फोटो मेलिसा ऍस्क्यू यांच्या सौजन्याने अनस्प्लॅश येथून
उपग्रहांमधील रडार मधून मिळालेली माहिती वापरून संशोधकांनी सोयाबीन आणि गव्हाच्या पीकांची वाढीस कारणीभूत असलेल्या प्राचलांचा अंदाज बांधला
जे मनुष्य पाहू शकत नाही ते (कृत्रिम) उपग्रहांना दिसते. हेच बघा ना, गूगल स्ट्रीट व्ह्यू आपल्याला हजारो मैल दूरच्या शहरातील एखाद्या चौकात घेऊन जाते आणि अगदी मध्यभागी उभे करते. असे करणे शक्य होते कारण गूगल स्ट्रीट, उपग्रहाने पृथ्वीच्या पृष्ठभागाच्या, अगदी बारीक तपशीलासह काढलेल्या चित्रांचा उपयोग करते. अश्या प्रकारचे रिमोट सेन्सिंग उपग्रह लष्करी प्रयोगासाठीही उपयोगात आणतात. अलिकडच्या एका अभ्यासात, भारतीय तंत्रज्ञान संस्था मुंबई अणि ऍग्रिचल्चर ऍण्ड ऍग्री-फूड कॅनडा येथील संशोधकांनी पिकांची वाढीवर लक्ष ठेवण्यासाठी उपग्रहांच्या मदतीने घेतलेल्या प्रकाशचित्रांचा उपयोग कसा करता येईल ते दाखवले.
भारतासारख्या कृशीप्रधान देशात, पीकांच्या वाढीवर लक्ष ठेवणे, अन्न-संरक्षण व अर्थव्यवस्थेच्या दृष्टीने महत्त्वाचे आहे. पण जमिनीच्या जवळजवळ ६०% भागावर शेती केली जात असेल तर एवढ्या सर्व पिकांवर प्रत्यक्ष लक्ष ठेवणे कठीण असते. इथेच आपण उपग्रहांची मदत घेऊ शकतो. रिमोट सेन्सिंग उपग्रहांकडून मिळणाऱ्या माहिती मध्ये पृथ्वीच्या पृष्ठभागाचे रडार स्कॅन असतात, ज्यांचा जंगलांच्या आलेखनासाठी व संनियंत्रणासाठी मोठ्या प्रमाणावर उपयोग केला जातो. विविध जीवभौतिकशास्त्रीय प्राचल वापरून इच्छित भागातील जैववस्तुमानाचा अंदाज बांधता येतो.
सदर अभ्यासात, उपग्रहाकडून मिळालेल्या माहितीच्या आधारे संशोधकांनी, मानीटोबा, कॅनडा येथील सोयाबीन व गहू ह्या पीकांच्या वाढीवर परिणाम करणाऱ्या तीन जीवभौतिकशास्त्रीय प्राचलांचा अंदाज बांधला आहे. ह्यात पर्णक्षेत्र निर्देशांक, जैववस्तुमान आणि वनस्पतीची उंची यांचा समावेश आहे. पर्णक्षेत्र निर्देशांक म्हणजे जमीनीच्या एक एकक क्षेत्रातील आकाशाला खुल्या असलेल्या पानांचे क्षेत्रफळ. ह्यामुळे वनस्पतीच्या पालवी व पर्णसंभाराची रचना निश्चित होते. जैववस्तुमान पाणी व साठलेल्या कार्बनडायऑक्साइड चे प्रमाण निर्देशित करते.
सुरुवातीला संशोधकांनी उपग्रहाकडून प्राप्त माहिती व निरीक्षणांच्या आधारे वनस्पतींची माहिती मिळवण्यासाठी एक गणितीय प्रतिरूप तयार केले. त्यांनी ‘वॉटर क्लाऊड मॉडेल’ नावाच्या प्रतिरूपाचा उपयोग केला. ह्या प्रतिरूपात असे गृहित धरले आहे ही पीकाच्या पर्णसंभारात असलेले पाणी, ढगातील पाण्यासारखे विखुरलेले असते. ह्या गृहीतकामुळे उपग्रहाकडून उपलब्ध माहितीमधून मिळालेल्या परावर्तित रडार संदेशांचे विश्लेषण करण्यासाठी अचूक प्रतिरूप मिळते. ‘मॉडेल इनव्हर्शन’ (प्रतिरूप व्युत्क्रमण) नावची क्रिया वापरून हे प्रतिरूप व गणितीय संबंध यांची बांधणी केली जाते. रडार कडून उपलब्ध महितीवरून वनस्पतीच्या वाढीचे सूचक, जसे पीकाची उंची इ. निश्चित करण्यसाठी ह्याचा उपयोग केला जातो.
इंटरनॅशनल जर्नल ऑफ ऍप्लाईड अर्थ ऑबसर्वेशन ऍण्ड जिओइन्फर्मेशन मधे प्रकाशित झालेल्या सदर अभ्यासात संशोधकांनी मॉडेल इन्वर्शन करण्यासाठी मशीन लर्निंग चा उपयोग केला आहे. मशीन लर्निंग मधे संगणकाला व्यक्त सूचनांशिवाय, केवळ माहितीच्या आधारे शिकता यावे ह्यासाठी संख्यिकी प्रतिरूपे आणि ऍलगोरिदम असतात. मशीन लर्निंग चे उदाहरण ऑनलाइन खरेदीच्या संकेस्थळांवर आपल्याला नेहमी दिसते. आपण पुर्वी शोधलेल्या किंवा खरेदी केलेल्या वस्तूंच्या यादीवर आधारित आपल्याला खरेदीसाठी वस्तू सुचवल्या जातात.
साधारणत: मशिन लर्निनंग मधे अनेक निविष्ट (इनपुट) प्राचल घेऊन एक निष्पन्न प्राचल काढले जाते. अनेक निष्पन्न प्राचल हवे असल्यास, प्रत्येक प्राचलासाठी स्वतंत्रपणे ऍलगोरिदम चालवावा लागतो. पण जर निष्पन्न प्राचलांनध्ये अरेषीय संबंध असेल तर अंतिम परिणाम चुकीचा असू शकतो.
“आमच्या असे लक्षात आले की पर्णक्षेत्र निर्देशांक आणि जैववस्तुमान यांच्यामधील परस्परसंबंध, मॉडेल इन्व्हर्शन करते वेळी जतन करून ठेवावा लागतो कारण त्याचा थेट संबंध पीक-उत्पन्नाशी आहे,” असे श्री. दीपंकर मंडल म्हणतात. त्यांच्या पीएचडीचा भाग म्हणून ते ह्या संशोधनात सहभागी होते.
अनेक निष्पन्न प्राचल असणारे मुल्टी-आउटपुट व्हेक्टर रिग्रेशन सारखे प्रचलित ऍलगोरिदम, खूप मेमरी वापरतात आणि माहिती-संच मोठा असेल तर अकार्यक्षम असतात. सदर अभ्यासात संशोधकांनी मल्टी टार्गेट फॉरेस्ट रिग्रेशन नावाचा ऍलगोरिदम वापरला, ज्यात निष्पन्न प्राचलांमधील परस्परसंबंध लक्षात घेतले जातात. त्यांनी उपग्रहाकडून उपलब्ध माहितीचा उपयोग करून दक्षिण मानिटोबा येथील रेड रिव्हर जलदुभाजकातील सोयाबीन व गव्हाचे पर्णक्षेत्र निर्देशांक, जैववस्तुमान आणि वनस्पतीची उंची यांचे अनुमान लावले. त्यांनी पाहिले की नवरचित प्रतिरूप सर्व माहिती जशीच्या तशी पुनरावृत्त करत होते आणि निष्पन्न प्राचलांमधील परस्पर संबंधही जतन करत होते. रूढ ऍलगोरिदम पेक्षा ही पद्धत जास्त अचूक आहे.
जरी ह्या प्रतिरूपाचा उपयोग कॅनडामधील पिकांच्या प्राचलांचे अनुमान करायला केला गेला असला तरी, थोडेसे बदल करून ते भारतातील पिकांसाठीही वापरता येईल असे संशोधक म्हणतात.
“भारतातील पिकांचे क्षेत्र कॅनडातील पिकांच्या क्षेत्राच्या तुलनेत कमी असते व त्यांची रचनाही वेगळी असते. त्यामुळे उच्च वियोजन आणि कालावलंबी असलेल्या माहितीची आवश्यकता भासेल,” असे ह्या अभ्यासाचे मुख्य संशोधक, भारतीय तंत्रज्ञान संस्था मुंबई येथील प्रा अविक भट्टाचार्य म्हणतात. त्यामुळे व्युत्क्रम नीती सुद्धा बदलावी लागेल.
पुढील टप्प्यात, पिके घेताना असलेल्या जोखिमीचे मूल्यमापन करण्याची संशोधकांची योजना आहे. मोठ्या प्रमाणावर असलेली माहिती वापरण्यासाठी संशोधक त्यांचा ऍलगोरिदमचे इष्टतमीकरण करत आहेत.