Spatiotemporal Estimation of Daily Peatland Gross Primary Production with Landsat Remote Sensing Data in Germany, Estonia and Finland

बड़ी तस्वीर: पृथ्वी के "कार्बन स्पंजों" का वजन करना

कल्पte कि पीटलैंड्स (गीले, दलदली क्षेत्र जो सड़ते हुए पौधों से भरे होते हैं) विशाल, प्राचीन कार्बन स्पंज हैं। सदियों से, ये स्पंज हवा से कार्बन डाइऑक्साइड को सोख रहे हैं और उसे जमीन के नीचे जमा कर रहे हैं। यह हमारे जलवायु को स्थिर रखने के लिए बहुत महत्वपूर्ण है। हालाँकि, इंसानों ने जंगलों या खेती के लिए इन स्पंजों को सुखा दिया है, और कभी-कभी हम नुकसान को ठीक करने के लिए उन्हें फिर से "गीला" करने की कोशिश करते हैं।

शोधकर्ताओं ने जो बड़ा सवाल पूछा था, वह था: ये स्पंज वास्तव में अभी कितना कार्बन सोख रहे हैं?

इसका उत्तर देने के लिए, उन्हें सकल प्राथमिक उत्पादन (Gross Primary Production - GPP) नामक चीज़ को मापने की आवश्यकता थी। GPP को दलदल के पौधों द्वारा खाए जाने वाले "दैनिक दोपहर के भोजन" के रूप में समझें। यह कार्बन डाइऑक्साइड की कुल मात्रा है जिसे पौधे बढ़ने के लिए हवा से खींचते हैं। यदि पौधे बहुत अधिक खा रहे हैं, तो स्पंज कड़ी मेहनत कर रहा है। यदि वे कम खा रहे हैं, तो स्पंज संघर्ष कर रहा है।

समस्या: हाथ से मापने के लिए बहुत बड़ा

वैज्ञानिक पहले इस "दैनिक दोपहर के भोजन" को सेंसर से लैस ऊंचे टावरों (जिन्हें एडी कोवेरियेंस टावर कहा जाता है) का उपयोग करके मापते थे, जो सीधे दलदल के बीच में स्थित होते हैं। ये टावर अत्यधिक सटीक लेकिन बहुत संकीच सूक्ष्मदर्शी (microscopes) की तरह हैं। वे अपने आस-पास के एक छोटे घेरे में जो हो रहा है उसे ठीक से देख सकते हैं, लेकिन वे एक मील दूर क्या हो रहा है, यह नहीं देख सकते।

चूंकि पीटलैंड्स विशाल और अव्यवस्थित होते हैं (कुछ गीले होते हैं, कुछ सूखे, कुछ में पेड़ होते हैं, कुछ में केवल घास होती है), इसलिए केवल कुछ टावरों का उपयोग करना एक पूरे देश के मौसम को समझने के लिए केवल एक घर के पिछवाड़े में खड़े होने जैसा है।

समाधान: सैटेलाइट "ड्रोन"

शोधकर्ताओं ने आसमान में अपनी आँखों के रूप में लैंडसैट (Landsat) उपग्रहों का उपयोग करने का निर्णय लिया। लैंडसैट को एक हाई-डेफिनिशन ड्रोन के रूप में सोचें जो हर कुछ दिनों में पूरे परिदृश्य की तस्वीरें लेता है।

• पुराना तरीका: उन्होंने पुराने, कम-रिज़ॉल्यूशन वाले उपग्रहों (जैसे MODIS) का उपयोग करने की कोशिश की, लेकिन वे एक धुंधली खिड़की के माध्यम से परिदृश्य को देखने जैसा था। विवरण इतने धुंधले थे कि एक सूखे जंगल और एक बहाल (restored) दलदल के बीच के विशिष्ट अंतर को देखना कठिन था।
• नया तरीका: उन्होंने लैंडसैट का उपयोग किया, जो एक क्रिस्टल-क्लियर (साफ) खिड़की से देखने जैसा है। इसका रिज़ॉल्यूशन 30 मीटर (एक छोटे घर के आकार के बराबर) है, जिससे वे वनस्पतियों की विशिष्ट "बनावट" को देख सकते हैं।

प्रयोग: "रेसिपी" का परीक्षण

टीम ने फिनलैंड, एस्टोनिया और जर्मनी में चार विशिष्ट "रसोईघरों" (अध्ययन स्थलों) का अध्ययन किया। प्रत्येक रसोई का अलग "शेफ स्टाइल" (प्रबंधन व्यवस्था) था:

1. प्राकृतिक/बहाल (Natural/Restored): दलदल जो गीले हैं और वापस बढ़ रहे हैं (जैसे कि एक बगीचा जिसे स्वाभाविक रूप से बढ़ने के लिए छोड़ दिया गया हो)।
2. सुखाया गया/प्रबंधित (Drained/Managed): दलदल जहाँ पेड़ उगाने के लिए पानी निकाल दिया गया था (जैसे कि एक व्यवस्थित लॉन)।
3. क्लियर-कट (Clear-Cut): वे क्षेत्र जहाँ सभी पेड़ों को काट दिया गया था (जैसे कि एक ताज़ा कटा हुआ खेत)।
4. पार्शियल-कट (Partial-Cut): वे क्षेत्र जहाँ केवल कुछ पेड़ों को हटाया गया था (जैसे कि अंतराल वाला एक जंगल)।

रेसिपी:
उन्होंने ज़मीनी टावरों से प्राप्त "लंच" डेटा लिया और उसे सैटेलाइट तस्वीरों के साथ जोड़ा। उन्होंने इस जानकारी को एक रैंडम फॉरेस्ट मॉडल (Random Forest model) में डाला।

• उपमा: एक अति बुद्धिमान जासूस (AI मॉडल) की कल्पना करें। जासूस को दलदल की हजारों तस्वीरें दिखाई जाती हैं और बताया जाता है, "उन दिनों में जब पौधों ने इतना लंच खाया था, तो सैटेलाइट फोटो इस विशेष तरीके से दिख रही थी।"
• जासूस पैटर्न सीखता है: "ठीक है, जब निकट-अवरक्त (near-infrared) प्रकाश मजबूती से वापस आता है और ज़मीन ठंडी महसूस होती है, तो पौधे एक बड़ा लंच खा रहे हैं।"

उन्होंने क्या पाया

"जासूस" (मॉडल) अपने काम में काफी अच्छा साबित हुआ।

1. यह व्यापक रूप से काम करता है: मॉडल ने सफलतापूर्वक भविष्यवाणी की कि पौधों ने कितना कार्बन खाया, चाहे वह दलदल प्राकृतिक हो, सूखा हुआ हो या बहाल किया गया हो, चाहे वह चारों देशों में कहीं भी हो।
2. "गुप्त सामग्रियां": मॉडल ने पाया कि सैटेलाइट से मिलने वाले दो विशिष्ट सुराग सबसे महत्वपूर्ण थे:
   • निकट-अवरक्त प्रकाश (Near-Infrared Light - NIR): यह एक हेल्थ चेक की तरह है। स्वस्थ, हरी वनस्पतियां इस अदृश्य प्रकाश को बहुत अधिक परावर्तित करती हैं। यह मॉडल को बताता है कि वनस्पतियां कितनी "घनी" और "पत्तेदार" हैं।
   • लैंड सरफेस टेम्परेचर (LST): यह एक थर्मामीटर की तरह है। यह मॉडल को बताता है कि ज़मीन कितनी गर्म या ठंडी है, जो इस बात को प्रभावित करता है कि पौधे कितनी तेज़ी से "खा" सकते हैं।
3. अलग प्रबंधन, अलग पैटर्न:
   • क्लियर-कट साइट्स: इनमें "खाने" (उत्पादकता) के बहुत स्पष्ट और मजबूत शिखर (peaks) देखे गए। क्योंकि पेड़ हटा दिए गए थे, सूरज सीधे ज़मीन पर पड़ रहा था, और नई घास/झाड़ियाँ तेज़ी से और समान रूप से बढ़ीं। सैटेलाइट इस "समान दावत" को आसानी से देख सकता था।
   • पार्शियल-कट साइट्स: ये अधिक जटिल थे। क्योंकि कुछ पेड़ खड़े छोड़े गए थे, इसलिए धूप छितरी हुई थी, और ज़मीन छाया और धूप का मिश्रण थी। इसने "खाने" के पैटर्न को अधिक जटिल बना दिया और इसे पूरी तरह से भविष्यवाणी करना कठिन बना दिया, लेकिन मॉडल ने फिर भी काफी अच्छा काम किया।

निष्कर्ष

यह शोध पत्र निष्कर्ष निकालता है कि सैटेलाइट एक विश्वसनीय "रिमोट शेफ असिस्टेंट" के रूप में कार्य कर सकते हैं। लैंडसैट छवियों और एक स्मार्ट कंप्यूटर मॉडल का उपयोग करके, अब हम बड़े और जटिल परिदृश्यों में यह अनुमान लगा सकते हैं कि पीटलैंड्स कितना कार्बन सोख रहे हैं, बिना हर स्थान पर एक टावर लगाए।

• सटीकता: मॉडल की भविष्यवाणियां लगभग 57% बार जमीनी मापों से मेल खाती थीं (इतनी जटिल प्रणाली के लिए एक ठोस स्कोर), कुछ स्थानों पर यह और भी बेहतर (69% तक) था।
• सीमा: मॉडल पूर्ण नहीं है। यह कभी-कभी बहुत विशिष्ट, जटिल स्थानों (जैसे एस्टोनिया में Agali-II या जर्मन साइटों) में संघर्ष करता है, संभवतः इसलिए क्योंकि ज़मीन की स्थितियां इतनी जटिल थीं कि सैटेलाइट वनस्पतियों और पानी के "कोहरे" के माध्यम से उन्हें स्पष्ट रूप से नहीं देख सका।

संक्षेप में: शोधकर्ताओं ने सिद्ध किया है कि हम उच्च-रिज़ॉल्यूशन वाली सैटेलाइट तस्वीरों का उपयोग यह देखने के लिए कर सकते हैं कि विभिन्न प्रकार के प्रबंधित पीटलैंड्स कितने अच्छे "कार्बन स्पंज" के रूप में काम कर रहे हैं, जिससे इन महत्वपूर्ण पारिस्थित प्रणालियों की निगरानी करने की हमारी क्षमता में एक बड़ी कमी पूरी होती है।