Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches
यह अध्ययन प्रदर्शित करता है कि सेन्टिनल-2 उपग्रह इमेजरी को रैंडम फॉरेस्ट मशीन लर्निंग एल्गोरिदम के साथ एकीकृत करना ट्रांस-हिमालयी चरागाहों में भूमिगत बायोमास के अनुमान के लिए एक सटीक और स्केलेबल विधि प्रदान करता है, जो टिकाऊ भूमि प्रबंधन और पशुपालक आजीविका संरक्षण के लिए एक महत्वपूर्ण उपकरण है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
द ग्रेट ग्रास डिटेक्टिव: पहाड़ों, उपग्रहों और स्मार्ट कंप्यूटरों की एक कहानी
कल्पना कीजिए कि पृथ्वी की त्वचा घास और झाड़ियों के विशाल, जंगली कालीनों जैसे रेंजलैंड्स (rangelands) से ढकी हुई है। ये केवल सुंदर दृश्य नहीं हैं; ये लाखों गायों, भेड़ों और बकरियों के लिए विशाल भोजन की मेजें हैं, और ये ग्रह के पानी को साफ रखने और हवा को ताज़ा रखने में मदद करते हैं। लेकिन समस्या यह है: ये घास के कालीन घिसते जा रहे हैं। एक साथ बहुत अधिक जानवरों के चरने, बदलते मौसम और मानवीय दबाव ने लहलहाते मैदानों को धूल भरे पैच में बदल दिया है। इसे ठीक करने के लिए, हमें यह जानने की ज़रूरत है कि कितनी घास बची है, लेकिन पुराने तरीके से गिनती करना एक दुःस्वप्न है। इसमें ऊबड़-खाबड़, पथरीले पहाड़ों पर चढ़ना, कैंची से घास के छोटे-छोटे वर्ग काटना, उन्हें धूप में सुखाना और उन्हें तौलना शामिल है। यह धीमा है, महंगा है, और आप इसे हर जगह एक साथ नहीं कर सकते।
यहीं "रिमोट सेंसिंग" (दूरस्थ संवेदन) और "मशीन लर्निंग" (मशीन लर्निंग) का जादू काम आता है। रिमोट सेंसिंग को आकाश में एक विशाल, हाई-टेक कैमरे (एक उपग्रह) के रूप रूप में सोचें जो उन रंगों को देख सकता है जिन्हें हमारी आँखें नहीं देख सकतीं, जैसे कि वह अदृश्य "रेड एज" (लाल किनारा) की रोशनी जिससे पौधे तब चमकते हैं जब वे स्वस्थ होते हैं। मशीन लर्निंग एक सुपर-स्मार्ट कंप्यूटर छात्र की तरह है जो लाखों उपग्रह तस्वीरों को देख सकता है और बिना ज़मीन पर कदम रखे यह अनुमान लगा सकता है कि ज़मीन पर कितनी घास है। वैज्ञानिक इन कंप्यूटरों को सटीक होने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं, लेकिन पहाड़ी इलाके पेचीदा होते हैं क्योंकि छाया और ढलान कैमरे को भ्रमित कर देते हैं। बड़ा सवाल यह है: क्या हम केवल आसमान से देखकर ऊंचे पहाड़ों में घास को सटीक रूप से "तौलने" के लिए एक स्मार्ट सिस्टम बना सकते हैं?
पेपर का मिशन: बादलों में घास गिनने के लिए कंप्यूटर को सिखाना
यह शोध पत्र एक नए प्रकार के जासूसी काम के लिए एक फील्ड गाइड की तरह है। लेखक, पाकिस्तान और कनाडा के वैज्ञानिकों की एक टीम, ऊपरी दीर और स्वात के ट्रांस-हिमालयी रेंजलैंड्स में कितनी घास (बायोमास) बढ़ रही है, इस रहस्य को सुलझाने के लिए आगे बढ़ी। ये ऊबड़-खाबड़, ऊंचे पहाड़ी क्षेत्र हैं जहाँ भूभाग इतना ढलान वाला और मौसम इतना अनिश्चित है कि पारंपरिक गणना विधियाँ लगभग असंभव हैं। घास काटने के लिए हाइकर्स की टीमों को भेजने के बजाय, टीम ने सेंटिनल-2 (Sentinel-2) उपग्रह के डेटा का उपयोग करने का निर्णय लिया, जो हर कुछ दिनों में पृथ्वी की अविश्वसनीय रूप से विस्तृत तस्वीरें लेता है।
उन्होंने उपग्रह छवियों को एक विशाल पहेली की तरह माना। सबसे पहले, वे 2022 और 2023 की गर्मियों के दौरान "ग्राउंड ट्रुथ" (जमीनी सच्चाई) एकत्र करने के लिए फील्ड में गए। वे यादृच्छिक स्थानों पर गए, घास के छोटे वर्गों के वास्तविक सूखे वजन को मापा, और जीपीएस निर्देशांक दर्ज किए। यह उनका 'उत्तर कुंजी' (answer key) था। फिर, उन्होंने उन्हीं सटीक स्थानों की उपग्रह तस्वीरों को देखा ताकि यह देखा जा सके कि उपग्रह ने क्या "देखा"। उन्होंने 50 अलग-अलग गणितीय सूत्रों (जिन्हें वेजिटेशन इंडेक्स कहा जाता है) का परीक्षण किया जो प्रकाश को संख्याओं में बदलने की कोशिश करते हैं। यह देखने के लिए 50 अलग-अलग रेसिपी आज़माने जैसा था कि कौन सा सबसे अच्छा केक बनाता है।
खोज: "रेड एज" की जीत हुई
टीम ने पाया कि सभी रेसिपी समान नहीं थीं। कुछ पुराने, मानक सूत्र, जैसे कि प्रसिद्ध NDVI (जो यह मापता है कि पौधे कितने हरे दिखते हैं), ठीक थे, लेकिन वे सूक्ष्म विवरणों को छोड़ देते थे। असली स्टार एक फॉर्मूला निकला जिसे REDVI1 कहा जाता है। यह प्रकाश स्पेक्ट्रम के एक विशेष हिस्से का उपयोग करता है जिसे "रेड एज" कहा जाता है, जो उपग्रह और पौधे के क्लोरोफिल के बीच एक गुप्त हाथ मिलाने (secret handshake) जैसा है।
जब उन्होंने अपने सिद्धांतों का परीक्षण किया, तो प्रारंभिक स्क्रीनिंग में भविष्यवाणी सटीकता के लिए REDVI1 स्पष्ट विजेता बनकर उभरा। 2023 में, इसने 0.86 के सटीकता स्कोर (R²) के साथ घास की मात्रा की भविष्यवाणी की, जो एक बहुत मजबूत मिलान है। मानक हरा मापने वाला फॉर्मूला, NDVI, केवल 0.7376 स्कोर कर सका। यह ऐसा है जैसे REDVI1 एक मील दूर से घास के स्वास्थ्य को देख सकता था, जबकि NDVI अपनी आँखें सिकोड़कर केवल अंदाज़ा लगा रहा था।
लेकिन केवल सबसे अच्छा फॉर्मूला जानना पर्याप्त नहीं था; उन्हें गणित करने के लिए सबसे स्मार्ट कंप्यूटर मस्तिष्क की भी आवश्यकता थी। उन्होंने तीन अलग-अलग मशीन लर्निंग "छात्रों" का परीक्षण किया:
- PLSR (एक रैखिक विचारक)।
- SVR (एक सपोर्ट वेक्टर मशीन)।
- RFR (रैंडम फॉरेस्ट रिग्रेशन)।
रैंडम फॉरेस्ट (RFR) मॉडल चैंपियन था। इसने केवल अंदाज़ा नहीं लगाया; इसने निर्णय वृक्षों (decision trees) का एक जंगल बनाया जो पहाड़ों की अव्यवस्थित और जटिल वास्तविकता को संभाल सकता था। यह अन्य की तुलना में बहुत अधिक स्थिर और सटीक था, जिसका प्रदर्शन स्कोर (NSE) 2023 में 0.92 था। पेपर स्पष्ट रूप से नोट करता है कि पुराने, सरल रैखिक तरीकों और अन्य मशीन लर्निंग मॉडलों को पहाड़ों की अजीब छायाओं और ढलानों के साथ संघर्ष करना पड़ा। RFR मॉडल ही एकमात्र ऐसा था जो लगातार शोर (noise) को अनदेखा कर सका और सिग्नल को ढूंढ सका।
मानचित्र: कहाँ घास मोटी है और कहाँ पतली
अपने विजेता मशीन लर्निंग मॉडल (RFR) का उपयोग करके डेटा को सत्यापित करने के बाद, टीम ने पूरे क्षेत्र का एक विस्तृत मानचित्र बनाया। हालाँकि, वास्तविक अंतिम मानचित्र के लिए, उन्होंने सीधे जटिल कंप्यूटर मॉडल का उपयोग नहीं किया। इसके बजाय, उन्होंने REDVI2 पर आधारित एक सरल लीनियर रिग्रेशन इक्वेशन (रैखिक प्रतिगमन समीकरण) लागू किया। जबकि REDVI1 प्रारंभिक स्क्रीनिंग के लिए शीर्ष भविष्यवक्ता था, टीम ने पाया कि मैपिंग चरण के लिए (0.7204 के R² के साथ) REDVI2 का सहसंबंध उच्चतम था, इसलिए उन्होंने मानचित्र के प्रत्येक पिक्सेल के लिए घास का वजन गणना करने के लिए उस फॉर्मूले का उपयोग किया।
परिणामों ने भूमि के बारे में एक दिलचस्प कहानी उजागर की:
- औसत: पूरे अध्ययन क्षेत्र में, सूखी घास की औसत मात्रा 5,896.78 किलोग्राम/हेक्टेयर थी।
- चरम सीमाएं: घास समान रूप से नहीं फैली थी। कुछ स्थानों पर लगभग कोई घास नहीं थी (गाँवों और नदियों के पास जहाँ जानवर साल भर चरते हैं), जबकि अन्य स्थान अविश्वसनीय रूप से लहलहाते हुए थे। उच्चतम पैच में 11,516.7 किलोग्राम/हेक्टेयर तक घास थी।
- पैटर्न: पेपर ने पाया कि गाँवों और जल स्रोतों के पास की घास अक्सर खराब हो गई थी, जिसमें कम बायोमास ( 3,500 किलोग्राम/हेक्टेयर से कम) था। ऐसा इसलिए है क्योंकि जानवर वहां बहुत लंबे समय से बिना ब्रेक के चर रहे हैं। हालाँकि, ऊंचे पहाड़, जो वर्ष के अधिकांश समय बर्फ से ढके रहते हैं, घनी, स्वस्थ घास ( 7,000 किलोग्राम/हेक्टेयर से अधिक) वाले थे क्योंकि बर्फ ने जानवरों को दूर रखा, जिससे पौधों को वापस बढ़ने का मौका मिला।
भविष्य के लिए इसका क्या अर्थ है
लेखक यह दावा करने में सावधान हैं कि उन्होंने रेंजलैंड प्रबंधन की समस्या को हमेशा के लिए "हल" कर दिया है। इसके बजाय, वे सुझाव देते हैं कि यह तरीका एक शक्तिशाली नया उपकरण प्रदान करता है। उन्होंने दिखाया कि यह जानने के लिए कि वहाँ कितनी घास है, आपको घास काटने की ज़रूरत नहीं है; आप एक उपग्रह और एक स्मार्ट कंप्यूटर का उपयोग करके एक बहुत ही सटीक तस्वीर प्राप्त कर सकते हैं।
यह वहां रहने वाले लोगों के लिए एक बड़ी बात है। यदि स्थानीय नेता एक मानचित्र देख सकते हैं जो कहता है, "हे, यह घाटी घास खत्म होने की कगार पर है," तो वे भूमि के नष्ट होने से पहले जानवरों को दूसरे क्षेत्र में ले जा सकते हैं। यह अनुमान को विज्ञान में बदल देता है। पेपर निष्कर्ष निकालता है कि यह दृष्टिकोण सटीक, स्केलेबल और गैर-आक्रामक है, जो इन नाजुक पर्वतीय पारिस्थित प्रणालियों और उन लोगों की आजीविका की रक्षा करने का एक तरीका प्रदान करता है जो उन पर निर्भर हैं। यह एक याद दिलाता है कि कभी-कभी, ज़मीन को समझने का सबसे अच्छा तरीका आसमान से उसे देखना होता 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।