जिनका कोई भी उपयोग कर सकता है।

जिसके बारे में पेपर आपको चेतावनी देता है (सीमाएं):

• "क्रॉपलैंड" पर निर्भरता: यह मानचित्र केवल उस भूमि को देखता है जिसे पहले से ही कृषि भूमि के रूप में पहचाना गया है। यदि आधारभूत मानचित्र कि "खेत कहाँ हैं" गलत है, तो यह मानचित्र भी गलत होगा। यह एक ऐसे जासूस की तरह है जो केवल उन्हीं मोहल्लों में अपराध सुलझा सकता है जिन्हें वह पहले से जानता है।
• छोटे खेत: उन स्थानों में जहाँ किसानों के पास बहुत छोटे, खंडित प्लॉट हैं (ग्लोबल साउथ में आम), 30-मीटर का रिज़ॉल्यूशन अभी भी हर एक खेत को पूरी तरह से देखने के लिए थोड़ा "मोटा" (chunky) हो सकता है।
• थ्रेशोल्ड (सीमा): मानचित्र यह तय करने के लिए कि क्या सिंचित है, "50% विश्वास" नियम का उपयोग करता है। यह एक उपयोगी शॉर्टकट है, लेकिन यह पूर्ण नहीं है। कभी-कभी, एक खेत को केवल कभी-कभी पानी दिया जाता है, और मानचित्र इसे मिस कर सकता है या इसे सूखा मान सकता है।

निष्कर्ष

GMIA-NEXT दुनिया के भोजन को पानी देने के तरीके को देखने की हमारी क्षमता में एक बड़ी छलांग है। हजारों ग्राउंड-ट्रुथ "गवाहों" को उन्नत सैटेलाइट "सुपर-सेंस" और एक स्मार्ट कंप्यूटर मस्तिष्क के साथ जोड़कर, लेखकों ने अब तक का सबसे विस्तृत, अद्यतित और ओपन वैश्विक सिंचाई मानचित्र बनाया है। यह एक धुंधली, पुरानी तस्वीर को एक स्पष्ट, वर्तमान स्नैपशॉट में बदल देता है, जिससे हमें वैश्विक स्तर पर पानी और भोजन के बीच के महत्वपूर्ण संबंध को समझने में मदद मिलती है।