Seasonal Landsat summaries improve cross-fire prediction of post-fire conifer establishment

जब एक जंगल में वनाग्नि (wildfire) फैल जाती है, तो परिदृश्य अक्सर जख्मी और शांत रह जाता है। वन प्रबंधकों और पारिस्थितिकीविदों के लिए, सबसे महत्वपूर्ण प्रश्न केवल यह नहीं है कि कितना नुकसान हुआ है, बल्कि यह है कि क्या जंगल स्वयं को ठीक कर पाएगा। क्या नए पाइन और फर के पेड़ जड़ें जमाएंगे, या भूमि झाड़ियों और घास के प्रभुत्व में रहेगी? यह निर्णय निर्धारित करता है कि क्या किसी क्षेत्र को पेड़ों को फिर से लगाने के लिए महंगे मानवीय हस्तक्षेप की आवश्यकता है या प्रकृति स्वयं यह कार्य करेगी। इसका उत्तर देने के लिए, वैज्ञानिक लंबे समय से उपग्रहों (satellates) का सहारा लेते रहे हैं, जो जले हुए विशाल क्षेत्रों को देख सकते हैं जो लोगों के लिए बहुत खतरनाक या दुर्गम हैं। हालाँकि, एक उपग्रह छवि केवल जमीन से टकराकर वापस आने वाली रोशनी की एक तस्वीर है; यह एक नए पाइन के पौधे, एक उगती हुई झाड़ी, या एक जीवित पेड़ की शाखा के बीच अंतर नहीं बता सकती। चुनौती हमेशा यह रही है कि क्या अंतरिक्ष से दिखने वाले पैटर्न वास्तव में यह भविष्यवाणी करते हैं कि कहाँ नए शंकुधारी (conifers) बढ़ रहे हैं, और क्या वे पैटर्न तब भी सही रहते हैं जब उन्हें उस आग पर लागू किया जाता है जो उस कंप्यूटर द्वारा सीखी गई आग से पूरी तरह अलग है जिस पर उसे प्रशिक्षित किया गया था।

स्वतंत्र शोधकर्ता जोशुआ पुलियाफ़िको का एक नया अध्ययन इस समस्या का समाधान करता है, जिसमें यह परीक्षण किया गया है कि उपग्रह डेटा विभिन्न वनाग्नि के बीच वन पुनर्प्राप्ति (forest recovery) की कितनी अच्छी तरह भविष्यवाणी कर सकता है। यह शोध लैंडसैट (Landsat) उपग्रह कार्यक्रम के डेटा का उपयोग करने पर केंद्रित है, जो दशकों से पृथ्वी की तस्वीरें ले रहा है। टीम जानना चाहती थी कि क्या उपग्रह डेटा को व्यापक मौसमी रुझानों (seasonal trends) में संक्षिप्त करना, वनस्पति के विकास चक्र के हर एक विवरण को पकड़ने की कोशिश करने की तुलना में वन पुनर्प्राप्ति की भविष्यवाणी करने के लिए अधिक उपयोगी होगा। उन्होंने पश्चिमी संयुक्त राज्य अमेरिका में बीस-पच्चीस अलग-अलग आग के बाद एकत्र किए गए क्षेत्रीय डेटा से सीखने के लिए कंप्यूटर मॉडल बनाए। इन मॉडलों का परीक्षण तेरह पूरी तरह से नए अग्निकांडों पर किया गया जिन्हें कंप्यूटर ने पहले कभी नहीं देखा था, जो एक वास्तविक दुनिया के परिदृश्य का अनुकरण करता है जहाँ एक प्रबंधक को पिछले अनुभवों से सीख लेकर एक नए जले हुए स्थल का आकलन करने की आवश्यकता होती है।

शोधकर्ताओं ने सूचना को अपने कंप्यूटर मॉडल में फीड करने के तीन अलग-अलग तरीकों की तुलना की। पहला एक आधारभूत (baseline) दृष्टिकोण था जिसने केवल पारिस्थितिक संदर्भ का उपयोग किया, जैसे कि आग कितनी गर्म थी, मौजूदा पेड़ों से वह स्थल कितनी दूर था जो बीज गिरा सकें, और स्थानीय जलवायु। दूसरा दृष्टिकोण था जिसने उपग्रह डेटा का एक सारांश जोड़ा, जिसमें आग के बाद प्रत्येक वर्ष के लिए प्रत्येक वर्ष के अवलोकनों को एक एकल मौसमी चित्र में संक्षिप्त किया गया। तीसरा दृष्टिकोण सबसे विस्तृत था, जिसमें सैकड़ों अतिरिक्त चर (variables) जोड़े गए जो प्रत्येक मौसम के भीतर 'ग्रीन-अप' (हरियाली का आगमन), विकास के शिखर और वनस्पति के ह्रास के सटीक समय को पकड़ने की कोशिश करते थे। लक्ष्य यह देखना था कि कौन सा तरीका कंप्यूटर को यह अनुमान लगाने में सबसे अच्छी मदद करता है कि भूमि के एक विशिष्ट टुकड़े पर नए पेड़ होंगे या नहीं।

परिणामों ने दिखाया कि मध्यवर्ती दृष्टिकोण, यानी मौसमी सारांश का उपयोग करने वाला, स्पष्ट रूप से विजेता रहा। जब मॉडलों का परीक्षण तेरह नई आग पर किया गया, तो मौसमी डेटा जोड़ने से उन क्षेत्रों के बीच अंतर करने की उनकी क्षमता में काफी सुधार हुआ जो पुनर्विकास करेंगे और जो नहीं करेंगे। यह सुधार लगभग सभी नई आग में सुसंगत था, जिससे पता चलता है कि यह विधि एक भौगोलिक क्षेत्र से दूसरे क्षेत्र में जाने पर भी अच्छी तरह काम करती है। मौसमी सारांश का उपयोग करने वाले मॉडल आग के स्थलों को अधिक सटीक रूप से रैंक करने में सक्षम थे, जिससे प्रबंधकों को यह तय करने में मदद मिली कि उन्हें पहले किन क्षेत्रों का दौरा करना चाहिए। विशेष रूप से, जब मॉडलों से उन शीर्ष बीस प्रतिशत भूखंडों को चुनने के लिए कहा गया जिनमें नए पेड़ों की कमी होने की सबसे अधिक संभावना थी, तो मौस로는 (मौसमी) दृष्टिकोण ने बुनियादी पारिस्थितिक डेटा का उपयोग करने की तुलना में उन खाली स्थानों का बहुत अधिक अनुपात खोजने में मदद की।

दिलचस्प बात यह है कि सबसे विस्तृत दृष्टिकोण ने कोई अतिरिक्त लाभ नहीं दिया। विकास के सटीक समय को ट्रैक करने वाले सैकड़ों अतिरिक्त चर जोड़ने से उनकी भविष्यवाणियाँ अधिक सटीक नहीं हुईं। वास्तव में, नई आग के लिए, विस्तृत मॉडल ने सरल मौसमी सारांश की तुलना में थोड़ा खराब प्रदर्शन किया। यह सुझाव देता है कि वन पुनर्प्राप्ति की भविष्यवाणी करने के उद्देश्य से, दैनिक या साप्ताहिक परिवर्तनों के उच्च-रिज़ॉल्यूशन दृश्य की तुलना में मौसमी चक्र का एक व्यापक दृश्य अधिक विश्वसनीय है। अतिरिक्त विवरण ने शायद बहुत अधिक 'शोर' (noise) पैदा किया या बहुत अधिक स्थानीय स्थितियों पर निर्भर किया जो नई आग पर लागू नहीं होती थीं।

अध्ययन ने यह भी खुलासा किया कि उपग्रह डेटा वास्तव में क्या माप रहा है। शोधकर्ताओं ने एक मॉडल का परीक्षण किया जो केवल आग से पहले के उपग्रह डेटा का उपयोग करता था। आश्चर्यजनक रूप से, इस पूर्व-आग (pre-fire) की जानकारी ने भी बुनियादी पारिस्थितिक आधार रेखा की तुलना में भविष्यवाणियों में सुधार किया। इसका अर्थ यह है कि मौसमी मॉडल की सफलता केवल आग के बाद नए पेड़ों के बढ़ने को देखने के कारण नहीं है। इसके बजाय, उपग्रह डेटा संभवतः कई कारकों को कैप्चर करता है: आग से पहले की भूमि की स्थिति, जलने की तीव्रता, और उसके बाद की पुनर्प्राप्ति। चूंकि पूर्व-आग का डेटा पहले से ही सहायक था, इसलिए शोधकर्ताओं ने निष्कर्ष निकाला कि पूर्ण मौसमी मॉडल को केवल आइसोलेशन (अलगाव) में पोस्ट-फायर रिकवरी मापने का श्रेय नहीं दिया जा सकता है। यह एक शक्तिशाली उपकरण है जो बेहतर अनुमान लगाने के लिए इतिहास और वर्तमान स्थितियों को जोड़ता है।

अंततः, यह कार्य वन प्रबंधन के लिए एक व्यावहारिक मार्ग प्रदान करता है। यह प्रदर्शित करता है कि उपग्रह अवलोकनों का एक अपेक्षाकृत सरल सारांश प्रबंधकों को यह पहचानने में मदद कर सकता है कि जले हुए क्षेत्रों में से कौन से संघर्ष कर रहे हैं और कौन से अपने आप वापस उभर आएंगे। इन मौसमी सारांशों का उपयोग करके, एजेंसियां अपनी सीमित फील्ड सर्वेक्षण टीमों को उन स्थलों पर केंद्रित कर सकती हैं जिन्हें वास्तव में ध्यान देने की आवश्यकता है, न कि उन क्षेत्रों पर जहाँ पहले से ही पुनर्प्राप्ति हो रही है। हालांकि मॉडल पूर्ण नहीं हैं और अभी तक जंगल के भौतिक दौरे की जगह नहीं ले सकते, फिर भी वे हजारों एकड़ की स्क्रीनिंग करने और पुनर्वनीकरण प्रयासों में निवेश करने के बारे में स्मार्ट निर्णय लेने के लिए एक विश्वसनीय तरीका प्रदान करते हैं। अध्ययन पुष्टि करता है कि विकास के क्षणभंगुर क्षणों को पकड़ने के बजाय, मौसमी परिवर्तन के लेंस के माध्यम से जंगल को देखना, इन पुनप्राप्त होते परिदृश्यों के भविष्य की भविष्यवाणी करने का सबसे प्रभावी तरीका है।