A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote

उत्तरी रूस के विशाल, बर्फीले परिदृश्यों में, ज़मीन उतनी ठोस नहीं है जितनी वह दिखाई देती है। सतह के नीचे पर्माफ्रॉस्ट (permafrost) स्थित है, ऐसी मिट्टी जो हज़ारों वर्षों से जमी हुई है। हालाँकि, जैसे-जैसे जलवायु गर्म हो रही है, यह जमी हुई धरती पिघलने लगी है, जिससे 'थर्मोकार्स्ट' (thermokarst) नामक प्रक्रिया शुरू हो गई है। जब मिट्टी के भीतर की बर्फ पिघलती है, तो ज़मीन धंस जाती है, जिससे धंसाव, गड्ढे और पानी से भरे बेसिनों वाला एक अराजक भूभाग बन जाता है। पूर्वी साइबेरिया के एक क्षेत्र, मध्य याकुटिया में, ये संरचनाएं अक्सर एक विशिष्ट, ज्यामितीय रूप ले लेती हैं, जो टुंड्रा में फैले हुए बहुभुजों (polygons) के एक पैचवर्क की तरह दिखती हैं। यह परिवर्तन तेजी से बढ़ रहा है, जिसमें बीस से पच्चीस वर्षों में ही नई आकृतियाँ बन रही हैं। हालाँकि ये बदलाव सहस्राब्दियों से स्वाभाविक रूप से होते रहे हैं, लेकिन वर्तमान में गर्मी की दर उन्हें अभूतपूर्व गति से आगे बढ़ा रही है, जिससे बुनियादी ढांचे को खतरा और पारिस्थितिकी तंत्र में बदलाव आ रहा है। इन बदलावों की निगरानी करना महत्वपूर्ण है, लेकिन परिदृश्य का विशाल पैमाना मानव के लिए केवल आँखों से हर बदलाव को ट्रैक करना कठिन बना देता है।

इस चुनौती का समाधान करने के लिए, नॉर्थ-ईस्टर्न फेडरल यूनिवर्सिटी और कई रूसी वैज्ञानिक संस्थानों के शोधकर्ताओं की एक टीम ने जमी हुई ज़मीन के बदलने को देखने का एक नया तरीका विकसित किया है। उन्होंने सैटेलाइट इमेजरी (उपग्रह चित्रों) की ओर रुख किया, जिसमें उसी तरह के उच्च-रिज़ॉल्यूशन वाले मानचित्रों का उपयोग किया गया जो रोज़मर्रा के नेविगेशन ऐप्स में पाए जाते हैं, लेकिन उन्हें विश्लेषण करने के लिए एक परिष्कृत कंप्यूटर लर्निंग का उपयोग किया गया। एक इंसान द्वारा स्क्रीन को देखकर किसी गड्ढे को खोजने के बजाय, शोधकर्ताओं ने एक कंप्यूटर प्रोग्राम को थर्मोकर्ष संरचनाओं के दृश्य पैटर्न को स्वचालित रूप से पहचानने के लिए प्रशिक्षित किया। लक्ष्य मशीन को चार विशिष्ट प्रकार के परिदृश्यों के बीच अंतर करना सिखाना था: इन पिघलने वाली संरचनाओं वाले क्षेत्र, खुले मैदान, जंगल और जल निकाय। ऐसा करके, वे एक ऐसा उपकरण बनाना चाहते थे जो साइबेरिया के विशाल निर्जन क्षेत्रों को स्कैन कर सके और ज़मीन के धंसने के शुरुआती संकेतों को विनाशकारी होने से पहले ही चिह्नित कर सके।

शोधकर्ताओं ने अपने कंप्यूटर को सिखाने के लिए छवियों की एक लाइब्रेरी बनाने से शुरुआत की। उन्होंने एक ऑनलाइन टूल बनाया जिसने उन्हें सैटेलाइट मानचित्रों से ली गई हज़ारों छोटी वर्गाकार तस्वीरों को जल्दी से चुनने और लेबल करने की अनुमति दी। ये तस्वीरें याकुटिया के दो विशिष्ट क्षेत्रों से ली गई थीं जो थर्मोकर्ष विशेषताओं के लिए जाने जाते हैं। उन्होंने दस हज़ार से अधिक चित्र एकत्र किए, और यह देखने के लिए कि कौन सा सबसे अच्छा काम करता है, उन्हें विभिन्न आकारों में विभाजित किया। कुछ चित्र छोटे थे, जिनका माप 70 x 70 पिक्सेल था, जबकि अन्य 128 x 128 पिक्सेल के बड़े थे। यह सुनिश्चित करने के लिए कि कंप्यूटर सही ढंग से सीखे, उन्होंने ड्रोन का उपयोग करके कई थर्मोकर्ष स्थानों को सत्यापित किया, जो ज़मीन के ऊपर से उड़कर यह पुष्टि करते थे कि उपग्रह क्या देख रहे हैं। इस सावधानीपूर्वक तैयारी ने उदाहरणों का एक मजबूत सेट, या एक प्रशिक्षण डेटासेट तैयार किया, जिसका अध्ययन कंप्यूटर जंगल, मैदान, झील और पिघलते हुए ज़मीन के पैच के बीच अंतर को सीखने के लिए कर सकता था।

एक बार डेटा तैयार हो जाने के बाद, टीम ने एक डिजिटल मस्तिष्क बनाया, जिसे 'कन्वोल्यूशनल न्यूरल नेटवर्क' (convolutional neural network) कहा जाता है, ताकि पहचान की जा सके। इस प्रकार का कंप्यूटर प्रोग्राम इस तरह से छवियों को संसाधित करने के लिए डिज़ाइन किया गया है जैसे मानव आँख और मस्तिष्क मिलकर काम करते हैं। यह एक छवि को देखता है और उसे परतों में विभाजित करता है, पहले सरल आकृतियों और बनावटों की तलाश करता है, और फिर जटिल पैटर्न को पहचानने के लिए उन सरल भागों को जोड़ता है। शोधकर्ताओं ने कई अलग-अलग संस्करणों का परीक्षण किया, जिसमें परतों की संख्या और सूचना को संसाधित करने के तरीके को बदला। वे उस विशिष्ट आर्किटेक्चर को खोजना चाहते थे जो उच्चतम संभव सटीकता के साथ थर्मोकर्ष संरचनाओं की पहचान कर सके। उन्होंने कई प्रयोग चलाए, कंप्यूटर को हज़ारों चित्र दिए और यह देखा कि वह सही श्रेणियों में वर्गीकृत करने के लिए कितनी अच्छी तरह सीखता है।

परिणामों ने दिखाया कि कंप्यूटर वास्तव में उल्लेखनीय सटीकता के साथ इन संरचनाओं को पहचानने में सक्षम था। कई अलग-अलग डिजाइनों के परीक्षण के बाद, शोधकर्ताओं ने तीन विशिष्ट मॉडलों की पहचान की जिन्होंने सर्वश्रेष्ठ प्रदर्शन किया। इन शीर्ष प्रदर्शन करने वाले मॉडलों ने लगभग 94 से 96 प्रतिशत मामलों में थर्मोकर्ष संरचनाओं को सही ढंग से पहचानने में सफलता प्राप्त की, जिनका उन पर परीक्षण किया गया था। सटीकता का यह स्तर महत्वपूर्ण है क्योंकि इसका अर्थ है कि सिस्टम पिघलती ज़मीन के सूक्ष्म संकेतों को अन्य परिदृश्य विशेषताओं से विश्वसनीय रूप से अलग कर सकता है। कंप्यूटर जंगल और झील के बीच अंतर करने में विशेष रूप से अच्छा था, लेकिन कभी-कभी उसे थर्मोकर्ष संरचना और एक खुले मैदान के बीच अंतर करने में कठिनाई हुई। यह भ्रम समझ में आता है, क्योंकि दोनों ऊपर से देखने पर सपाट, खुले मैदान की तरह दिख सकते हैं, और शोधकर्ताओं ने नोट किया कि यह बिना सूक्ष्म निरीक्षण के इन विशेषताओं को अलग करने की वास्तविक दुनिया की कठिनाई को दर्शाता है।

अध्ययन यह निष्कर्ष निकालता है कि यह विधि आर्कटिक में बदलते परिदृश्य की निगरानी के लिए एक शक्तिशाली नया उपकरण प्रदान करती है। सैटेलाइट छवियों और प्रशिक्षित कंप्यूटर प्रोग्रामों का उपयोग करके, वैज्ञानिक अब पहले की तुलना में बहुत तेज़ी से और अधिक निरंतरता के साथ मध्य याकुटिया के बड़े क्षेत्रों को स्कैन कर सकते हैं। टीम द्वारा विकसित सॉफ़्टवेयर स्वचालित निगरानी के लिए उपयोग के लिए तैयार है, बशर्ते कि प्रशिक्षण डेटा को अपडेट और सत्यापित रखा जाए। हालाँकि यह प्रणाली पूर्ण नहीं है और अभी भी कभी-कभी गलतियाँ करती है, लेकिन इसकी इतनी उच्च सटीकता प्राप्त करने की क्षमता यह सुझाव देती है कि मशीन लर्निंग पर्माफ्रॉस्ट के तीव्र क्षरण को ट्रैक करने में एक महत्वपूर्ण भूमिका निभा सकती है। यह दृष्टिकोण शोधकर्ताओं को जमी हुई ज़मीन पर अधिक बारीकी से नज़र रखने की अनुमति देता है, जो पृथ्वी के सबसे संवेदनशील वातावरणों में से एक में हो रहे त्वरित परिवर्तनों को समझने और उन पर प्रतिक्रिया देने का एक तरीका प्रदान करता है।