Estimating potato leaf chlorophyll content with limited samples using optimized models trained on mixed datasets

विशाल खेतों में जहाँ भोजन उगाया जाता है, पौधे का स्वास्थ्य अक्सर उसकी पत्तियों के रंग में लिखा होता है। हरा रंग जीवन का संकेत है, जो क्लोरोफिल नामक एक वर्णक द्वारा संचालित होता है, जो पौधे के लिए एक सौर पैनल की तरह कार्य करता है, जो विकास को ईंधन देने के लिए सूर्य के प्रकाश को पकड़ता है। किसानों के लिए, यह जानना कि फसल में कितना क्लोरोफिल मौजूद है, एक महत्वपूर्ण जीवन संकेत (वाइटल साइन) की जाँच करने जैसा है; यह प्रकट करता है कि क्या पौधे के पास पर्याप्त नाइट्रोजन, एक प्रमुख पोषक तत्व, है या वह संघर्ष कर रहा है। पारंपरिक रूप से, इस संख्या को खोजने का अर्थ था एक पत्ती को तोड़ना, उसे लैब में पीसना और एक रासायनिक परिणाम का इंतजार करना। यह सटीक था, लेकिन धीमा और विनाशकारी था, जिसका अर्थ था कि इस प्रक्रिया में पौधे को नुकसान पहुँचाया गया। फसलों की बड़े पैमाने पर कुशलतापूर्वक निगरानी करने के लिए, वैज्ञानिकों ने प्रकाश की ओर रुख किया है। पत्तियों द्वारा विभिन्न रंगों के प्रकाश को कैसे परावर्तित किया जाता है, इसे मापकर, वे पौधे को छुए बिना क्लोरोफिल का अनुमान लगा सकते हैं। हालाँकि, एक विश्वसनीय "लाइट रीडर" बनाने के लिए आमतौर पर कंप्यूटर को पैटर्न पहचानने के लिए हजारों नमूनों की आवश्यकता होती है। वास्तविक दुनिया में, इतने नमूने एकत्र करना अक्सर असंभव होता है, जिससे किसानों के पास ऐसे उपकरण रह जाते हैं जो लैब में तो अच्छे काम करते हैं लेकिन वास्तविक खेत की अव्यवस्थित और परिवर्तनशील स्थितियों में विफल हो जाते हैं।

शोधकर्ताओं की एक टीम ने आलू की फसलों के लिए इस पहेली को सुलझाने का प्रयास किया, जो लाखों लोगों को खिलाने वाला एक महत्वपूर्ण खाद्य स्रोत है। उन्हें एक सामान्य समस्या का सामना करना पड़ा: उनके पास खेत से मापने के लिए आलू की बहुत कम वास्तविक पत्तियां थीं, लेकिन उन्हें एक ऐसे मॉडल की आवश्यकता थी जो विभिन्न वर्षों और स्थानों में काम कर सके। वास्तविक पत्तियों को इकट्ठा करने की प्रतीक्षा करने के बजाय, उन्होंने एक चतुर समाधान निकाला। उन्होंने एक कंप्यूटर प्रोग्राम का उपयोग किया जो भौतिकी के नियमों के आधार पर यह सिम्युलेट (अनुकरण) करता है कि प्रकाश एक पत्ती के साथ कैसे क्रिया करता है। यह प्रोग्राम, जिसे रेडिएटिव ट्रांसफर मॉडल कहा जाता है, उन्हें हजारों आदर्श, सैद्धांतिक लीफ स्पेक्ट्रा (पत्ती के स्पेक्ट्रा) उत्पन्न करने की अनुमति देता है, जिससे डेटा का एक विशाल पुस्तकालय बन गया जो प्रकृति में मौजूद नहीं था। फिर उन्होंने इस सिम्युलेटेड डेटा को इनर मंगोलिया के आलू के खेतों से प्राप्त अपने वास्तविक, मापे गए पत्तों के छोटे संग्रह के साथ मिला दिया। लक्ष्य यह देखना था कि क्या वास्तविक और आभासी उदाहरणों के मिश्रण के साथ कंप्यूटर को सिखाने से केवल वास्तविक डेटा के उपयोग की तुलना में बेहतर भविष्यवक्ता बनाया जा सकता है।

शोधकर्ताओं ने इन मिश्रित डेटासेट्स पर छह अलग-अलग प्रकार के कंप्यूटर लर्निंग एल्गोरिदम को प्रशिक्षित करके इस विचार का परीक्षण किया। उन्होंने सिम्युलेटेड पत्तियों और वास्तविक पत्तियों के अनुपात को बदला, ऐसे संयोजन आजमाए जहाँ आभासी डेटा वास्तविक डेटा से कहीं अधिक दो से पांच गुना तक अधिक था। उन्होंने पाया कि संतुलन अत्यंत महत्वपूर्ण था। यदि वे बहुत अधिक सिम्युलेटेड डेटा का उपयोग करते, तो मॉडल कंप्यूटर द्वारा उत्पन्न पत्तियों की कृत्रिम पूर्णता से भ्रमित हो जाता और वास्तविक पौधों को समझने की अपनी क्षमता खो देता। यदि वे बहुत कम उपयोग करते, तो मॉडल के पास जटिल पैटर्न सीखने के लिए पर्याप्त जानकारी नहीं होती। 'स्वीट स्पॉट' तब उभरा जब सिम्युलेटेड डेटा वास्तविक डेटासेट से लगभग दो से पांच गुना बड़ा था। उनके द्वारा परीक्षण किए गए विभिन्न कंप्यूटर तरीकों में से, एक सबसे प्रभावी साबित हुआ। कम डेटा से सीखने के लिए डिज़ाइन किए गए एक विशिष्ट प्रकार के नेटवर्क ने, जिसे उन्होंने 'टेबुलर प्रायर-डेटा फिटेड नेटवर्क' कहा, सबसे सटीक प्रदर्शन किया। इस मिश्रित डेटा पर प्रशिक्षित होने पर, यह उच्च सटीकता के साथ आलू की पत्तियों के क्लोरोफिल सामग्री की भविष्यवाणी कर सका, और इसने एक ऐसा स्कोर प्राप्त किया जो दर्शाता है कि इसने डेटा में संबंध को लगभग 73% बार सही ढंग से पकड़ा।

इस टूल को और भी व्यावहारिक बनाने के लिए, टीम ने इस बात पर गौर किया कि प्रकाश के कौन से विशिष्ट रंग भारी काम कर रहे हैं। उन्होंने पाया कि उनके सिमुलेशन से प्राप्त प्रकाश तरंग दैर्ध्य (वेवलेंथ) के केवल चार सावधानीपूर्वक चुने गए संयोजन ही पूरे विश्लेषण का भार उठाने के लिए पर्याप्त थे। इन चार "स्पेक्ट्रल इंडिसेस" ने मॉडल की सटीक भविष्यवाणियों करने की क्षमता के अधिकांश हिस्से का प्रतिनिधित्व किया। अतिरिक्त, अनावश्यक डेटा को हटाकर, उन्होंने मॉडल का एक सुव्यवस्थित संस्करण बनाया जो उतना ही सटीक था लेकिन चलाने में बहुत तेज़ था। यह सरल मॉडल, जब पूरी तरह से अलग वर्ष और स्थान की आलू की पत्तियों पर परीक्षण किया गया, जिसे उसने पहले कभी नहीं देखा था, फिर भी उल्लेखनीय रूप से अच्छा प्रदर्शन करता रहा। इसने 0.70 का सटीकता स्कोर बनाए रखा और त्रुटि मार्जिन को कम रखा, जिससे सिद्ध हुआ कि यह दृष्टिकोण प्रशिक्षण के विशिष्ट परिस्थितियों से परे भी सामान्यीकरण करने में सक्षम है।

अध्ययन ने यह भी रेखांकित किया कि क्या होता है जब आप सिमुलेशन चरण को छोड़ने की कोशिश करते हैं। जब शोधकर्ताओं ने बिना किसी सिम्युलेटेड डेटा के, केवल अपने वास्तविक फील्ड नमूनों के छोटे समूह का उपयोग करके उसी शक्तिशाली कंप्यूटर मॉडल को प्रशिक्षित किया, तो इसका प्रदर्शन काफी गिर गया। सटीकता कम हो गई और त्रुटियां बढ़ गईं, जिससे पुष्टि हुई कि सिम्युलेटेड डेटा केवल एक भराव नहीं था बल्कि मॉडल को वास्तविक दुनिया की कृषि की जटिलता को संभालने के लिए सिखाने हेतु एक आवश्यक घटक था। शोधकर्ताओं ने नोट किया कि हालांकि उनका तरीका पत्ती के स्तर पर अच्छा काम करता है, अगला कदम इसे ड्रोन या उपग्रहों के उपयोग के लिए अनुकूलित करना होगा, जो एक एकल पत्ती के बजाय खेत के पूरे कैनोपी (छत्र) को देखते हैं। फिलहाल, यह कार्य यह प्रदर्शित करता है कि भौतिकी के नियमों को आधुनिक कंप्यूटिंग के साथ मिलाकर, किसानों के लिए मजबूत उपकरण बनाना संभव है, भले ही डेटा दुर्लभ हो। यह दृष्टिकोण फसल के स्वास्थ्य की गैर-विनाशकारी, तीव्र निगरानी की दिशा में एक मार्ग प्रदान करता है, जिससे यह सुनिश्चित करने में मदद मिलती है कि आलू और अन्य महत्वपूर्ण फसलों को फलने-फूलने के लिए आवश्यक पोषक तत्व मिल सकें।