पुष्पेंद्र राणा हिमाचल प्रदेश में एक भारतीय वन सेवा अधिकारी हैं जो पर्यावरण नीति के परिणामों का मूल्यांकन करने के लिए भू-स्थानिक विश्लेषण और मशीन लर्निंग सहित सामाजिक विज्ञान सिद्धांतों और विश्लेषणात्मक तरीकों को लागू करते हैं।

उनका काम यह समझने पर केंद्रित है कि लोग और जंगल कैसे परस्पर क्रिया करते हैं और पर्यावरण और सामाजिक चुनौतियों का अध्ययन करने के लिए AI और मशीन लर्निंग का उपयोग करते हैं, वन प्रशासन को मजबूत करने के लिए समाधान विकसित करते हैं।

उनकी पहल, व्हाटटूप्लांट और व्हेयरटूप्लांट, टेलीग्राम चैटबॉट हैं जो किसानों और वन रेंजरों को इस बारे में सूचित निर्णय लेने में मदद करते हैं कि कौन से पेड़ लगाए जाएं और कहां लगाए जाएं।

राणा ने अर्बाना-शैंपेन में इलिनोइस विश्वविद्यालय से भूगोल में डॉक्टरेट की उपाधि प्राप्त की है और चैपल हिल में उत्तरी कैरोलिना विश्वविद्यालय में पोस्टडॉक्टरल शोधकर्ता के रूप में भी काम किया है।

पुष्पेंद्र राणा ने वन प्रशासन में सुधार करने, किसानों और वन अधिकारियों को बर्बादी कम करने में मदद करने और तकनीक का उपयोग करके यह निर्धारित करने के लिए कि कहां पौधे लगाने हैं और कौन से पौधे लगाने हैं, तकनीक की आवश्यकता पर Indianexpress.com से बात की। संपादित अंश:

वेंकटेश कन्नैया: हमें अपनी शोध रुचियों और IFS की ओर अपनी यात्रा के बारे में बताएं।

डॉ. पुष्पेंद्र राणा: मेरा शोध पारिस्थितिकी, सार्वजनिक नीति, भू-स्थानिक विज्ञान, कृत्रिम बुद्धिमत्ता और पर्यावरण शासन के अंतर्संबंध पर आधारित है।

मुझे इस बात में दिलचस्पी है कि सरकारें जटिल सामाजिक-पारिस्थितिक प्रणालियों में बेहतर निर्णय कैसे ले सकती हैं, जहां पारिस्थितिक स्थितियां, मानव व्यवहार और संस्थान लगातार बातचीत कर रहे हैं और बदल रहे हैं।

मैं भारतीय वन सेवा में शामिल हुआ क्योंकि मैं वनों, परिदृश्यों और समुदायों के सवालों पर काम करना चाहता था। हालाँकि, क्षेत्र के अनुभव ने मुझे दिखाया कि कई पर्यावरण कार्यक्रम सीमित साक्ष्य के साथ संचालित होते हैं। हम जानते हैं कि कितने पौधे रोपे गए या कितना पैसा खर्च किया गया, लेकिन हम यह नहीं जानते कि क्या सही जगह पर सही हस्तक्षेप किया गया, क्या यह जीवित रहा, और क्या इससे स्थायी पारिस्थितिक और सामाजिक लाभ हुए। इसने मुझे भूगोल और जीआईसाइंस में डॉक्टरेट अनुसंधान करने के लिए प्रेरित किया।

तब से, मैंने एक वन अधिकारी, एक शोधकर्ता और एक नीति निर्माता के दृष्टिकोण को संयोजित करने का प्रयास किया है।

मेरी व्यापक शोध रुचि इस बात में है कि पर्यावरण प्रशासन को अधिक साक्ष्य-आधारित और जवाबदेह बनाने के लिए विज्ञान, संस्थानों और प्रौद्योगिकी को कैसे जोड़ा जा सकता है।

वेंकटेश कन्नैया: हमें व्हेयरटूप्लांट पहल और इसके प्रभाव के बारे में बताएं।

डॉ. पुष्पेंद्र राणा: व्हेयरटूप्लांट की शुरुआत एक सरल प्रश्न से हुई: हमें पारिस्थितिक बहाली कहां करनी चाहिए?

प्रत्येक वर्ष, वृक्षारोपण में पर्याप्त सार्वजनिक संसाधनों का निवेश किया जाता है और कवर किए गए हेक्टेयर या रोपे गए पौधों के संदर्भ में लक्ष्य निर्धारित किए जाते हैं, जबकि चयनित भूमि की पारिस्थितिक उपयुक्तता पर कम ध्यान दिया जाता है। अनुपयुक्त स्थान पर पौधारोपण करने से उत्तरजीविता कम हो सकती है, निवेश बर्बाद हो सकता है और, कुछ मामलों में, पारिस्थितिक क्षति हो सकती है।

व्हेयरटूप्लांट को इस समस्या के समाधान के लिए एक पारिस्थितिक निर्णय-समर्थन प्रणाली के रूप में विकसित किया गया था। यह जलवायु, मिट्टी, इलाके, मौजूदा वनस्पति, पहुंच, अशांति और अन्य परिदृश्य विशेषताओं पर जानकारी को जोड़ती है। मशीन-लर्निंग मॉडल इस डेटा का उपयोग यह आकलन करने के लिए करते हैं कि कोई स्थान पुनर्स्थापना के लिए उपयुक्त है या नहीं।

नवाचार केवल भविष्यवाणी मॉडल नहीं है। हमने विश्लेषण को टेलीग्राम चैटबॉट के रूप में एक सरल संवादात्मक इंटरफ़ेस के पीछे रखा, ताकि एक वन रेंजर, एक फील्ड अधिकारी, या एक युवा क्लब जीआईएस में विशेषज्ञता की आवश्यकता के बिना मार्गदर्शन तक पहुंच सके।

हमसे पूछा जाता है कि मोबाइल ऐप क्यों नहीं? लोग ऐप्स से अभिभूत हैं, और हर विभाग का अपना ऐप है। इसलिए हमने दूसरा निर्माण न करने का निर्णय लिया क्योंकि हमें लगा कि यह सबसे अच्छा तरीका है। हम इसे व्हाट्सएप पर करना चाहते थे, लेकिन व्हाट्सएप इस तरह की सेवा के लिए शुल्क लेता है, इसलिए हमने टेलीग्राम को चुना।

2025 के वृक्षारोपण सीज़न के दौरान, हिमाचल प्रदेश वन विभाग ने लगभग 3,000 हेक्टेयर में वृक्षारोपण किया, और व्हेयरटूप्लांट ने 250 से अधिक स्थानों पर 500 हेक्टेयर से अधिक के लिए साइट चयन की सूचना दी।

वेंकटेश कन्नैया: हमें व्हेयरटूप्लांट से अपनी सीख के बारे में बताएं?

डॉ पुष्पेंद्र राणा: सबसे पहले, प्रश्न की गुणवत्ता एल्गोरिदम की परिष्कार से अधिक महत्वपूर्ण है। गलत प्रश्न का उत्तर देने वाला अत्यधिक सटीक मॉडल कम महत्व का है। इसलिए हमने किसी विशेष AI/एमएल तकनीक से शुरुआत करने के बजाय फील्ड स्टाफ द्वारा सामना किए जाने वाले परिचालन निर्णयों से शुरुआत की।

आगे समझाने के लिए, चार साल पहले, आईआईटी के साथ काम करते हुए, हमने एक वृक्षारोपण निगरानी प्रणाली विकसित की थी। विचार यह था कि राज्य में सभी वृक्षारोपण का मानचित्रण किया जाए और एक डेटाबेस बनाया जाए जो वन रेंजरों की सहायता कर सके। हम भविष्य में वृक्षारोपण के लिए संभावित स्थानों का सुझाव देने के लिए उस डेटाबेस पर AI या मशीन लर्निंग का उपयोग भी करना चाहते थे।

उस प्रयास से हमने जो सीखा वह यह था कि हमारा प्रश्न गलत था। हम ऐतिहासिक डेटा और मौजूदा रिकॉर्ड का उपयोग करके ऊपर से नीचे तक काम करने की कोशिश कर रहे थे। यह डेटाबेस से सिफ़ारिशें तैयार करने के बारे में अधिक था। लेकिन बाद में हमें एहसास हुआ कि हमें इसे नीचे से ऊपर की ओर ले जाने की जरूरत है।

वास्तविक प्रश्न यह होना चाहिए था: AI का उपयोग करते हुए निर्णय लेने के समय एक वन रक्षक को ज़मीनी स्तर पर क्या मार्गदर्शन मिल सकता है?

दूसरा, पारिस्थितिक डेटा मौलिक रूप से प्रासंगिक है। एक पारिस्थितिक क्षेत्र में प्रशिक्षित मॉडल को स्वचालित रूप से दूसरे में स्थानांतरित नहीं किया जा सकता है। हिमालयी परिदृश्य ऊंचाई, वर्षा, ढलान, पहलू और मानव उपयोग के अनुसार तेजी से बदलते हैं।

तीसरा, एक अच्छी भविष्यवाणी का भी उपयोग नहीं किया जाएगा जब तक कि सिफारिश विभागीय वर्कफ़्लो, बजट, रोपण कार्यक्रम और सामुदायिक प्राथमिकताओं में फिट न हो।

चौथा, जब सिस्टम निर्णय की व्याख्या करता है तो फील्ड अधिकारियों के सिफ़ारिश में संलग्न होने की अधिक संभावना होती है। यह विशेष रूप से महत्वपूर्ण है जब मशीन की सिफारिशें क्षेत्र के अनुभव से भिन्न होती हैं।

पांचवां, AI/एमएल को एक अनुकूली सीखने की प्रक्रिया में एक भागीदार के रूप में माना जाना चाहिए। समुदाय और फ़ील्ड अधिकारी किसी अनुशंसा को स्वीकार, संशोधित या अस्वीकार कर सकते हैं। उन प्रतिक्रियाओं को प्रलेखित किया जाना चाहिए और सिस्टम में वापस डाला जाना चाहिए। पारिस्थितिक शासन में, मॉडल से असहमति अपने आप में मूल्यवान डेटा हो सकती है।

छठा, यह पहचानना कि किसी दिए गए स्थान पर किस पेड़ की प्रजाति को लगाया जाना चाहिए, उतना ही महत्वपूर्ण है जितना कि यह पहचानना कि कहाँ लगाया जाए। प्रजातियों की सिफारिशों के बिना, AI/एमएल-आधारित साइट उपयुक्तता आकलन अधूरा रहता है। यही कारण है कि अब हम व्हाट्सप्लांट मॉड्यूल को व्हेयरटूप्लांट में एकीकृत कर रहे हैं, और हमें उम्मीद है कि यह कार्यक्षमता जल्द ही उपलब्ध होगी।

वेंकटेश कन्नैया: हमें WhatToPlant के बारे में बताएं और यह कैसे काम करेगा।

डॉ. पुष्पेंद्र राणा: व्हेयरटूप्लांट यह पहचान करता है कि पारिस्थितिक बहाली कहां सबसे उपयुक्त है, जबकि वॉटटूप्लांट मूल वृक्ष प्रजातियों या प्रजातियों के संयोजन की पहचान करता है जो किसी दिए गए स्थान पर पनपने की सबसे अधिक संभावना है। WhatToPlant का बीटा संस्करण तैयार है और जल्द ही जारी किया जाएगा।

WhatToPlant को रेखांकित करने वाला डेटाबेस हिमाचल प्रदेश के विभिन्न क्षेत्रों में प्राकृतिक रूप से पाए जाने वाले पेड़ों के 226,000 से अधिक भू-संदर्भित क्षेत्र अवलोकनों से विकसित किया गया है।

प्रत्येक स्थान पर, सर्वेक्षण में 29 पर्यावरणीय भविष्यवक्ताओं के साथ वृक्ष प्रजातियों को रिकॉर्ड किया जाता है, जिसमें ऊंचाई, ढलान, इलाके की विशेषताएं और दीर्घकालिक तापमान और वर्षा पैटर्न का वर्णन करने वाले 19 जैव-जलवायु चर शामिल हैं। यह कार्य मिनेसोटा विश्वविद्यालय, इंडियन स्कूल ऑफ बिजनेस, आरईएसटी एनजीओ और सीएसआईआर-इंस्टीट्यूट ऑफ हिमालयन बायोरिसोर्स टेक्नोलॉजी से जुड़े वैज्ञानिकों जैसे भागीदारों के सहयोग से किया गया है।

प्रत्येक प्रजाति के पारिस्थितिक क्षेत्र को मॉडल करने के लिए इन क्षेत्र अवलोकनों को पर्यावरणीय डेटा के साथ एकीकृत किया गया है। यह प्रणाली हिमाचल प्रदेश में प्रत्येक 265-मीटर ग्रिड सेल में 98 देशी वृक्ष प्रजातियों के लिए आवास उपयुक्तता की भविष्यवाणी करती है। हमने जो किया है वह पूरे हिमाचल राज्य को कवर करने वाला एक दीवार-से-दीवार मानचित्र बनाना है। इसे लगभग 795,000 ग्रिड टाइलों में विभाजित किया गया है, और प्रत्येक टाइल सात हेक्टेयर है। यह पूरे हिमाचल राज्य के लिए वॉल-टू-वॉल भविष्यवाणी प्रणाली है।

जब कोई उपयोगकर्ता राज्य में कहीं भी WhatToPlant खोलता है, तो सिस्टम तुरंत पेड़ की प्रजातियों और प्रजातियों के संयोजन की सिफारिश करता है जो स्थानीय पारिस्थितिक परिस्थितियों में पनपने की सबसे अधिक संभावना है।

वेंकटेश कन्नैया: पारिस्थितिकी तंत्र के परिणामों की भविष्यवाणी के लिए AI/ML का कितना उपयोग किया जा सकता है?

डॉ. पुष्पेंद्र राणा: AI और मशीन लर्निंग बहुत उपयोगी हो सकते हैं, लेकिन उनकी पूर्वानुमानित सीमाओं को स्पष्ट रूप से समझा जाना चाहिए।

ये मॉडल तब सबसे अच्छा काम करते हैं जब विश्वसनीय डेटा होता है और जब पर्यावरणीय स्थितियाँ सुसंगत पैटर्न का पालन करती हैं। वे विभिन्न प्रजातियों के लिए उपयुक्त आवासों की पहचान करने, बहाली के लिए सर्वोत्तम स्थान ढूंढने, जंगल के नुकसान, आग और पर्यावरणीय क्षति का पता लगाने और जंगल की आग जैसे अल्पकालिक जोखिमों की भविष्यवाणी करने में मदद कर सकते हैं। यह उपग्रह या ड्रोन छवियों का उपयोग करके वनस्पति को वर्गीकृत कर सकता है, नए लगाए गए पेड़ों के जीवित रहने की संभावना का अनुमान लगा सकता है और बड़े परिदृश्यों में पारिस्थितिक पैटर्न की पहचान कर सकता है।

हालाँकि, पारिस्थितिकी तंत्र के परिणाम केवल जलवायु और मिट्टी से उत्पन्न नहीं होते हैं। वे चराई, आग, आक्रामक प्रजातियों, सामुदायिक भागीदारी और चरम मौसम से भी प्रभावित होते हैं।

AI/एमएल हमें बता सकता है कि एक साइट जैव-भौतिकीय रूप से उपयुक्त है। यह गारंटी नहीं दे सकता है कि पौधों की सुरक्षा की जाएगी, उन्हें पानी दिया जाएगा या उनका रखरखाव किया जाएगा, न ही यह अभूतपूर्व जलवायु परिस्थितियों की पूरी भविष्यवाणी कर सकता है।

वेंकटेश कन्नैया: हमें उन तकनीकों के बारे में बताएं जो पारिस्थितिकी तंत्र बहाली के क्षेत्र में हमारे सोचने के तरीके को बदल रही हैं।

डॉ पुष्पेंद्र राणा: उपग्रह इमेजरी है जो पारिस्थितिक बहाली को आवधिक क्षेत्र मूल्यांकन से निरंतर परिदृश्य निगरानी में बदल रही है। हम छत्र आवरण, वनस्पति स्वास्थ्य, आग, मिट्टी की नमी, भूमि क्षरण और बहाली की प्रगति में बदलाव का पता लगा सकते हैं।

ग्लोबल नेचर वॉच जैसे प्लेटफ़ॉर्म पुनर्स्थापन योजना और निगरानी के लिए उच्च-रिज़ॉल्यूशन जानकारी प्रदान करने के लिए पृथ्वी अवलोकन डेटा को एकीकृत करते हैं। हम न केवल यह निगरानी कर सकते हैं कि कितने पेड़ लगाए गए, बल्कि यह भी आकलन कर सकते हैं कि क्या पारिस्थितिकी तंत्र वास्तव में ठीक हो रहा है।

ऐसे एकीकृत डिजिटल प्लेटफ़ॉर्म हैं जो पारिस्थितिक डेटा, रिमोट सेंसिंग और परियोजना निगरानी को एक ही निर्णय-समर्थन प्रणाली में एक साथ ला रहे हैं।

ड्रोन का उपयोग उच्च-रिज़ॉल्यूशन मैपिंग, बीज फैलाव, जंगल की आग और मैंग्रोव निगरानी, वन्यजीव सर्वेक्षण और बहाली के बाद के मूल्यांकन के लिए तेजी से किया जा रहा है।

वेंकटेश कन्नैया: जैसे ही AI संरक्षण क्षेत्र में प्रवेश करता है, हम यह कैसे सुनिश्चित करते हैं कि स्थानीय ज्ञान मशीन इंटेलिजेंस को प्रतिस्थापित करने के बजाय पूरक करता है?

डॉ पुष्पेंद्र राणा: सबसे पहले, तकनीक को स्थानीय उपयोगकर्ताओं के साथ संयुक्त रूप से पहचानी गई समस्या का समाधान करना चाहिए। उपकरण पहले ही डिज़ाइन हो जाने के बाद ही समुदायों को शामिल नहीं किया जाना चाहिए।

दूसरा, सिफ़ारिशें समझाने योग्य होनी चाहिए। एक सिस्टम को यह बताना चाहिए कि वह किसी साइट या प्रजाति को उपयुक्त क्यों मानता है। यह स्थानीय उपयोगकर्ताओं को ठंढ, चराई, पानी की उपलब्धता, वन्य जीवन, या मिट्टी की स्थितियों की टिप्पणियों के साथ सिफारिश की तुलना करने की अनुमति देता है जो डेटासेट में दिखाई नहीं दे सकते हैं।

तीसरा, समुदायों को किसी अनुशंसा को संशोधित करने या अस्वीकार करने की क्षमता बरकरार रखनी चाहिए, और स्थानीय प्रतिक्रियाएं सीखने की प्रणाली का हिस्सा बननी चाहिए। जब कोई समुदाय किसी अनुशंसा को अस्वीकार करता है, तो कारण दर्ज किया जाना चाहिए। शायद साइट मौसमी जलभराव का अनुभव करती है, या अनुशंसित प्रजाति पशुधन के लिए असुरक्षित है, या भूमि का सांस्कृतिक उपयोग उपग्रह डेटा के लिए अदृश्य है।

शक्ति और लाभों के वितरण पर विचार किया जाना चाहिए। डेटा का मालिक कौन है? पुनर्स्थापना का उद्देश्य कौन तय करता है? सिफ़ारिश विफल होने पर कौन जवाबदेह है? लाभ किसे मिलता है? ये शासन के प्रश्न हैं जिन्हें तकनीकी रूप से हल नहीं किया जा सकता है।

वेंकटेश कन्नैया: हमें उन तकनीकी हस्तक्षेपों के बारे में बताएं जिन्होंने भारत में पारिस्थितिकी तंत्र बहाली, जलवायु अनुकूलन और जैव विविधता के क्षेत्र में काम किया है।

डॉ. पुष्पेंद्र राणा: सबसे पहले, भारतीय वन सर्वेक्षण के उपग्रह-आधारित जंगल की आग चेतावनी प्रणाली ने राज्य के वन विभागों को संभावित जंगल की आग के बारे में वास्तविक समय में जानकारी प्राप्त करने में सक्षम बनाया है।

दूसरा, चक्रवात की भविष्यवाणी, पूर्व चेतावनी, संचार और निकासी में भारत की प्रगति प्रभावी संस्थानों में अंतर्निहित प्रौद्योगिकी के सबसे मजबूत उदाहरणों में से एक का प्रतिनिधित्व करती है।

तीसरा, कैमरा ट्रैप ने वन्यजीव निगरानी में क्रांति ला दी है, विशेष रूप से व्यापक और मायावी प्रजातियों के लिए। स्थानिक कैप्चर-रीकैप्चर विधियों और AI-आधारित छवि वर्गीकरण के साथ मिलकर, वे प्रजातियों की बहुतायत, आंदोलन, अधिभोग और निवास स्थान के उपयोग का अनुमान लगाने में सक्षम होते हैं।

चौथा, जंगलों, मैंग्रोव, आर्द्रभूमि और तटीय पारिस्थितिक तंत्र में परिवर्तन की निगरानी के लिए रिमोट सेंसिंग एक अनिवार्य उपकरण बन गया है।

आखिरकार, डिजिटल निर्णय-समर्थन उपकरणों की बढ़ती श्रृंखला जटिल वैज्ञानिक जानकारी को किसानों, वन प्रबंधकों और स्थानीय समुदायों के लिए व्यावहारिक मार्गदर्शन में बदल रही है।

वेंकटेश कन्नैया: हमें उसी क्षेत्र में कुछ तकनीकी हस्तक्षेपों के बारे में बताएं जो विफल रहे हैं।

डॉ. पुष्पेंद्र राणा: मैं इन तकनीकी हस्तक्षेपों को विफलता नहीं कहूंगा। वे दिखाते हैं कि कैसे आशाजनक प्रौद्योगिकियाँ अपनी क्षमता का एहसास करने में विफल रहती हैं।

पर्याप्त पारिस्थितिक अनुवर्ती के बिना ड्रोन-आधारित वृक्षारोपण से सार्थक बहाली होने की संभावना नहीं है। बीजों को फैलाना पुनर्स्थापना प्रक्रिया में केवल एक कदम है। दीर्घकालिक सफलता उपयुक्त प्रजातियों के चयन, उपयुक्त मिट्टी और जलवायु परिस्थितियों, चराई प्रबंधन, अग्नि नियंत्रण, आक्रामक प्रजातियों के प्रबंधन और निरंतर संस्थागत और सामुदायिक समर्थन पर निर्भर करती है।

कई डिजिटल डैशबोर्ड प्रशासनिक संकेतकों पर ध्यान केंद्रित करते हैं जैसे कि वितरित पौधे, धन खर्च, या अपलोड की गई जियो-टैग की गई तस्वीरें। हालाँकि ये प्रणालियाँ कार्यक्रम की निगरानी में सुधार करती हैं, लेकिन यदि वे पारिस्थितिक परिणामों को नहीं मापते हैं तो वे सफलता का भ्रम पैदा कर सकते हैं।

विश्व स्तर पर प्रशिक्षित प्रजाति वितरण या कार्बन मॉडल व्यापक पैमाने की योजना और प्रारंभिक स्क्रीनिंग के लिए मूल्यवान हैं। हालाँकि, सटीक स्थानीय नुस्खों के रूप में उपयोग किए जाने पर वे खराब प्रदर्शन कर सकते हैं क्योंकि वे अक्सर मिट्टी या स्थानीय पारिस्थितिक ज्ञान में सूक्ष्म पैमाने पर भिन्नता को पकड़ नहीं सकते हैं।

AI, मशीन लर्निंग और रिमोट सेंसिंग एप्लिकेशन तकनीकी रूप से परिष्कृत हैं, लेकिन पायलट फंडिंग समाप्त होने के बाद इन्हें दीर्घकालिक रूप से अपनाया जाना सीमित है।

आखिरकार, प्रौद्योगिकी को केवल प्रशासनिक आउटपुट बढ़ाने के बजाय बेहतर पारिस्थितिक निर्णयों का समर्थन करना चाहिए।