A Radiometrically-Agnostic SegFormer Framework for Water Segmentation inC-Band SAR Imagery

पानी हमारे ग्रह का जीवनरक्त है, फिर भी, इसका ताजा और सुलभ हिस्सा कुल मात्रा का एक बहुत छोटा अंश है, जो इसके सावधानीपूर्वक प्रबंधन को एक वैश्विक आवश्यकता बनाता है। पारिस्थितिक तंत्रों की रक्षा करने और मानव समुदायों को सहारा देने के लिए, वैज्ञानिकों को यह सटीक रूप से जानना आवश्यक है कि पानी कहाँ स्थित है और समय के साथ वह स्थान कैसे बदलता है। दशकों से, इस कार्य के लिए प्राथमिक उपकरण ऑप्टिकल सैटेलाइट इमेजरी (प्रकाशिक उपग्रह चित्र) रहा है, जो पृथ्वी की तस्वीरें बिल्कुल वैसे ही लेता है जैसे एक कैमरा लेता है। हालाँकि, इन कैमरों में एक बड़ी कमी है: वे बादलों के पार नहीं देख सकते, और वे रात में काम नहीं करते हैं। चूंकि मौसम के पैटर्न और पृथ्वी का घूमना लगातार दृश्य को बाधित करते हैं, इसलिए केवल ऑप्टिकल सेंसरों पर निर्भर रहने से हमारे जल संसाधनों की समझ में अंतराल रह जाता है। इसे हल करने के लिए, शोधकर्ताओं ने एक अलग प्रकार के सैटेलाइट सेंसर की ओर रुख किया है जिसे सिंथेटिक अपर्चर रडार (SAR) कहा जाता है। सूर्य के प्रकाश का इंतजार करने वाले कैमरे के विपरीत, SAR उपग्रह सक्रिय रूप से रेडियो तरंगें भेजते हैं और वापस आने वाली गूँज (इको) को सुनते हैं। यह उन्हें दिन या रात, किसी भी मौसम में दुनिया की नदियों, झीलों और बाढ़ वाले क्षेत्रों का मानचित्र बनाने की अनुमति देता है।

इस रडार तकनीक के साथ चुनौती यह है कि इसके द्वारा उत्पन्न कच्चा डेटा जटिल होता है और विशिष्ट उपग्रह के उपयोग के आधार पर भिन्न होता है। विभिन्न उपग्रह संकेतों को थोड़े अलग तरीकों से भेजते हैं, और डेटा को संसाधित करने का तरीका छवि की चमक को बदल सकता है, जिससे कंप्यूटर के लिए किसी एक छवि में नदी को पहचानना मुश्किल हो जाता है यदि उन्हें दूसरी छवि पर प्रशिक्षित किया गया हो। इस अंतर को पाटने के लिए, नेशनल रिमोट सेंसिंग सेंटर के शोधकर्ताओं की एक टीम ने रडार छवियों में पानी की स्वचालित पहचान के लिए एक नई विधि विकसित की है। उन्होंने एक ऐसा कंप्यूटर सिस्टम बनाया है जो उपग्रह की विशिष्ट सेटिंग्स या प्राप्त होने वाले सिग्नल के प्रकार से भ्रमित नहीं होता है। कठोर नियमों पर निर्भर रहने के बजाय, यह प्रणाली परिदृश्य के आकार और संदर्भ को समझना सीखती है, जिससे यह यूरोपीय उपग्रह या भारतीय उपग्रह से प्राप्त छवि होने के बावजूद, और डेटा के अंशांकन (कैलिब्रेशन) के बावजूद, पानी को सटीक रूप से पहचानने में सक्षम होती है।

शोधकर्ताओं ने अपने सिस्टम का निर्माण 'विज़न ट्रांसफार्मर' नामक आर्टिफिशियल इंटेलिजेंस के एक आधुनिक प्रकार का उपयोग करके किया। जहाँ पुराने कंप्यूटर विज़न सिस्टम छवियों को छोटे, अलग-थलग टुकड़ों में देखते थे, वहीं यह नया दृष्टिकोण कंप्यूटर को पूरे दृश्य को एक साथ देखने की अनुमति देता है, यह समझने के लिए कि कैसे एक संकीर्ण नदी एक बड़ी झील से जुड़ती है या कैसे एक आर्द्रभूमि (वेटलैंड) एक घाटी में फिट बैठती है। इसे सफल बनाने के लिए, टीम ने रडार छवियों को स्थलाकृतिक डेटा (टोपोग्राफिक डेटा) के साथ जोड़ा, जो भूमि की ऊँचाई और ढलान का डिजिटल मानचित्र प्रदान करता है। कंप्यूटर को रडार चित्र और भूभाग के आकार दोनों को खिलाकर, उन्होंने इसे काम करने के लिए एक बहुत समृद्ध संदर्भ दिया। उनकी सफलता का एक प्रमुख हिस्सा एक तकनीक थी जहाँ उन्होंने प्रत्येक विशिष्ट दृश्य के लिए डेटा को सामान्यीकृत (नॉर्मलाइज) किया। इसका अर्थ है कि कंप्यूटर प्रत्येक छवि के ब्राइटनेस और कंट्रास्ट को एक मानक सीमा में फिट होने के लिए समायोजित करता है, प्रभावी रूप से मॉडल को सेंसर की विशिष्ट खामियों को अनदेखा करने और केवल जमीन की वास्तविक विशेषताओं पर ध्यान केंद्रित करने के लिए सिखाता है। यह रणनीति उन्हें "रेडियोमेट्रिकली एगोस्टिक" (विकिरण संबंधी रूप से तटस्थ) बनाती है, जिसका अर्थ है कि यह बिना किसी नए उपग्रह के लिए पुन: प्रशिक्षित हुए, विभिन्न प्रकार के रडार डेटा पर समान रूप से काम करती है।

अपने विचार का परीक्षण करने के लिए, टीम ने सेंटिनल-1 उपग्रह के वैश्विक चित्रों के एक विशाल संग्रह का उपयोग करके अपने सिस्टम को प्रशिक्षित किया और फिर इसे भारत के EOS-04 उपग्रह के डेटा के साथ चुनौती दी, जो एक पूरी तरह से अलग उपकरण है जिसकी विशेषताएं अलग हैं। उन्होंने अपने सिस्टम के दो संस्करणों की तुलना की: एक छोटा, हल्का संस्करण और एक बड़ा, अधिक जटिल वाला। परिणाम आश्चर्यजनक थे। अधिक कम्प्यूटेशनल शक्ति वाले बड़े मॉडल ने छोटे मॉडल से बेहतर प्रदर्शन नहीं किया। वास्तव में, हल्के संस्करण ने उच्च सटीकता स्कोर प्राप्त किया, जिसने परीक्षण के मामलों में 95.8 प्रतिशत मामलों में पानी की सही पहचान की, जबकि बड़े मॉडल ने 95.2 प्रतिशत तक पहुँच प्राप्त की। अधिक महत्वपूर्ण बात यह है कि छोटा मॉडल प्रत्येक छवि को संसाधित करने में लगभग 48 प्रतिशत तेज़ था। यह निष्कर्ष बताता है कि पानी खोजने के विशिष्ट कार्य के लिए, एक विशाल, भारी प्रणाली की तुलना में एक अधिक कुशल, सुव्यवस्थित प्रणाली बेहतर होती है। बड़े मॉडल की अतिरिक्त जटिलता ने इसे बेहतर देखने में मदद नहीं की; इसने इसे केवल धीमा कर दिया।

यह प्रणाली वास्तविक दुनिया की कठिन परिस्थितियों का सामना करने में उल्लेखनीय रूप से मजबूत साबित हुई। इसने उन छोटी, घुमावदार नदियों और जटिल जल नेटवर्कों की सफलतापूर्वक पहचान की जो अक्सर पारंपरिक तरीकों को भ्रमित कर देते हैं। इसने बर्फ की एक पतली परत से ढके पानी को भी पहचानने में सफलता प्राप्त की। जबकि बर्फ रडार तरंगों के परावर्तन के तरीके को बदल देती है, जिससे सतह खुले पानी की तुलना में अलग दिखाई देती है, सिस्टम ने आसपास के परिदृश्य और जल निकाय के आकार का उपयोग करके इसे पानी के रूप में सही ढंग से पहचाना। तत्काल संकेत से परे देखने और व्यापक संदर्भ को समझने की यह क्षमता एक महत्वपूर्ण छलांग है। शोधकर्ताओं ने यह भी परीक्षण किया कि क्या एक ही क्षेत्र को थोड़े अलग कोणों से कई बार देखने से परिणामों में सुधार होगा। उन्होंने पाया कि हालांकि यह "मल्टी-पास" दृष्टिकोण सटीकता में मामूली सुधार प्रदान करता है, लेकिन लाभ इतना कम था कि बड़े पैमाने पर निगरानी के लिए तेज़, "सिंगल-पास" विधि पर्याप्त है।

अंततः, यह कार्य प्रदर्शित करता है कि सबसे शक्तिशाली समाधान हमेशा सबसे जटिल नहीं होता है। एक ऐसा सिस्टम डिजाइन करके जो विभिन्न सेंसरों को संभालने के लिए पर्याप्त लचीला और डेटा को तेज़ी से संसाधित करने के लिए पर्याप्त कुशल है, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो वास्तविक दुनिया के उपयोग के लिए तैयार है। उनके द्वारा विकसित ढांचा दुनिया के जल निकायों को निरंतर मैप करने का एक विश्वसनीय तरीका प्रदान करता है, चाहे बादल छाए हों या दिन का कोई भी समय हो। यह क्षमता सतत जल प्रबंधन से संबंधित वैश्विक लक्ष्यों को पूरा करने के लिए आवश्यक है, जो ग्रह के सबसे महत्वपूर्ण संसाधन की निगरानी करने का एक व्यावहारिक और अत्यधिक सटीक तरीका प्रदान करती है। यह अध्ययन पुष्टि करता है कि सही दृष्टिकोण के साथ, आर्टिफिशियल इंटेलिजेंस उपग्रह डेटा की तकनीकी विसंगतियों को दूर करके पृथ्वी पर जीवन को बनाए रखने वाले पानी का एक स्पष्ट, निर्बाध दृश्य प्रदान कर सकता है।