এক ধরণের কৃত্রিম বুদ্ধিমত্তা যা মানব মস্তিষ্কের কার্যকারিতা নকল করে তা স্বয়ংক্রিয়ভাবে দাবানলের সনাক্তকরণে একটি শক্তিশালী সমাধানের প্রতিনিধিত্ব করতে পারে, তাদের ধ্বংসাত্মক প্রভাবগুলি হ্রাস করার জন্য প্রয়োজনীয় সময়কে ডুবিয়ে দেয়, একটি নতুন গবেষণায় দেখা গেছে।
নতুন প্রযুক্তিটি একটি ‘কৃত্রিম নিউরাল নেটওয়ার্কস’ মডেল ব্যবহার করে যা স্যাটেলাইট ইমেজিং প্রযুক্তিকে গভীর শিক্ষার সাথে সংযুক্ত করে (কৃত্রিম বুদ্ধিমত্তার একটি উপসেট (এআই) এবং মেশিন লার্নিং)।
পিয়ার-পর্যালোচিত প্রকাশিত অনুসন্ধানগুলি রিমোট সেন্সিং অফ ইন্টারন্যাশনাল জার্নালঅ্যামাজন রেইনফরেস্টের চিত্রগুলির একটি ডেটাসেটের মাধ্যমে মডেলটিকে প্রশিক্ষণ দেওয়ার সময় 93% সাফল্যের হারের প্রতিবেদন করুন এবং বন্য আগুনের সাথে এবং ছাড়াই।
এটি বলা হয়েছে যে প্রযুক্তিটি প্রাথমিক এআই সিস্টেমগুলির সাথে পরিপূরক প্রকৃতিতে প্রাথমিক সতর্কতা ব্যবস্থাগুলি বাড়ানোর জন্য এবং দাবানলের প্রতিক্রিয়া কৌশলগুলি উন্নত করতে ব্যবহার করা যেতে পারে।
“এই গুরুত্বপূর্ণ বাস্তুসংস্থানগুলির সূক্ষ্ম পরিবেশগত ভারসাম্য সংরক্ষণের জন্য দাবানলদের সনাক্তকরণ এবং প্রতিক্রিয়া জানানোর ক্ষমতা অত্যন্ত গুরুত্বপূর্ণ এবং এই অ্যামাজন অঞ্চলের ভবিষ্যত সিদ্ধান্তমূলক দ্রুত পদক্ষেপের উপর নির্ভর করে,” মানসায় ইউনিভার্সিড ফেডারেল ডো অ্যামাজনাসের শীর্ষস্থানীয় লেখক অধ্যাপক প্রফেসর সিনিয়া এলিউটারিও ব্যাখ্যা করেছেন।
“আমাদের অধ্যয়নের অনুসন্ধানগুলি অ্যামাজনীয় বাস্তুসংস্থান এবং বিশ্বের অন্য কোথাও দাবানলের সনাক্তকরণের উন্নতি করতে পারে, এই জাতীয় ঘটনার বিরুদ্ধে লড়াই ও পরিচালনায় কর্তৃপক্ষকে উল্লেখযোগ্যভাবে সহায়তা করে।”
2023 সালে কেবল অ্যামাজনে 98,639 দাবানল ছিল। অ্যামাজন রেইনফরেস্টও ব্রাজিলিয়ান বায়োমে বন্য আগুনের একটি উল্লেখযোগ্য অংশ (51.94%) জন্য দায়ী। সাম্প্রতিক বছরগুলিতে এই অঞ্চলটি এই জাতীয় ঘটনাগুলিতে একটি উল্লেখযোগ্য বৃদ্ধি পেয়েছে।
বর্তমানে, অ্যামাজনে পর্যবেক্ষণকে নিকটবর্তী, রিয়েল-টাইম ডেটা সরবরাহ করা হয়েছে-তবে এর মধ্যপন্থী রেজোলিউশন রয়েছে এবং প্রত্যন্ত অঞ্চলে বা আরও ছোট আগুনের প্রাদুর্ভাবের বিবরণ সনাক্ত করার ক্ষমতা সীমাবদ্ধ।
এই নতুন প্রযুক্তিটি এক ধরণের কৃত্রিম নিউরাল নেটওয়ার্ক ব্যবহার করে (একটি মেশিন লার্নিং অ্যালগরিদম যা আন্তঃসংযুক্ত নোডগুলির একটি নেটওয়ার্ক ব্যবহার করে এমনভাবে ডেটা প্রক্রিয়া করতে যা মানব মস্তিষ্ককে নকল করে) বলে একটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক (সিএনএন) বলে ডাকে দাবানলের দ্বারা প্রভাবিত রেইন ফরেস্টের অঞ্চলগুলিকে শ্রেণিবদ্ধ করার জন্য এবং সমস্যাটি উন্নত করে। অ্যালগরিদমগুলি ডেটা ক্রমবর্ধমান পরিমাণের সংস্পর্শের মাধ্যমে সময়ের সাথে সাথে তাদের কর্মক্ষমতা বাড়িয়ে তোলে।
গবেষণা দল, যারা সকলেই ইউনিভার্সিড ফেডারেল ডিও অ্যামাজনাসে অবস্থিত, সিএনএন প্রশিক্ষণের জন্য ল্যান্ডস্যাট 8 এবং 9 উপগ্রহ থেকে প্রাপ্ত চিত্রগুলি ব্যবহার করে। এই উপগ্রহগুলি নিকট-ইনফ্রারেড এবং শর্টওয়েভ ইনফ্রারেডের সাথে লাগানো হয়, যা একসাথে উদ্ভিদের পরিবর্তনগুলি সনাক্ত করার জন্য পাশাপাশি পৃষ্ঠের তাপমাত্রার পরিবর্তনের জন্য গুরুত্বপূর্ণ।
প্রথমত, সিএনএনকে ভারসাম্যহীন আগুনের 200 টি চিত্রের একটি ডেটাসেটে প্রশিক্ষণ দেওয়া হয়েছিল এবং ভারসাম্যহীন শেখার পদ্ধতির বিষয়টি নিশ্চিত করার জন্য দাবানল ছাড়াই সমান সংখ্যক চিত্র। যদিও ছোট, এই চিত্রগুলির সংখ্যা সিএনএন -এর পক্ষে প্রশিক্ষণের পর্যায়ে 93% নির্ভুলতা অর্জনের জন্য যথেষ্ট প্রমাণিত হয়েছিল।
সিএনএন -এর বন্য আগুনের সাথে এবং ছাড়াই চিত্রগুলির মধ্যে পার্থক্য করার ক্ষমতাটি তখন প্রশিক্ষণ ডেটাসেটে অন্তর্ভুক্ত নয় এমন 40 টি চিত্র ব্যবহার করে পরীক্ষা করা হয়েছিল। মডেলটি 24 টি চিত্রের মধ্যে 23 টির মধ্যে 23 টির মধ্যে 23 টির মধ্যে শ্রেণিবদ্ধ করেছে এবং সমস্ত 16 টি চিত্র বন্য আগুনের সাথে শ্রেণিবদ্ধ করেছে, এইভাবে সাধারণীকরণের জন্য এর দৃ ust ়তা এবং সক্ষমতাটিকে বোঝায় এবং কার্যকর দাবানলের সনাক্তকরণের সরঞ্জাম হিসাবে এর সম্ভাব্যতা প্রদর্শন করে।
“সিএনএন মডেল একটি মূল্যবান সংযোজন হিসাবে কাজ করতে পারে, নির্দিষ্ট অঞ্চলে আরও বিশদ বিশ্লেষণ সক্ষম করে। বর্তমান সেন্সরগুলির বিস্তৃত অস্থায়ী কভারেজকে আমাদের মডেলের স্থানিক নির্ভুলতার সাথে একত্রিত করে আমরা সমালোচনামূলক পরিবেশ সংরক্ষণ জোনে বন্য আগুনের পর্যবেক্ষণকে উল্লেখযোগ্যভাবে বাড়িয়ে তুলতে পারি,” ফিজিক্সের সহ-লেখক অধ্যাপক কার্লোস মেন্ডেস বলেছেন।
“মডেলটিতে এই জাতীয় ঘটনার বিরুদ্ধে লড়াই ও পরিচালনায় সক্ষম কর্তৃপক্ষকে উল্লেখযোগ্যভাবে সহায়তা করার সম্ভাবনা রয়েছে, দাবানলের সনাক্তকরণের জন্য একটি উন্নত এবং আরও স্থানীয়করণ পদ্ধতির সরবরাহ করে।
“এটি স্যাটেলাইট-ভিত্তিক মধ্যপন্থী রেজোলিউশন ইমেজিং স্পেকট্রাডিওমিটার (মোডিস) এবং দৃশ্যমান ইনফ্রারেড ইমেজিং রেডিওমিটার স্যুট (ভিআইআইআরএস) এর মতো সু-প্রতিষ্ঠিত বৃহত আকারের মনিটরিং সিস্টেমগুলির পরিপূরক হিসাবে কাজ করে যা অবিচ্ছিন্ন দাবানল সনাক্তকরণের জন্য ব্যাপকভাবে ব্যবহৃত হয়।”
এগিয়ে গিয়ে লেখকরা সিএনএন -এর জন্য কাজ করার জন্য প্রশিক্ষণের চিত্রের সংখ্যা বাড়ানোর পরামর্শ দেন, যা “নিঃসন্দেহে আরও শক্তিশালী মডেলের দিকে পরিচালিত করবে।”
অন্যান্য অ্যাপ্লিকেশনগুলি, তারা পরামর্শ দেয়, সিএনএন -এর জন্যও অনুসন্ধান করা যেতে পারে – যেমন বনাঞ্চল পর্যবেক্ষণ এবং নিয়ন্ত্রণ করা।