Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

कल्पना कीजिए कि आप लेगो (LEGO) के एक विशाल, बिखरे हुए डिब्बे को छाँटने की कोशिश कर रहे हैं जहाँ हर टुकड़ा लगभग एक जैसा दिखता है, लेकिन कुछ लाल कारों के होने चाहिए और कुछ नीले ट्रकों के। अब, कल्पना कीजिए कि आप यह अपने हाथों से नहीं, बल्कि अंतरिक्ष से कर रहे हैं, जहाँ आप नीचे खेतों के एक पैचवर्क क्विल्ट (patchwork quilt) को देख रहे हैं जो ऊन की गांठ की तरह आपस में उलझे हुए हैं। यह "फसल प्रकार मानचित्रण" (crop type mapping) की चुनौती है जो लघु किसान कृषि (smallholder agriculture) में होती है। वैज्ञानिक पृथ्वी की तस्वीरें लेने के लिए उपग्रहों का उपयोग करते हैं, लेकिन जब किसान छोटे, अनियमित भूखंडों में एक-दूसरे के बगल में अलग-अलग फसलें उगाते हैं, तो पौधों के रंग (या "स्पेक्ट्रल सिग्नेचर") अक्सर आपस में मिल जाते हैं। यह एक मील दूर से धुंधली फोटो देखकर स्ट्रॉबेरी और रास्पबेरी के बीच अंतर करने की कोशिश करने जैसा है। इसे हल करने के लिए, शोधकर्ताओं को इस बात के प्रति स्मार्ट होना पड़ता है कि वे तस्वीर कब लेते हैं। जिस तरह एक कैटरपिलर तितली से अलग दिखता है, वैसे ही फसलें मौसम के साथ अपना "पोशाक" (रंग और आकार) बदलती हैं। पौधे के जीवन चक्र के सही क्षण का इंतजार करके और डेटा का विश्लेषण करने के लिए शक्तिशाली कंप्यूटरों का उपयोग करके, वैज्ञानिक इस उलझन को सुलझा सकते हैं और देख सकते हैं कि वास्तव में कहाँ क्या उग रहा है। यह महत्वपूर्ण है क्योंकि यह जानना कि किसान क्या उगा रहे हैं, हमें पानी के प्रबंधन, खाद्य आपूर्ति का अनुमान लगाने और पर्यावरण की रक्षा करने में मदद करता है।

---

महान फसल जासूस की कहानी: ईरानी खेत की पहेली को सुलझाना

ईरान के चहारमहल-वा बख्तियारी प्रांत के केंद्र में सामन काउंटी स्थित है, जो अपने बादाम और आड़ू के लिए प्रसिद्ध है। लेकिन यहाँ एक पेच है: परिदृश्य एक अराजक, सुंदर बिखराव है। कल्पना कीजिए कि एक विशाल सलाद जहाँ फलों के पेड़ों के बाग फल, गेहूं, चावल और जौ के खेतों के साथ मिले हुए हैं, और सभी छोटे, अनियमित भूखंडों में ठुंसे हुए हैं। नीचे देख रहे उपग्रह के लिए, यह हरे रंग का एक भ्रमित करने वाला धुंधलापन जैसा दिखता है। पेड़ और अनाज की फसलें अक्सर इतने समान दिखते हैं कि मानक उपग्रह तस्वीरें उनमें अंतर नहीं कर पाती हैं। यह एक भीड़ में किसी विशिष्ट व्यक्ति को पहचानने की कोशिश करने जैसा है जहाँ हर कोई एक ही हरे रंग की हुडी पहने हुए है।

एक टीम ने गूगल अर्थ इंजन (GEE) नामक एक सुपर-पावरफुल डिजिटल प्लेग्राउंड का उपयोग करके इस कोड को तोड़ने का निर्णय लिया। GEE को एक विशाल, क्लाउड-आधारित लाइब्रेरी के रूप में सोचें जिसमें लगभग वे सभी तस्वीरें हैं जो सेंटिनल-2 (Sentinel-2) उपग्रहों ने कभी ली हैं। डेटा के टेराबाइट्स को एक एकल कंप्यूटर पर डाउनलोड करने के बजाय, शोधकर्ताओं ने इस क्लाउड दिग्गज का उपयोग करके वर्षों की छवियों को तुरंत छानने के लिए किया।

"क्या" से अधिक "कब" मायने रखता है

पहला बड़ा अवरोध समय का था। यदि आप सर्दियों के बीच में एक आडू के पेड़ और एक गेहूं के खेत की तस्वीर लेते हैं, तो वे दोनों भूरे और सुप्त दिखाई देते हैं। यदि आप शुरुआती वसंत में तस्वीर लेते हैं, तो वे दोनों सामान्य हरे धब्बों जैसे दिख सकते हैं। शोधकर्ताओं ने महसूस किया कि उन्हें उनमें अंतर करने के लिए, उन्हें उन्हें ठीक उस क्षण पकड़ना होगा जब उनके "व्यक्तित्व" अलग हो जाते हैं।

उन्होंने फसलों को मंच पर अभिनेताओं की तरह माना, जिनमें से प्रत्येक का अपना शेड्यूल है। कुछ फसलें, जैसे चेरी और अखरोट, गर्मियों की शुरुआत (मई से जुलाई) में चरम पर होती हैं और फिर कटाई के दौरान फीकी पड़ने लगती हैं। अन्य, जैसे आडू और बादाम, देर से बढ़ने वाले हैं, जो शुरुआती गर्मियों में शांत रहते हैं और फिर अगस्त और सितंबर में हरे रंग के विकास के साथ फूट पड़ते हैं। अंगूर स्थिर रहने वाले हैं, जो पूरे सीजन धीरे-धीरे और लगातार बढ़ते हैं।

तस्वीर खींचने के लिए सही समय खोजने के लिए, टीम ने ट्रांसफॉर्म्ड डाइवर्जेंस (TD) इंडेक्स नामक एक गणितीय उपकरण का उपयोग किया। आप TD को एक "डिफरेंस मीटर" (अंतर मापने वाला यंत्र) के रूप में सोच सकते हैं। यह मापता है कि दो फसलों के समूह एक-दूसरे से कितने अलग दिखते हैं। यदि मीटर कम पढ़ता है, तो फसलें बहुत समान दिखती हैं (छाँटने के लिए बुरा)। यदि यह उच्च पढ़ता है, तो वे विशिष्ट दिखती हैं (छाँटने के लिए बहुत अच्छा)।

2020 से 2022 तक के मासिक डेटा पर इस "डिफरेंस मीटर" को चलाने से, उन्होंने एक सुनहरा समय खोजा: मई से सितंबर। इन पांच महीनों के दौरान, फसलें अपने सबसे विशिष्ट रूप में थीं। "डिफरेंस मीटर" ने दिखाया कि फसलें स्पष्ट रूप से खुद को अलग कर रही थीं, जिससे एक आडू के पेड़ को गेहूं के खेत से उच्च विश्वास के साथ पहचानना संभव हो गया। उन्होंने पाया कि उन्हें उपलब्ध हर एक फोटो की आवश्यकता नहीं थी; केवल पांच सावधानीपूर्वक चुने गए मासिक स्नैपशॉट काम करने के लिए पर्याप्त थे, जिससे सटीकता को ऊँचा रखते हुए डेटा की मात्रा लगभग 60% कम हो गई।

"टोपोग्राफी" का सुराग जोड़ना

लेकिन सटीक समय के साथ भी, कुछ फसलें अभी भी बहुत समान दिखती थीं। उदाहरण के लिए, बादाम और चेरी, या अखरोट और सेब, अंतरिक्ष से बहुत समान दिख सकते हैं। इसलिए, शोधकर्ताओं ने एक गुप्त हथियार जोड़ा: टोपोग्राफी (स्थलाकृति)।

परिदृश्य को एक विशाल, असमान केक के रूप में कल्पना करें। कुछ हिस्से सपाट हैं, कुछ ढलान वाले, और कुछ सूरज की ओर देखते हैं जबकि अन्य छाया में छिपे रहते हैं। शोधकर्ताओं ने महसूस किया कि विभिन्न फसलों के इस केक पर विशिष्ट "पसंदीदा स्थान" होते हैं।

• चावल केवल उन निचले, सपाट स्थानों पर उगता है जहाँ पानी जमा होता है (जैसे एक भरे हुए टब में)।
• आडू धूप वाले, दक्षिण-मुखी ढलानों को पसंद करते हैं।
• अखरोट नमी बनाए रखने के लिए ठंडे, उत्तर-मुखी किनारों को पसंद करते हैं।
• बादाम कठिन होते हैं और ऊंचे स्थानों पर गर्म, शुष्क दक्षिणी ढलानों पर रहते हैं।

कंप्यूटर को जमीन की ऊंचाई (DEM), ढलान और दिशा (aspect) का नक्शा खिलाकर, शोधकर्ताओं ने एल्गोरिदम को एक "भौगोलिक स्मृति" दी। अब यह केवल रंग के आधार पर अनुमान नहीं लगा रहा था; यह कह रहा था, "यह हरा हिस्सा एक खड़ी, उत्तर-मुखी पहाड़ी पर है, इसलिए यह शायद अखरोट है, सेब नहीं।" जानकारी की इस अतिरिक्त परत ने उन फसलों को सुलझाने में मदद की जो अभी भी बहुत समान दिख रही थीं।

जादुई एल्गोरिदम: रैंडम फॉरेस्ट (Random Forest)

सही समय और टोपोग्राफिक सुराग हाथ में होने के साथ, टीम ने रैंडम फॉरेस्ट (RF) नामक एक मशीन लर्निंग एल्गोरिदम का उपयोग किया। यदि आप निर्णय लेने वालों के एक जंगल की कल्पना करते हैं, जिनमें से प्रत्येक एक सरल प्रश्न पूछ रहा है जैसे "क्या यह मई है?" या "क्या ढलान खड़ी है?", तो रैंडम फॉरेस्ट इन सैकड़ों निर्णय लेने वालों की एक भीड़ है जो मिलकर वोट करते हैं। क्योंकि इतने सारे "पेड़" वोट दे रहे हैं, अंतिम निर्णय अविश्वसनीय रूप से स्मार्ट और गलतियों के प्रति प्रतिरोधी होता है।

उन्होंने इस डिजिटल जंगल को 1,500 वास्तविक दुनिया के बिंदुओं का उपयोग करके प्रशिक्षित किया, जिन्हें वे जीपीएस उपकरणों के साथ जमीन पर गए थे। उन्होंने कंप्यूटर को पैटर्न सीखने के लिए इन बिंदुओं में से 70% दिखाए, और फिर यह देखने के लिए शेष 30% पर इसका परीक्षण किया कि क्या यह बिना मदद के सही अनुमान लगा सकता है।

परिणाम: 95% सफलता दर

पूरे काउंटी का एक आश्चर्यजनक रूप से सटीक मानचित्र बनाने का परिणाम मिला। कंप्यूटर ने 95% बार फसल के प्रकारों को सही ढंग से पहचाना। इतने अव्यवस्थ और जटिल परिदृश्य के लिए यह एक बड़ी सफलता है।

• बादाम पहाड़ियों के राजा थे, जिन्होंने 65% से अधिक कृषि भूमि को कवर किया।
• आडू और अखरोट दूसरे और तीसरे स्थान पर आए।
• चावल और गेहूं/जौ जैसी वार्षिक फसलें सबसे छोटे, पहेली के बिखरे हुए टुकड़े थे।

शोधकर्ताओं ने अपने काम की जांच आधिकारिक सरकारी रिकॉर्ड (कृषि सांख्यिकीय वार्षिक वर्ष) के विरुद्ध भी की। उनके द्वारा बनाया गया मानचित्र सरकार के आंकड़ों के साथ लगभग पूरी तरह से मेल खाता था, जिसका सहसंबंध स्कोर (correlation score) 0.96 था। इसका मतलब है कि मानचित्र केवल एक सुंदर चित्र नहीं था; यह एक विश्वसनीय उपकरण था जिस पर फसलों की सटीक गिनती के लिए भरोसा किया जा सकता था।

यह क्यों मायने रखता है

यह अध्ययन साबित करता है कि छोटे, बिखरे हुए खेतों का मानचित्रण करने के लिए आपको किसी अत्यधिक जटिल, महंगे सिस्टम की आवश्यकता नहीं है। स्मार्ट समय (सही मौसम का इंतजार करना), जमीन की बनावट (टोपोग्राफी) को जानने और एक शक्तिशाली क्लाउड कंप्यूटर का उपयोग करके, आप सबसे भ्रमित करने वाले कृषि परिदृश्यों को भी सुलझा सकते हैं।

शोधकर्ताओं ने दिखाया कि घरों और नदियों (जो फसलों की तरह दिख सकते हैं और कंप्यूटर को भ्रमित कर सकते हैं) को हटाकर और उन विशिष्ट महीनों पर ध्यान केंद्रित करके जब फसलें सबसे अलग दिखती हैं, आप क्या उग रहा है उसकी स्पष्ट तस्वीर प्राप्त कर सकते हैं। यह स्थानीय योजनाकारों को पानी का बेहतर प्रबंधन करने, फसल की भविष्यवाणी करने और यह सुनिश्चित करने में मदद करता है कि भूमि का उपयोग स्थायी रूप से किया जाए। यह एक याद दिलाता है कि कभी-कभी, पूरे जंगल को देखने का सबसे अच्छा तरीका सही मौसम का इंतजार करना और सही कोण से पेड़ों को देखना होता है।