GAN-Based Sample Augmentation for Improving Above-Ground Biomass Inversion of Salt Marsh Vegetation Using Multi-Source Remote Sensing Data

तटीय आर्द्रभूमि पृथ्वी पर सबसे कुशल कार्बन सिंक में से एक है, जो शक्तिशाली प्राकृतिक इंजनों के रूप में कार्य करती है जो वायुमंडल से ग्रीनहाउस गैसों को खींचकर उन्हें मिट्टी और पौधों के ऊतकों में सुरक्षित कर देती हैं। इन पारिस्थित प्रणालियों को, जिन्हें अक्सर "ब्लू कार्बन" आवास कहा जाता है, में नमक वाले दलदली क्षेत्रों (साल्ट मार्श) जैसे क्षेत्र शामिल हैं जहाँ विशेष पौधे नमकीन, ज्वारीय स्थितियों में पनपते हैं। यह समझने के लिए कि ये क्षेत्र कितना कार्बन संग्रहीत करते हैं, वैज्ञानिकों को "ऊपर-धरातलीय बायोमास" (एबव-ग्राउंड बायोमास) को मापना होता है, जो वास्तव में मिट्टी के ऊपर उगने वाली सभी जीवित वनस्पति सामग्री—तनों, पत्तियों और शाखाओं—का कुल वजन है। पारंपरिक रूप से, इस संख्या को प्राप्त करना एक धीमी, श्रमसांती प्रक्रिया रही है जिसमें शोधकर्ताओं को कीचड़ भरे खेतों में उतरना पड़ता है, पौधों को हाथ से काटना पड़ता है, उन्हें ओवन में सुखाना पड़ता है और फिर उन्हें तौलना पड़ता है। हालांकि यह विधि सटीक है, लेकिन यह केवल जमीन के बहुत छोटे हिस्सों को ही कवर कर सकती है, जिससे विशाल, दूरस्थ आर्द्रभूमियों की पूरी तस्वीर प्राप्त करना कठिन हो जाता है।

इस समस्या को हल करने के लिए, शोधकर्ता उन उपग्रहों की ओर मुड़ रहे हैं जो एक साथ पूरे परिदृश्य को देख सकते हैं, लेकिन इन अंतरिक्ष-आधारित उपकरणों को डेटा को सही ढंग से पढ़ने के लिए "ग्राउंड ट्रुथ" (जमीनी सच्चाई) की आवश्यकता होती है। चीन के लियाओहे वेटलैंड (Liaohe Wetland) का एक नया अध्ययन बहुत कम जमीनी मापों की चुनौती से निपटने के लिए एक चतुर आर्टिफिशियल इंटेलिजेंस तकनीक का उपयोग करके वास्तविक दिखने वाले "आभासी" नमूने बनाने का काम करता है। सैटेलाइट छवियों को सीमित वास्तविक फील्ड डेटा के साथ जोड़कर, टीम ने पूरे क्षेत्र में पौधों के वजन का अनुमान लगाने के लिए एक विधि विकसित की, जो आश्चर्यजनक सटीकता के साथ काम करती है। उनका कार्य इन महत्वपूर्ण पारिस्थित प्रणालियों की निगरानी करने का एक नया तरीका प्रदान करता है, जिससे वैज्ञानिकों को हर एक वर्ग मीटर के दलदल में जाए बिना कार्बन भंडारण को ट्रैक करने में मदद मिलती है।

लियाओहे वेटलैंड, जो वहां स्थित है जहां लियाओहे नदी बोहाई सागर से मिलती है, ज्वारीय मैदानी इलाकों और नमक-सहिष्णु वनस्पतियों का एक विशाल विस्तार है। यह दो प्रमुख प्रकार के पौधों का घर है: लंबे, नरकुल जैसे Phragmites australis और कम ऊंचाई वाले, नमक-सहिष्णु शाक Suaeda glauca। ये पौधे इस क्षेत्र के कार्बन चक्र के लिए अत्यंत महत्वपूर्ण हैं, लेकिन इनका वितरण जटिल है, जो ज्वार और मौसमों के साथ बदलता रहता है। बायोमास को मैप करने के लिए, शोध टीम ने कई वर्षों में वास्तविक डेटा एकत्र किया, जिसमें जुलाई, नवंबर और सितंबर में विशिष्ट स्थानों पर जाकर पौधों के सूखे वजन को मापा गया। उन्होंने इन मापों को यूरोपीय अंतरिक्ष एजेंसी के सेंटिनल-2 (Sentinel-2) उपग्रहों की छवियों के साथ जोड़ा, जो प्रकाश के विभिन्न रंगों में, जिनमें मानव आंखों के लिए अदृश्य रंग भी शामिल हैं, पृथ्वी की सतह के विस्तृत दृश्य कैप्चर करते हैं।

चुनौती यह थी कि टीम के पास केवल 53 वास्तविक माप स्थल थे, जो पूरी 1,28,000 हेक्टेयर की आर्द्रभूमि में बायोमास की भविष्यवाणी करने के लिए एक कंप्यूटर मॉडल को प्रशिक्षित करने हेतु बहुत कम संख्या थी। यदि कोई कंप्यूटर बहुत कम उदाहरणों से सीखता है, तो वह अक्सर नए, अनदेखे क्षेत्रों के सामने विफल हो जाता है। इस बाधा को दूर करने के लिए, शोधकर्ताओं ने एक 'जेनरेटिव एडवरसैरियल नेटवर्क' (Generative Adversarial Network) का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जो प्रतिस्पर्धी प्रोग्रामों की एक जोड़ी की तरह काम करता है। एक प्रोग्राम, 'जेनेरेटर', वास्तविक मापों जैसा दिखने वाला नकली डेटा बनाने की कोशिश करता है, जबकि दूसरा, 'डिस्क्रिमिनेटर', नकली डेटा को पहचानने की कोशिश करता है। जैसे-जैसे वे इस खेल को बार-बार खेलते हैं, जेनेरेटर वास्तविक दुनिया के सांख्यिकीय पैटर्न और संबंधों को बनाए रखते हुए, वास्तविक नमूनों के समान दिखने वाले सिंथेटिक नमूने बनाने में बेहतर होता जाता है।

इस पद्धति का उपयोग करते हुए, टीम ने अपने 53 वास्तविक नमूनों के छोटे डेटासेट को 600 नमूनों के बड़े प्रशिक्षण सेट में विस्तारित किया, जिसमें प्रत्येक पौधे के प्रकार के लिए 300 नमूने थे। ये नए, आभासी नमूने केवल रैंडम अनुमान नहीं थे; इन्होंने वास्तविक दुनिया में पाए जाने वाले सटीक सांख्यिकीय पैटर्न और संबंधों को संरक्षित किया, जैसे कि कैसे लंबे नरकुल आमतौर पर उपग्रह छवियों में विशिष्ट संकेतों के अनुरूप होते हैं। शोधकर्ताओं ने फिर इस विस्तारित डेटासेट पर एक न्यूरल नेटवर्क (एक मस्तिष्क जैसी कंप्यूटर प्रणाली) को प्रशिक्षित किया ताकि उपग्रह संकेतों और पौधों के वास्तविक वजन के बीच जटिल, गैर-रेखीय संबंध को सीखा जा सके। उन्होंने अन्य सामान्य मशीन लर्निंग विधियों के विरुद्ध इस दृष्टिकोण का परीक्षण किया, और पाया कि उनका न्यूरल नेटवर्क, संवर्धित डेटा द्वारा संचालित होने के कारण, लगातार अन्य तरीकों से बेहतर प्रदर्शन करता है।

परिणामों ने सटीकता में महत्वपूर्ण सुधार दिखाया। लंबे नरकुलों के लिए, मॉडल की सही वजन बताने की क्षमता में काफी सुधार हुआ, जिसमें मूल छोटे डेटासेट पर प्रशिक्षित मॉडलों की तुलना में त्रुटि दर प्रति वर्ग मीटर लगभग 100 ग्राम कम हो गई। छोटे शाकों के लिए भी सुधार स्पष्ट था, जिससे मॉडल बायोमास का अनुमान लगाने में बहुत अधिक विश्वसनीय हो गया। जब टीम ने सितंबर 2024 की उपग्रह छवियों का उपयोग करके पूरे वेटलैंड पर अपने सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल को लागू किया, तो उन्होंने परिदृश्य में पौधों के वजन का एक विस्तृत मानचित्र तैयार किया। मानचित्र ने खुलासा किया कि एस्टुअरी (मुहाना) के ऊपरी हिस्सों में केंद्रित लंबे नरकुलों का औसत वजन 514.22 ग्राम प्रति वर्ग मीटर था, जबकि निचले, अधिक खुले कीचड़ वाले मैदानों में छोटे शाकों का औसत वजन 230.07 ग्राम प्रति वर्ग मीटर था।

यह अध्ययन प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस सीमित फील्ड वर्क और बड़े पैमाने पर पर्यावरणीय निगरानी की आवश्यकता के बीच के अंतर को प्रभावी ढंग से पाट सकता है। वास्तविक आभासी डेटा उत्पन्न करके, वैज्ञानिक अधिक मजबूत मॉडल बना सकते हैं जो जमीनी मापों की कमी होने पर भी अच्छी तरह से काम करते हैं। उनके निष्कर्ष पुष्टि करते हैं कि लियाओहे वेटलैंड कार्बन का एक महत्वपूर्ण भंडार है, जिसमें लंबे नरकुल अधिकांश बायोमास को संग्रहीत करते हैं। यह दृष्टिकोण तटीय आर्द्रभूमियों के स्वास्थ्य और कार्बन भंडारण क्षमता का आकलन करने के लिए एक विश्वसनीय, स्केलेबल उपकरण प्रदान करता है, जो इन महत्वपूर्ण 'ब्लू कार्बन' पारिस्थित प्रणालियों को समझने और बचाने के वैश्विक प्रयासों में महत्वपूर्ण सहायता प्रदान करता है।