Explainable AI for Agricultural Climate-Risk Prediction: A Systematic Review of Progress and Strategic Roadmap

वैश्विक खाद्य आपूर्ति एक नाजुक संतुलन में टिकी हुई है, जो जलवायु के बदलते मिजाज से लगातार परीक्षित होती रहती है। सूखे खेतों को सुखा सकते हैं, नमकीन मिट्टी जड़ों को जहरीला बना सकती है, और अप्रत्याशित मौसम एक आशाजनक फसल को नुकसान में बदल सकता है। दशकों से, वैज्ञानिक इन खतरों की भविष्यवाणी करने के लिए कंप्यूटर की ओर मुड़ते रहे हैं, जिसमें वे जटिल एल्गोरिदम का उपयोग करते हैं जो मौसम और मिट्टी के डेटा में पैटर्न को किसी भी इंसान की तुलना में कहीं अधिक तेजी से पहचान सकते हैं। ये आर्टिफिशियल इंटेलिजेंस (AI) प्रणालियाँ यह अनुमान लगाने में अविश्वसनीय रूप से कुशल हो गई हैं कि आगे क्या होगा, और अक्सर लगभग पूर्ण सटीकता के साथ काम करती हैं। हालांकि, एक महत्वपूर्ण समस्या उभर कर आई है: जबकि ये कंप्यूटर मॉडल अत्यधिक सटीकता के साथ भविष्य की भविष्यवाणी कर सकते हैं, वे यह समझाने में असमर्थ हैं कि उन्होंने अपने निष्कर्षों तक कैसे पहुँचा। वे एक बंद डिब्बे (ब्लैक बॉक्स) की तरह काम करते हैं, जो बिना अंदर का काम दिखाए केवल एक परिणाम प्रस्तुत करते हैं। उन किसानों और कृषि विशेषज्ञों के लिए जिन्हें इन भविष्यवाणियों के आधार पर जीवन-मरण के निर्णय लेने होते हैं, पारदर्शिता की यह कमी अविश्वास की एक दीवार खड़ी कर देती है। यदि कंप्यूटर कहता है कि एक खेत विफल हो जाएगा, लेकिन यह नहीं बता पाता कि क्यों, तो किसान यह नहीं जान पाएगा कि उस चेतावनी पर भरोसा करे या उसे अनदेखा कर दे।

मैजन यूनिवर्सिटी कॉलेज, लेकहेड यूनिवर्सिटी और ओंटारियो टेक यूनिवर्सिटी के शोधकर्ताओं द्वारा 2026 में प्रकाशित एक नया व्यवस्थित समीक्षा (सिस्टमैटिक रिव्यू), इस बढ़ते अंतर पर कड़ी नजर डालता है। लेखकों ने दर्जनों हालिया अध्ययनों को एकत्र और विश्लेषित किया जिन्होंने कृषि भविष्यवाणियों में 'व्याख्यात्मकता' (एक्सप्लेनेबिलिटी) की एक परत जोड़कर इस "ब्लैक बॉक्स" समस्या को ठीक करने का प्रयास किया। उनका लक्ष्य यह देखना था कि क्या तकनीक वास्तविक दुनिया में भरोसे के लायक परिपक्व हो गई है। यह समीक्षा 2021 से 2026 की एक विशिष्ट अवधि को कवर करती है, जहाँ अनुसंधान का ध्यान इन मॉडलों को समझने योग्य बनाने की ओर तेजी से स्थानांतरित हुआ। शोधकर्ताओं ने जांचा कि ये नई प्रणालियाँ पाँच महत्वपूर्ण क्षेत्रों को कैसे संभालती हैं: फसल की उपज की भविष्यवाणी, मिट्टी की लवणता का पता लगाना, सूखे का पूर्वानुमान, पौधों के रोगों की पहचान, और सामान्य जलवायु जोखिमों का आकलन। उन्होंने पाया कि हालांकि अंतर्निहित भविष्यवाणी मॉडल प्रभावशाली स्तर की सटीकता तक पहुँच चुके हैं, लेकिन उन्हें समझाने के लिए उपयोग की जाने वाली विधियाँ अक्सर अस्थिर, अपूर्ण या पौधों के वास्तविक जीव विज्ञान से विच्छेदित होती हैं।

समीक्षा से पता चलता है कि आज के सबसे सफल भविष्यवाणी मॉडल अब सरल सांख्यिकीय उपकरण नहीं रह गए हैं, बल्कि वे गहरे और जटिल नेटवर्क हैं जो मानव मस्तिष्क के सूचना संसाधित करने के तरीके की नकल करते हैं। फसल की उपज के क्षेत्र में, इन उन्नत प्रणालियों ने 0.975 तक का सटीकता स्कोर प्राप्त किया है, जिसका अर्थ है कि वे फसल के आकार की उल्लेखनीय सटीकता के साथ भविष्यवाणी कर सकते हैं। इसी तरह, पौधों के रोगों का पता लगाने के लिए, कुछ मॉडलों ने 99.63% की सटीकता प्राप्त की है, जो स्वस्थ पत्तियों के मुकाबले बीमार पत्तियों की लगभग हर बार सही पहचान करते हैं। ये प्रणालियाँ तापमान, आर्द्रता, मिट्टी की गुणवत्ता और खेतों के उपग्रह चित्रों जैसे डेटा पर निर्भर करती हैं। हालाँकि, अध्ययन एक चिंताजनक प्रवृत्ति को उजागर करता है: इन उच्च स्कोर के लिए दी जाने वाली व्याख्याएँ अक्सर एक विचार के बाद की चीज़ (आफ्टरथॉट) होती हैं। अधिकांश शोधकर्ता पहले एक शक्तिशाली भविष्यवाणी मॉडल बनाते हैं और फिर बाद में उसे समझाने के लिए एक अलग उपकरण जोड़ देते हैं। यह दृष्टिकोण एक कार इंजन बनाने और फिर कार चलने के बाद यह चित्र बनाने जैसा है कि ईंधन कैसे बहता है। समीक्षा में पाया गया कि ये "पोस्ट-हॉक" (घटना के बाद की) व्याख्याएँ अक्सर मॉडल के वास्तविक तर्क को पकड़ने में विफल रहती हैं, विशेष रूप से मौसम और मिट्टी की जटिल और परस्पर जुड़ी वास्तविकता के मामले में।

इन मॉडलों को समझाने के लिए उपयोग किए जाने वाले सबसे सामान्य उपकरणों में से एक SHAP नामक विधि है, जो एक भविष्यवाणी को तोड़ने का प्रयास करती है ताकि यह दिखाया जा सके कि प्रत्येक कारक, जैसे वर्षा या मिट्टी का pH, अंतिम परिणाम में कितना योगदान देता है। शोधकर्ताओं ने पाया कि SHAP गणितीय रूप से सुदृढ़ और सुसंगत है, जो मिट्टी की लवणता और उपज में जटिल अंतःक्रियाओं को समझने के लिए एक मजबूत विकल्प है। हालाँकि, यह बहुत धीमा और गणनात्मक रूप से भारी भी है, जिसे बड़े डेटासेट पर चलाने के लिए महत्वपूर्ण शक्ति की आवश्यकता होती है। एक अन्य लोकप्रिय उपकरण, जिसे LIME के नाम से जाना जाता है, तेज़ और उपयोग में आसान है, लेकिन समीक्षा ने इसे खतरनाक रूप से अस्थिर पाया। क्योंकि LIME मॉडल का एक सरलीकृत, स्थानीय सन्निकटन (लोकल एप्रोक्सिमेशन) बनाता है, डेटा में छोटे बदलाव भी एक ही स्थिति के लिए पूरी तरह से अलग व्याख्याएँ दे सकते हैं। यह असंगति उन किसानों के लिए इसे अविश्वसनीय बनाती है जिन्हें यह जानने की आवश्यकता है कि एक विशिष्ट खेत जोखिम में क्यों है। अध्ययन ने यह भी नोट किया कि पुराने तरीके, जो एक चर (वेरिएबल) को अलग-थलग देखते हैं, कृषि में अक्सर विफल रहते हैं क्योंकि मौसम के कारक गहराई से जुड़े होते हैं। उदाहरण के लिए, आप तापमान या आर्द्रता को बदले बिना हवा की गति को नहीं बदल सकते, फिर भी कुछ व्याख्या उपकरण उन्हें ऐसे व्यवहार करते हैं जैसे वे स्वतंत्र हों, जिससे भ्रमित करने वाली या असंभव स्थितियाँ पैदा होती हैं।

समीक्षा ने अनिश्चितता को संभालने के तरीके में एक महत्वपूर्ण अंतर भी उजागर किया। वास्तविक दुनिया में, कोई भी भविष्यवाणी कभी 100% निश्चित नहीं होती, फिर भी अधिकांश कृषि मॉडल अपने परिणामों को पूर्ण तथ्यों के रूप में प्रस्तुत करते हैं। एक किसान को बताया जा सकता है कि खेत की उपज कम होगी, लेकिन मॉडल यह नहीं बताता कि वह उस संख्या के प्रति कितना आश्वस्त है। शोधकर्ता बताते हैं कि स्पष्ट विश्वास अंतराल (कॉन्फिडेंस इंटरवल) के बिना, जैसे कि संभावित परिणामों की एक सीमा, किसान एक ऐसे अनुमान के आधार पर जोखिम भरे निर्णय ले सकते हैं जिसे कंप्यूटर एक निश्चितता के रूप में मानता है। केवल कुछ ही अध्ययन, जैसे कि मिट्टी की लवणता पर केंद्रित एक अध्ययन, ने इन विश्वास अंतरालों को शामिल करना शुरू किया है, जो एक उच्च-जोखिम, उच्च-निश्चितता वाली चेतावनी और एक काल्पनिक चेतावनी के बीच के अंतर को दर्शाते हैं। अधिकांश वर्तमान शोध में इस जानकारी की अनुपस्थिति का अर्थ है कि यह तकनीक अभी तक व्यापक, उच्च-दांव वाले उपयोग के लिए तैयार नहीं है।

एक अन्य प्रमुख मुद्दा "साइलो प्रभाव" (Silo Effect) है, जहाँ शोधकर्ता सूखे, बीमारी और लवणता का अध्ययन इस तरह करते हैं जैसे कि वे अलग-अलग समस्याएँ हों। वास्तव में, ये जोखिम एक-दूसरे को प्रभावित करते हैं। एक सूखा किसान को सिंचाई के लिए खराब गुणवत्ता वाले पानी का उपयोग करने के लिए मजबूर कर सकता है, जो फिर मिट्टी की लवणता को बढ़ाता है, जो बदले में फसलों को रोग के प्रति अधिक संवेदनशील बनाता है। वर्तमान पीढ़ी के व्याख्यात्मक AI मॉडल आमतौर पर इन क्रमिक संबंधों को दिखाने में विफल रहते हैं। वे यह समझा सकते हैं कि पौधा सूखा क्यों है या मिट्टी नमकीन क्यों है, लेकिन वे शायद ही कभी यह समझा पाते हैं कि एक समस्या दूसरे का कारण कैसे बनी। यह विखंडन तकनीक की उपयोगिता को सीमित करता है, क्योंकि यह खेत के स्वास्थ्य की पूरी तस्वीर प्रदान नहीं कर सकता। इसके अलावा, समीक्षा ने अनुसंधान में एक मजबूत पूर्वाग्रह को नोट किया, जिसमें अधिकांश अध्ययन ग्लोबल नॉर्थ के क्षेत्रों या नील डेल्टा जैसे विशिष्ट, अच्छी तरह से प्रलेखित क्षेत्रों पर केंद्रित हैं। इन स्थानों के लिए विकसित मॉडल अक्सर दुनिया के अन्य हिस्सों में विभिन्न फसलों, मिट्टी या जलवायु पर लागू होने पर ठीक से काम नहीं करते हैं, और उनके द्वारा दी गई व्याख्याएँ स्थानीय किसानों के लिए समझ में नहीं आ सकती हैं।

भविष्य की ओर देखते हुए, लेखक इस क्षेत्र को प्रायोगिक प्रयोगशालाओं से वास्तविक दुनिया के अनुप्रयोग की ओर ले जाने के लिए एक रणनीतिक रोडमैप प्रस्तावित करते हैं। उनका तर्क है कि समाधान केवल बाद में एक व्याख्या उपकरण जोड़ने में नहीं है, बल्कि मॉडलों को शुरू से ही पारदर्शिता को ध्यान में रखते हुए डिजाइन करने में है। यह अवधारणा, जिसे "एक्सप्लेनेबिलिटी-बाय-डिजाइन" कहा जाता है, का अर्थ होगा AI को इस तरह बनाना कि वह स्वाभाविक रूप से अपनी भविष्यवाणियों के लिए स्पष्ट, तार्किक कारण उत्पन्न करे, न कि बाद में उन्हें रिवर्स-इंजीनियर करने की कोशिश करे। शोधकर्ता एक एकीकृत दृष्टिकोण के लिए भी आह्वान करते हैं जो डेटा गोपनीयता का सम्मान करता है, जिससे विभिन्न क्षेत्र कच्चे डेटा को साझा किए बिना ज्ञान साझा कर सकें। महत्वपूर्ण रूप से, वे जोर देते हैं कि किसी भी व्याख्या को मानव विशेषज्ञों, जैसे कि कृषि वैज्ञानिकों (एग्रोनोमिस्ट) और पादप रोगविज्ञानियों (प्लांट पैथोलॉजिस्ट) द्वारा सत्यापित किया जाना चाहिए, ताकि यह सुनिश्चित हो सके कि कंप्यूटर द्वारा दिए गए कारण वास्तव में खेत की जैविक और भौतिक वास्तविकताओं से मेल खाते हैं। यदि कोई मॉडल कहता है कि एक पौधा प्रकाश के एक विशिष्ट पैटर्न के कारण बीमार है, तो एक मानव विशेषज्ञ को यह पुष्टि करनी चाहिए कि वह पैटर्न बीमारी का वास्तविक संकेत है न कि केवल कैमरे की त्रुटि।

इस शोध का अंतिम लक्ष्य उच्च-तकनीकी भविष्यवाणी और मानवीय विश्वास के बीच के अंतर को पाटना है। समीक्षा निष्कर्ष निकालती है कि जबकि आर्टिफिशियल इंटेलिजेंस में जलवायु परिवर्तन के विरुद्ध वैश्विक खाद्य सुरक्षा की रक्षा करने की शक्ति है, यह तब तक ऐसा नहीं कर सकता जब तक कि यह एक ऐसा साथी न बन जाए जिसे किसान समझ सकें। तकनीक को केवल सटीक होने से आगे बढ़कर भरोसेमंद बनने की आवश्यकता है। इसका अर्थ है न केवल एक भविष्यवाणी प्रदान करना, बल्कि एक स्पष्ट, आत्मविश्वासी और वैज्ञानिक रूप से सुदृढ़ व्याख्या प्रदान करना कि वह भविष्यवाणी क्यों की गई थी। जब तक यह क्षेत्र इन नए डिजाइन, सत्यापन और अनिश्चितता संचार के मानकों को नहीं अपनाता, तब तक ये शक्तिशाली उपकरण प्रयोगशालाओं में ही कैद रहेंगे, और उन किसानों की मदद करने में असमर्थ रहेंगे जिन्हें उनकी सबसे अधिक आवश्यकता है। आगे का रास्ता एक मानसिकता में बदलाव की मांग करता है, जिसमें व्याख्यात्मकता को एक तकनीकी अतिरिक्त (एड-ऑन) के रूप में नहीं, बल्कि कृषि के भविष्य का मार्गदर्शन करने के लिए इच्छित किसी भी प्रणाली के आधार के रूप में देखा जाए।