हर दिन भारी मात्रा में प्लास्टिक का कचरा महासागरों में पहुंच रहा है। सैटेलाइट तस्वीरें तटों और समुद्र में कूड़े के ढेर का पता लगाने में मदद कर सकती हैं ताकि इसे बाहर निकाला जा सके। एक शोध टीम ने एक नया कृत्रिम बुद्धिमत्ता मॉडल विकसित किया है जो उपग्रह चित्रों की मदद से तैरते प्लास्टिक की पहले की तुलना में अधिक सटीकता से पहचान करता है। यह मॉडल तब भी अच्छी तरीके से काम करता है, जब छवियां आंशिक रूप से बादलों से ढकी हों या मौसम खराब हो।
हमारा समाज प्लास्टिक उत्पादों पर सबसे ज्यादा निर्भर है और भविष्य में प्लास्टिक के कचरे की मात्रा बढ़ने के आसार हैं। यदि ठीक से रीसाइक्लिंग न की गई तो इसका अधिकांश भाग नदियों और झीलों में जमा हो जाता है।आखिरकार यह बह कर महासागरों में समा जाता है, जहां यह शैवाल जैसी प्राकृतिक सामग्रियों के साथ मिलकर समुद्री मलबे में तब्दील हो जाता है।
हाल ही में आईसाइंस में प्रकाशित वैगनिंगन यूनिवर्सिटी और ईपीएफएल शोधकर्ताओं के एक नए अध्ययन ने एक कृत्रिम बुद्धिमत्ता-आधारित डिटेक्टर विकसित किया है। यह उपग्रह छवियों में दिखाए गए समुद्री मलबे का अनुमान लगाता है। इससे जहाजों के माध्यम से महासागरों से प्लास्टिक कूड़े को व्यवस्थित रूप से हटाने में मदद मिल सकती है।
एआई के साथ उपग्रह चित्रों के माध्यम से प्लास्टिक की खोज
स्वतंत्र रूप से उपलब्ध सेंटिनल-2 उपग्रह चित्रों में समुद्री मलबे का ढेर दिखाई देता है, जो दुनिया भर में हर दो से पांच दिनों में जमीन और तटीय क्षेत्रों पर कब्जा कर लेता है। क्योंकि इन आंकड़ों की मात्रा टेराबाइट्स के बराबर होती है, इसलिए आंकड़ों को गहरे तंत्रिका नेटवर्क जैसे कृत्रिम बुद्धिमत्ता मॉडल के माध्यम से चलाने और विश्लेषण करने की आवश्यकता होती है।
शोध के हवाले से, वैगनिंगेन विश्वविद्यालय के सहायक प्रोफेसर मार्क रुसवुर्म कहते हैं, ये मॉडल समुद्र विज्ञानियों और रिमोट सेंसिंग विशेषज्ञों द्वारा प्रदान किए गए उदाहरणों से सीखते हैं, जिन्होंने दुनिया भर के कई इलाकों पर उपग्रह चित्रों में समुद्री मलबे के कई हजार उदाहरणों की पहचान की। इस तरह, उन्होंने 'प्रशिक्षण' लिया और 'प्लास्टिक के मलबे की पहचान करने वाला मॉडल बनाया।
चुनौतीपूर्ण परिस्थितियों में बेहतर पहचान
शोधकर्ताओं ने एक एआई-आधारित समुद्री मलबा डिटेक्टर विकसित किया है जो सेंटिनल-2 उपग्रह चित्रों में प्रत्येक पिक्सेल के लिए मौजूद समुद्री मलबे का पता लगाता है। डिटेक्टर को डेटा-केंद्रित एआई सिद्धांतों का पालन करके प्रशिक्षित किया जाता है, जिसका उद्देश्य इस समस्या के लिए उपलब्ध प्रशिक्षण के सीमित आंकड़ों का सबसे अच्छा उपयोग करना है।
उदाहरण के लिए, एक कंप्यूटर विजन एल्गोरिदम का डिजाइन है जो छवियों में दिखाई देने वाले मलबे के लिए विशेषज्ञों से मैन्युअल एनोटेशन को सटीक रूप से दिखता है। इस उपकरण के साथ, समुद्र विज्ञानी और रिमोट सेंसिंग विशेषज्ञ मैन्युअल क्लिकिंग में कम सटीक होकर अधिक प्रशिक्षण आंकड़ों का उदाहरण प्रदान कर सकते हैं।
कुल मिलाकर, शोध एल्गोरिथ्म के साथ मिलकर यह प्रशिक्षण पद्धति पिछले तरीकों की तुलना में समुद्री मलबे की वस्तुओं का बेहतर पूर्वानुमान लगाने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करती है।
शोध के हवाले से रुस्वर्म कहते हैं, डिटेक्टर अधिक चुनौतीपूर्ण परिस्थितियों में भी सटीक जानकारी देता है, उदाहरण के लिए, जब बादल छाए रहते हैं और वातावरण में धुंध मौजूदा मॉडलों के लिए समुद्री मलबे की सटीक पहचान करना मुश्किल बना देती है।
बादलों और धुंध के साथ कठिन वायुमंडलीय परिस्थितियों में समुद्री मलबे में प्लास्टिक का पता लगाना विशेष रूप से अहम है, क्योंकि प्लास्टिक अक्सर बारिश और बाढ़ की घटनाओं के बाद खुले पानी में बह जाता है। यह दक्षिण अफ्रीका में डरबन ईस्टर बाढ़ से पता चलता है, जो 2019 में, जब लंबे समय तक बारिश के कारण नदियां उफान पर थीं, जिसके कारण सामान्य से बहुत अधिक कूड़ा बह गया था।
प्लास्टिक का कचरा डरबन बंदरगाह से होते हुए खुले हिंद महासागर में पहुंच गया। उपग्रह चित्रों में, सामान्य लाल-हरे-नीले रंग "चैनल" का उपयोग करते समय बादलों के बीच तैरती ऐसी वस्तुओं को अलग करना मुश्किल होता है। उन्हें निकट-अवरक्त प्रकाश सहित अन्य वर्णक्रमीय चैनलों में बदला करके देखा जा सकता है।
समुद्री मलबे के जमा होने की अधिक सटीक भविष्यवाणी के अलावा, पता लगाने वाला मॉडल रोजाना सुलभ प्लेनेटस्कोप छवियों में भी मलबे का पता लग सकता है।
रुसवर्म ने बताया, साप्ताहिक सेंटिनल-2 को हर रोज प्लेनेटस्कोप के साथ जोड़ने से निरंतर दैनिक निगरानी के अंतर को कम किया जा सकता है।
इसके अलावा, प्लेनेटस्कोप और सेंटिनल-2 कभी-कभी एक ही दिन में केवल कुछ मिनटों के अंतर पर समुद्री मलबे के एक ही हिस्से को पकड़ लेते हैं। दो स्थानों पर एक ही वस्तु का यह दोहरा दृश्य पानी पर हवा और समुद्री धाराओं के कारण बहाव की दिशा को उजागर करता है। इस जानकारी का उपयोग समुद्री मलबे के बहाव अनुमान मॉडल को बेहतर बनाने के लिए किया जा सकता है।