Integrating LightGBM with SHapley Additive exPlanations (SHAP) for Enhanced Soil Analysis and Interpretability

सदियों से, भोजन उगाना संयोग और अवलोकन का एक खेल रहा है। किसान मिट्टी के रंग को देखते रहे हैं, उसकी बनावट को महसूस किया है, और मौसम पर नज़र रखी है ताकि यह अनुमान लगा सकें कि कौन से बीज फलेंगे और कौन से मुरझा जाएंगे। हालांकि इस अंतर्ज्ञान ने दुनिया का पेट भरा है, लेकिन यह अक्सर कल्पना पर बहुत कुछ छोड़ देता है। हमारे पैरों के नीचे की मिट्टी रसायनों और भौतिक स्थितियों का एक जटिल मिश्रण है, और यह जानना कि किसी विशिष्ट पौधे को सहारा देने के लिए जमीन के एक विशिष्ट हिस्से को वास्तव में किस चीज की आवश्यकता है, एक कठिन पहेली है। हाल के वर्षों में, वैज्ञानिकों ने इस पहेली को सुलझाने में मदद करने के लिए कंप्यूटरों की ओर रुख किया है, जिसमें डेटा में उन पैटर्न को खोजने के लिए मशीन लर्निंग का उपयोग किया गया है जिन्हें मानवीय आँखें शायद मिस कर दें। हालांकि, ये कंप्यूटर प्रोग्राम अक्सर 'ब्लैक बॉक्स' की तरह काम करते हैं: वे एक उत्तर तो देते हैं, लेकिन यह नहीं बताते कि वे उस निष्कर्ष तक कैसे पहुंचे। पारदर्शिता की इस कमी के कारण किसानों के लिए सलाह पर भरोसा करना या यह समझना मुश्किल हो जाता है कि कंप्यूटर ने एक फसल के बजाय दूसरी फसल का सुझाव क्यों दिया। इस अंतर को पाटने के लिए, केन्या के मेरू यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने एक ऐसी प्रणाली बनाने के लिए हाथ बढ़ाया जो न केवल भूमि के एक टुकड़े के लिए सबसे अच्छी फसल की भविष्यवाणी करती है, बल्कि स्पष्ट, मानवीय शब्दों में अपने तर्क को भी समझाती है।

शोधकर्ताओं ने मिट्टी के स्वास्थ्य को परिभाषित करने वाले छह प्रमुख घटकों पर ध्यान केंद्रित किया: नाइट्रोजन, फास्फोरस और पोटेशियम (तीन मुख्य पोषक तत्व जिन्हें पौधे खाते हैं), साथ ही मिट्टी का अम्लता स्तर (acidity level), तापमान और आसपास की हवा की आर्द्रता (humidity)। उन्होंने मौजूदा रिकॉर्डों से डेटा का एक विशाल संग्रह एकत्र किया, जिसमें सेब और केले से लेकर मक्का और चावल तक, बाईस अलग-अलग प्रकार की फसलों का विवरण शामिल था। इस डेटासेट में मिट्टी की स्थितियों के हजारों उदाहरण थे जो उन फसलों के साथ जुड़े थे जो उनमें अच्छी तरह से उगी थीं। प्रत्येक उदाहरण को रटने के बजाय, टीम ने एक कंप्यूटर मॉडल को इन मिट्टी के कारकों और फसल की सफलता के बीच जटिल, गैर-रेखीय (non-linear) संबंधों को पहचानने के लिए प्रशिक्षित किया। उन्होंने एक विशिष्ट प्रकार के उन्नत शिक्षण उपकरण का चयन किया जिसे 'लाइटजीबीएम' (LightGBM) कहा जाता है, जो बड़ी मात्रा में जानकारी को संभालने में तेज़ और कुशल होने के लिए जाना जाता है। मॉडल को यथासंभव सटीक बनाने के लिए, उन्होंने डेटा से सीखने के लिए एकदम सही संयोजन खोजने हेतु हजारों अलग-अलग सेटिंग्स का व्यवस्थित रूप से परीक्षण किया।

परिणाम आश्चर्यजनक रूप से सटीक थे। जब मॉडल का परीक्षण उन मिट्टी के नमूनों पर किया गया जिन्हें उसने पहले कभी नहीं देखा था, तो इसने फसलों की उपयुक्तता की भविष्यवाणी लगभग पूर्ण सटीकता के साथ की। कंप्यूटर की भविष्यवाणियां वास्तविक आदर्श स्थितियों के इतने करीब थीं कि त्रुटि दर आधा प्रतिशत भी नहीं थी। सटीकता का यह स्तर बताता है कि मॉडल ने केवल अनुमान लगाने के बजाय मिट्टी के रसायन विज्ञान के वास्तविक नियमों को सीख लिया है। हालांकि, असली सफलता केवल सटीकता नहीं थी, बल्कि 'ब्लैक बॉक्स' को खोलने की क्षमता थी। टीम ने 'शैप' (SHAP) नामक एक विधि का उपयोग किया, जो कंप्यूटर की निर्णय लेने की प्रक्रिया के लिए एक आवर्धक लेंस (magnifying glass) की तरह कार्य करता है। यह उपकरण अंतिम भविष्यवाणी को तोड़ता है और प्रत्येक मिट्टी के कारक को एक विशिष्ट मान (value) प्रदान करता है, जिससे यह पता चलता है कि उस कारक ने फसल के उगने की संभावना में कितनी मदद की या उसे कितना नुकसान पहुँचाया।

जब शोधकर्ताओं ने मॉडल के तर्क के भीतर देखा, तो उन्हें एक स्पष्ट कहानी मिली। उनके द्वारा अध्ययन की गई अधिकांश फसलों के लिए, फास्फोरस और पोटेशियम सफलता के सबसे शक्तिशाली चालक थे। इन दोनों पोषक तत्वों ने लगातार मॉडल को एक सकारात्मक सिफारिश की ओर धकेला। इसके विपरीत, नाइट्रोजन और आर्द्रता ने अधिक विशिष्ट भूमिकाएँ निभाईं; वे कुछ पौधों के लिए महत्वपूर्ण थे लेकिन दूसरों के लिए कम मायने रखते थे। उदाहरण के लिए, जब मॉडल ने मक्का के लिए मिट्टी के एक नमूने का विश्लेषण किया, तो उसने पहचान की कि जबकि तापमान बिल्कुल सही था, आर्द्रता बहुत अधिक थी और नाइट्रोजन का स्तर बहुत कम था। सिस्टम ने केवल यह नहीं कहा कि "यह मिट्टी मक्के के लिए खराब है"; इसने समझाया कि उच्च आर्द्रता एक नकारात्मक कारक था और नाइट्रोजन उर्वरक डालना सुधार की कुंजी होगी। इस तरह की विशिष्ट, कार्रवाई योग्य अंतर्दृष्टि ही है जो एक कंप्यूटर भविष्यवाणी को एक व्यावहारिक उपकरण में बदल देती है।

यह सुनिश्चित करने के लिए कि उनका सिस्टम वास्तविक दुनिया में काम करेगा, टीम ने इथियोपिया के एक पूरी तरह से अलग डेटा सेट पर इसका परीक्षण किया, जिसका सामना मॉडल ने अपने प्रशिक्षण के दौरान कभी नहीं किया था। हालांकि मूल डेटा की तुलना में सटीकता थोड़ी कम हुई, फिर भी मॉडल ने बहुत अच्छा प्रदर्शन किया, जिससे सिद्ध हुआ कि उसने केवल पहले सेट के नंबरों को रटने के बजाय मिट्टी और पौधों के बारे में सामान्य नियम सीख लिए हैं। यह सुझाव देता है कि इस प्रणाली को नए क्षेत्रों और विभिन्न खेती की स्थितियों के अनुकूल बनाया जा सकता है। अध्ययन यह निष्कर्ष निकालता है कि उच्च-गति कंप्यूटिंग को स्पष्ट स्पष्टीकरणों के साथ जोड़कर, एक ऐसा उपकरण बनाया जा सकता है जो किसानों को उर्वरक, सिंचाई और फसल चयन के बारे में बेहतर निर्णय लेने में मदद करे। यह कार्य सरल भविष्यवाणी से आगे बढ़कर मानवीय अनुभव और मशीन इंटेलिजेंस के बीच एक साझेदारी प्रदान करता है, यह सुनिश्चित करता है कि तकनीक उन लोगों की सेवा करे जिन्हें इसकी सबसे अधिक आवश्यकता है।