An Ensemble Deep Learning Framework for Robust Forest Fire and Smoke Detection

वन अग्नि (फॉरेस्ट फायर) प्रकृति की एक निरंतर चलने वाली शक्ति है, जो परिदृश्यों को उनकी हरियाली से वंचित करने, अनगिनत जानवरों के घरों को नष्ट करने और मानव समुदायों को भागने के लिए मजबूर करने में सक्षम है। दशकों से, इन ज्वालाओं के विरुद्ध प्राथमिक रक्षा मानव निगरानीकर्ताओं (लुकआउट्स), टावरों पर बैठे लोगों, आकाश में चक्कर काटते उपग्रहों और गर्मी का पता लगाने वाले सेंसरों का एक मिश्रण रही है। हालांकि इन उपकरणों ने जीवन और संपत्ति को बचाया है, लेकिन उनकी विशिष्ट कमजोरियां भी हैं। उदाहरण के लिए, उपग्रह घने बादलों या धुएं के पार नहीं देख सकते, और वे केवल कभी-कभी एक ही स्थान के ऊपर से गुजरते हैं, जिसका अर्थ है कि अगली छवि लिए जाने से पहले एक छोटी सी आग एक बड़ी आपदा में बदल सकती है। मानव पर्यवेक्षक थकान और उस विशाल निर्जन क्षेत्र (वाइल्डरनेस) के पैमाने से सीमित होते हैं जिसकी उन्हें निगरानी करनी होती है। हाल के वर्षों में, वैज्ञानिकों ने इन कमियों को भरने के लिए आर्टिफिशियल इंटेलिजेंस (AI) की ओर रुख किया है, जिससे कंप्यूटर को वास्तविक समय में आग और धुएं के दृश्य संकेतों (विजुअल सिग्नेचर) को पहचानना सिखाया जा सके। हालांकि, चुनौती यह है कि जंगल जटिल और अप्रत्याशित होते हैं; एक बादल धुएं जैसा दिख सकता है, और एक सूर्यास्त ज्वालाओं की नकल कर सकता है, जिससे गलत अलार्म या पहचान में चूक हो सकती है।

भारत के शोधकर्ताओं की एक टीम ने इस समस्या से निपटने के लिए एक ऐसी प्रणाली बनाने की दिशा में काम किया है जो निर्णय लेने के लिए केवल एक कंप्यूटर प्रोग्राम पर निर्भर नहीं करती है, बल्कि इसके बजाय तीन अलग-अलग विशेषज्ञ प्रणालियों के एक पैनल का उपयोग करती है जो मिलकर काम करते हैं। उन्होंने तीन अलग-अलग प्रकार के उन्नत इमेज-रिकग्निशन सॉफ्टवेयर, जिन्हें डीप लर्निंग मॉडल कहा जाता है, को मिलाया, जो हजारों चित्रों से सीखने के लिए डिज़ाइन किए गए हैं। इनमें से एक मॉडल विशेष रूप से उन विवरणों को याद रखने में अच्छा है जिन्हें उसने पहले देखा है, दूसरा बहुत गहरे सूचना स्तरों (लेयर्स) को संभालने के लिए बनाया गया है ताकि वह भ्रमित न हो, और तीसरा कुशलतापूर्वक सूक्ष्म बनावट (टेक्सचर) और पैटर्न को पहचानने के लिए विशिष्ट है। केवल एक मॉडल को यह तय करने देने के बजाय कि किसी चित्र में आग है या नहीं, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया जहां तीनों मॉडल एक ही छवि का एक साथ विश्लेषण करते हैं। फिर उन्होंने अंतिम उत्तर तय करने के लिए एक सरल नियम का उपयोग किया: यदि दो या अधिक मॉडल इस बात से सहमत हैं कि आग या धुआं मौजूद है, तो सिस्टम उसे फ्लैग (चिह्नित) करता है। यह दृष्टिकोण, जिसे 'एन्सेम्बल' कहा जाता है, इस तरह से डिज़ाइन किया गया है कि यह किसी भी एकल मॉडल द्वारा की जाने वाली व्यक्तिगत गलतियों को कम कर सके, ठीक वैसे ही जैसे लोगों का एक समूह अकेले किसी एक व्यक्ति की तुलना में अधिक सटीक निष्कर्ष पर पहुँच सकता है।

इस प्रणाली का परीक्षण करने के लिए, शोधकर्ताओं ने इसे छवियों के दो अलग-अलग संग्रहों पर प्रशिक्षित किया। पहले सेट में लगभग एक हजार चित्र थे, जो जलते हुए जंगलों और सुरक्षित, गैर-जलते परिदृश्यों के बीच विभाजित थे। दूसरे, बहुत बड़े सेट में इकतालीस हजार से अधिक चित्र शामिल थे, जिसमें एक तीसरा वर्ग जोड़ा गया था: आग के बिना धुआं। यह एक महत्वपूर्ण जुड़ाव था, क्योंकि धुआं अक्सर ज्वालाएं दिखने से पहले दिखाई देता है, जो एक महत्वपूर्ण प्रारंभिक चेतावनी प्रदान करता है। टीम ने अपने सिस्टम को इन पैटर्न को पहचानने के लिए लाखों छवियों के विभिन्न रूपों (वेरिएशन) को दिखाकर सिखाया, जिसमें वास्तविक दुनिया की अराजक स्थितियों की नकल करने के लिए चमक (ब्राइटनेस), रोटेशन और आकार को समायोजित किया गया। फिर उन्होंने सिस्टम से उन छवियों में आग और धुएं की पहचान करने के लिए कहा जिन्हें उसने पहले कभी नहीं देखा था। परिणामों ने दिखाया कि तीन मॉडलों की संयुक्त टीम अकेले काम करने वाले किसी भी मॉडल की तुलना में काफी अधिक विश्वसनीय थी। केवल आग वाले डेटासेट पर, एन्सेम्बल सिस्टम ने 99 प्रतिशत बार स्थिति को सही ढंग से पहचाना। अधिक जटिल डेटासेट पर, जिसमें धुआं भी शामिल था, इसने 98.4 प्रतिशत की सफलता दर हासिल की।

जब शोधकर्ताओं ने अपने नए सिस्टम की तुलना वर्तमान में उपयोग की जाने वाली अन्य विधियों से की, तो इसका लाभ और भी स्पष्ट हो गया। पुरानी तकनीकें, जैसे कि सरल गणितीय नियमों या एकल-मॉडल दृष्टिकोणों पर आधारित, सटीकता के मामले में संघर्ष करती थीं, और अक्सर आग को पहचानने में चूक करती थीं या गलत अलार्म देती थीं। नया एन्सेम्बल तरीका सफलता के हर प्रमुख मापदंड में मौजूदा दृष्टिकोणों से बेहतर रहा, जिसमें यह भी शामिल है कि इसने कितनी बार आग होने पर उसे सही ढंग से पहचाना और कितनी बार गलती से एक सुरक्षित दृश्य को आग बताया। अध्ययन बताता है कि विभिन्न प्रकार के आर्टिफिशियल इंटेलिजेंस की शक्तियों को एक साथ जोड़कर, एक ऐसा डिटेक्शन सिस्टम बनाना संभव है जो जंगल के वातावरण के भ्रमित करने वाले विजुअल शोर के प्रति कहीं अधिक मजबूत हो। हालांकि, लेखकों ने यह भी नोट किया कि एक साथ तीन जटिल प्रोग्राम चलाने के लिए महत्वपूर्ण कंप्यूटिंग पावर की आवश्यकता होती है, जो इसे दूरदराज के क्षेत्रों में छोटे, बैटरी से चलने वाले उपकरणों पर स्थापित करना कठिन बना सकता है। उन्होंने निष्कर्ष निकाला कि हालांकि यह प्रणाली एक शक्तिशाली कदम है, भविष्य के कार्य को इसे वास्तविक समय में चलाने के लिए तेज़ और कुशल बनाने पर ध्यान केंद्रित करना चाहिए, ताकि यह सुनिश्चित किया जा सके कि इस तकनीक को पारिस्थितिक तंत्र और मानव समुदायों दोनों को बढ़ते जंगल की आग के खतरे से बचाने के लिए व्यापक रूप से तैनात किया जा सके।