When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

तट एक निरंतर बातचीत का स्थान है। यह वह स्थान है जहाँ भूमि समुद्र से मिलती है, एक बदलती हुई सीमा जो पृथ्वी के कुछ सबसे महत्वपूर्ण पारिस्थितिक तंत्रों का समर्थन करती है, जैसे कि मैंग्रोव वन जो तटरेखाओं की रक्षा करते हैं या ज्वारीय मैदान जो अनगिनत समुद्री प्रजातियों का पोषण करते हैं। फिर भी, ये क्षेत्र मानव विकास, बढ़ते समुद्र के स्तर और औद्योगिक गतिविधियों के दबाव में भी हैं। उन्हें बचाने के लिए, वैज्ञानिकों को यह जानने की आवश्यकता है कि ज़मीन पर वास्तव में क्या हो रहा है: पेड़ कहाँ हैं, पानी कहाँ उथला है, और भूमि कहाँ खाली है। दशकों से, ऊपर से इन विशाल, कठिन पहुँच वाले स्थानों को देखने के लिए प्राथमिक उपकरण उपग्रह इमेजरी (satellite imagery) रहा है। ये उपग्रह पृथ्वी की सतह से परावर्तित होने वाले प्रकाश को कैप्चर करते हैं, जिससे एक ऐसा चित्र बनता है जिसे कंप्यूटर परिदृश्य को विभिन्न श्रेणियों, जैसे कि वन, जल या शहर में वर्गीकृत करने के लिए विश्लेषण कर सकता है। हालाँकि, उन कच्चे चित्रों को सटीक मानचित्रों में बदलना कोई सरल कार्य नहीं है। एक मैंग्रोव पेड़ से टकराकर आने वाला प्रकाश एक कीचड़ वाले मैदान से टकराने वाले प्रकाश से अलग दिखता है, लेकिन अंतर सूक्ष्म हो सकता है, और उन्हें अलग करने के लिए उपयोग किए जाने वाले कंप्यूटर प्रोग्राम को सावधानीपूर्वक चुना जाना चाहिए। यदि गलत प्रोग्राम का उपयोग किया जाता है, या यदि उसमें दिया गया डेटा सही ढंग से तैयार नहीं किया गया है, तो परिणामी मानचित्र भ्रामक हो सकता है, जिससे इन नाजुक वातावरणों के प्रबंधन के बारे में गलत निर्णय लेने की संभावना बढ़ सकती है।

फारस की खाड़ी में, एक ऐसा क्षेत्र जहाँ मैंग로व वन तेल और गैस के बुनियादी ढांचे के तीव्र दबाव का सामना कर रहे हैं, केइवन कबीरी नामक एक शोधकर्ता ने इन तटीय परिदृश्यों को मैप करने का सबसे विश्वसनीय तरीका खोजने का संकल्प लिया। उन्होंने ईरान के दक्षिणी तट के पांच विशिष्ट स्थलों पर ध्यान केंद्रित किया, जो अपेक्षाकृत अछूते मैंग्रोव स्टैंड से लेकर औद्योगिक सुविधाओं से अत्यधिक प्रभावित क्षेत्रों तक विस्तृत थे। सर्वोत्तम दृष्टिकोण का परीक्षण करने के लिए, उन्होंने यूरोपीय अंतरिक्ष एजेंसी के सेंटिनल-2 मिशन से उच्च-रिज़ॉल्यूशन वाली उपग्रह छवियां एकत्र कीं। ये छवियां पृथ्वी का स्पष्ट दृश्य प्रदान करती हैं जिसमें दस मीटर का रिज़ॉल्यूशन होता है, जिसका अर्थ है कि छवि में प्रत्येक पिक्सेल ज़मीन पर दस-बाय-दस मीटर के वर्ग का प्रतिनिधित्व करता है। चुनौती यह निर्धारित करना था कि कौन सा कंप्यूटर एल्गोरिदम इन पिक्सेल को आठ विशिष्ट श्रेणियों में सबसे अच्छी तरह से वर्गीकृत कर सकता है: मैंग्रोव, कीचड़ का मैदान (mudflat), मिट्टी, उथला पानी, गहरा पानी, बंजर भूमि, निर्मित क्षेत्र और सामान्य वनस्पति। ऐसा करने के लिए, कबीरी ने चार अलग-अलग विधियों की तुलना की। इनमें से दो आधुनिक, शक्तिशाली मशीन-लर्निंग उपकरण थे जिन्हें रैंडम फॉरेस्ट (Random Forest) और एक्सट्रीम ग्रेडिएंट बूस्टिंग (Extreme Gradient Boosting) के रूप में जाना जाता है, जो जटिल निर्णय लेने के लिए उदाहरणों से सीखते हैं। तीसरा सपोर्ट वेक्टर मशीन (Support Vector Machine) था, जो रिमोट सेंसिंग में अक्सर उपयोग किया जाने वाला एक अन्य परिष्कृत एल्गोरिदम है। चौथा मैक्सिमम लाइकलीहुड क्लासिफिकेशन (Maximum Likelihood Classification) था, जो एक बहुत पुराना, पारंपरिक तरीका है जो प्रकाश के व्यवहार के बारे में सांख्यिकीय धारणाओं पर निर्भर करता है।

अध्ययन ने यह देखने के लिए कि डेटा की तैयारी कितनी मायने रखती है, इन एल्गोरिदम का दो अलग-अलग स्थितियों के तहत परीक्षण किया। पहले परिदृश्य में, कंप्यूटरों को उपग्रह द्वारा कैप्चर किए गए छह कच्चे प्रकाश बैंड (raw bands) दिए गए, जो दृश्य स्पेक्ट्रम से इन्फ्रारेड तक के विभिन्न रंगों के अनुरूप हैं। दूसरे परिदृश्य में, शोधकर्ताओं ने डेटा में चार अतिरिक्त सूचना परतें जोड़ीं। ये नई छवियां नहीं थीं, बल्कि मौजूदा प्रकाश बैंडों के गणितीय संयोजन थे जिन्हें वनस्पति के स्वास्थ्य या पानी की स्पष्टता जैसे विशिष्ट लक्षणों को उजागर करने के लिए डिज़ाइन किया गया था। 'फीचर इंजीनियरिंग' के रूप में जानी जाने वाली यह प्रक्रिया, अक्सर सटीकता में सुधार के लिए एक आवश्यक कदम मानी जाती है। शोधकर्ताओं ने फिर सभी पांच साइटों पर वर्गीकरण चलाया और अपने काम की जांच एक बहुत ही उच्च-रिज़ॉल्यूशन संदर्भ के विरुद्ध की। उन्होंने पहले ही इन स्थानों के ऊपर ड्रोन उड़ाए थे ताकि विस्तृत हवाई मानचित्र बनाए जा सकें, जो 'ग्राउंड ट्रुथ' (ground truth) के रूप में कार्य करते थे ताकि यह देखा जा सके कि उपग्रह-आधारित मानचित्र वास्तव में कितने सही थे।

परिणामों ने पुराने और नए तरीकों के बीच एक स्पष्ट और आश्चर्यजनक अंतर प्रकट किया। तीन आधुनिक एल्गोरिदम—रैंडम फॉरेस्ट, सपोर्ट वेक्टर मशीन और एक्सट्रीम ग्रेडिएंट बूस्टिंग—ने लगभग हर मामले में असाधारण प्रदर्शन किया। उन्होंने लगभग 95 से 97 प्रतिशत की समग्र सटीकता प्राप्त की, जिससे लगभग हर पिक्सेल के लिए भूमि आवरण प्रकार की सही पहचान हुई। उल्लेखनीय रूप से, इन उच्च-प्रदर्शन वाले उपकरणों को अपना काम करने के लिए अतिरिक्त, इंजीनियर की गई जानकारी की आवश्यकता नहीं थी। चाहे उन्हें केवल कच्चे उपग्रह बैंड दिए गए हों या कच्चे बैंड और अतिरिक्त इंडेक्स दोनों, उनकी सटीकता लगातार उच्च बनी रही। अतिरिक्त डेटा के जुड़ने से उनके प्रदर्शन में एक या एक प्रतिशत से भी कम का बदलाव आया, जो यह सुझाव देता है कि ये आधुनिक उपकरण सीधे कच्चे चित्रों से आवश्यक पैटर्न खोजने के लिए पर्याप्त मजबूत हैं।

इसके बिल्कुल विपरीत, पारंपरिक विधि, मैक्सिमम लाइकलीहुड क्लासिफिकेशन, जब इसे केवल कच्चे उपग्रह बैंड दिए गए, तो काफी संघर्ष करती दिखी। अतिरिक्त जानकारी के बिना, यह केवल लगभग 55 प्रतिशत समय ही भूमि आवरण को सही ढंग से पहचानने में सफल रही, जो कि व्यावहारिक प्रबंधन के लिए बेकार स्तर है। हालाँकि, जब शोधकर्ताओं ने डेटा में अतिरिक्त स्पेक्ट्रल इंडेक्स जोड़े, तो इस पुराने तरीके में नाटकीय सुधार हुआ, और इसकी सटीकता बढ़कर औसतन 82 प्रतिशत हो गई। हालांकि यह एक बड़ा सुधार था, लेकिन यह आधुनिक तरीकों से बहुत पीछे रह गया, जो उच्च 90 के दशक में बने रहे। अध्ययन ने पुष्टि की कि सबसे अच्छे आधुनिक तरीके और बेहतर पारंपरिक तरीके के बीच का अंतर सांख्यिक रूप से महत्वपूर्ण था, जिसका अर्थ है कि यह अंतर वास्तविक था न कि केवल एक संयोग। आधुनिक उपकरण जटिल और अव्यवस्थित तटीय वातावरण के लिए बेहतर अनुकूल थे।

सर्वश्रेष्ठ उपकरणों के साथ भी, कुछ चुनौतियाँ बनी रहीं। शोधकर्ताओं ने पाया कि चारों एल्गोरिदम, उनकी परिष्कार के बावजूद, तीन विशिष्ट प्रकार की भूमि के बीच अंतर करने में कठिनाई महसूस करते थे: इमारतों और सड़कों जैसे निर्मित क्षेत्र, बंजर भूमि, और नग्न मिट्टी। ये तीन श्रेणियां अक्सर उपग्रह छवियों में बहुत समान दिखती हैं क्योंकि ये सभी चमकदार और शुष्क होती हैं, जो लगभग एक ही तरह से प्रकाश को परावर्तित करती हैं। यह भ्रम अतिरिक्त डेटा जोड़ने के बाद भी बना रहा, जो यह सुझाव देता है कि सीमा कंप्यूटर प्रोग्राम में नहीं, बल्कि स्वयं उपग्रह में है। सेंटिनल-2 इमेजरी का दस-मीटर रिज़ॉल्यूशन इतनी दूरी से एक सूखे मिट्टी के पैच और कंक्रीट के पैच के बीच अंतर करने के लिए पर्याप्त बारीक नहीं है। यह निष्कर्ष बताता है कि औद्योगिक विस्तार या विशिष्ट जमीनी प्रकारों की सटीक निगरानी के लिए आवश्यक कार्यों हेतु, केवल उपग्रह डेटा पर्याप्त नहीं हो सकता है, और अन्य डेटा स्रोतों की आवश्यकता हो सकती है।

परिणामों को विश्वसनीय बनाने के लिए, अध्ययन ने एक अद्वितीय सत्यापन चरण का उपयोग किया। उपग्रहों द्वारा वर्गीकरण किए जाने के बाद, शोधकर्ताओं ने अपने द्वारा लिए गए उच्च-रिज़ॉल्यूशन ड्रोन फोटो के विरुद्ध बनने वाले मानचित्रों की तुलना की। यह एक स्वतंत्र जाँच थी, जिसका अर्थ है कि ड्रोन डेटा का उपयोग कंप्यूटर को छवियों को वर्गीकृत करना सिखाने के लिए नहीं किया गया था; इसका उपयोग केवल यह देखने के लिए किया गया था कि अंतिम मानचित्र तर्कसंगत हैं या नहीं। जाँच के परिणाम दिलचस्प थे। जबकि मानक सटीकता परीक्षणों ने स्पष्ट रूप से दिखाया कि आधुनिक एल्गोरिदम श्रेष्ठ थे, ड्रोन-आधारित जाँच ने थोड़ा अलग चित्र प्रस्तुत किया। इसने सर्वश्रेष्ठ प्रदर्शन करने वालों और सबसे खराब प्रदर्शन करने वालों के बीच स्पष्ट अंतर नहीं किया, और कुछ मामलों में, इसने यह भी सुझाव दिया कि पारंपरिक तरीका आधुनिकों के समान ही अच्छा प्रदर्शन कर रहा है। ऐसा इसलिए हुआ क्योंकि ड्रोन जाँच ने मानचित्रों को आंकने के लिए व्यापक नियमों का उपयोग किया, जैसे कि यह देखना कि क्या "मिट्टी" का एक पिक्सेल मिट्टी के लिए पर्याप्त चमकदार दिखता है। चूंकि पारंपरिक तरीका अक्सर मिट्टी को इमारतों या बंजर भूमि के साथ भ्रमित करता था, और ये तीनों ही ड्रोन फोटो में चमकदार दिखते हैं, इसलिए जाँच ने पारंपरिक तरीके को सामान्य "दिखावट" को सही पकड़ने के लिए श्रेय दिया, भले ही उसने विशिष्ट लेबल गलत पहचाना हो। इसने एक महत्वपूर्ण सबक दिया: जबकि स्वतंत्र जाँच स्पष्ट त्रुटियों को पकड़ने के लिए मूल्यवान है, यह किसी विशिष्ट पद्धति को रैंक करने के प्रयास में विस्तृत, ग्राउंड-ट्रुथ सटीकता परीक्षणों का स्थान नहीं ले सकती।

अंततः, यह अध्ययन उन सभी के लिए स्पष्ट मार्गदर्शन प्रदान करता है जो इन तटीय क्षेत्रों का मानचित्रण करने का प्रयास कर रहे हैं। यदि लक्ष्य मैंग्रोव और ज्वारीय मैदानों का सटीक मानचित्र बनाना है, तो कंप्यूटर एल्गोरिदम का चुनाव उतना महत्वपूर्ण नहीं है जितना कि सोचा जाता है, बशर्ते कि एक आधुनिक, मशीन-लर्निंग टूल का उपयोग किया जाए। रैंडम फॉरेस्ट, सपोर्ट वेक्टर मशीन और एक्सट्रीम ग्रेडिएंट बूस्टिंग सभी विश्वसनीय विकल्प हैं जो बिना किसी जटिल अतिरिक्त डेटा तैयारी के अच्छा काम करते हैं। पारंपरिक तरीका पूरी तरह से अप्रचलित नहीं है, लेकिन इसे सावधानीपूर्वक संचालन की आवश्यकता है; इसे कार्य करने के लिए अतिरिक्त स्पेक्ट्रल जानकारी की आवश्यकता होती है, और तब भी, यह नए उपकरणों की सटीकता का मुकाबला नहीं कर सकता। यह अध्ययन एक अनुस्मारक के रूप में भी कार्य करता है कि तकनीक की सीमाएं होती हैं। कोई भी कंप्यूटर कितना भी स्मार्ट क्यों न हो, वह एक इमारत और मिट्टी के पैच के बीच अंतर नहीं कर सकता यदि उपग्रह छवि पर्याप्त स्पष्ट नहीं है। फारस की खाड़ी की रक्षा के लिए काम करने वाले वैज्ञानिकों और प्रबंधकों के लिए, आगे का रास्ता उपलब्ध सबसे मजबूत आधुनिक उपकरणों का उपयोग करना है, लेकिन इस बात के प्रति सचेत रहना है कि कुछ विवरणों के लिए हमेशा ज़मीन या ड्रोन से करीब से देखने की आवश्यकता होगी।