मुंबई : चक्रीवादळानंतर काही तासांतच इमारती, रस्ते आणि पायाभूत सुविधा उद्ध्वस्त होतात. अशा वेळी मदतकार्य वेगाने पोहोचवण्यासाठी नुकसानीचे अचूक आणि विश्वासार्ह मूल्यमापन अत्यंत महत्त्वाचे ठरते. ही गरज लक्षात घेऊन भारतीय तंत्रज्ञान संस्था (आयआयटी) मुंबईच्या संशोधकांनी स्थानिक भान असलेले नवीन डीप-लर्निंग एआय मॉडेल विकसित केले असून, त्याला (स्पेशियली अवेअर डोमेन ॲडाप्टेशन नेटवर्क) असे नाव देण्यात आले आहे.
ऑक्टोबर-नोव्हेंबर 2025 या केवळ दोन महिन्यांत हिंदी महासागरात चार मोठी चक्रीवादळे निर्माण झाली. भारत, श्रीलंका आणि पूर्व आशियातील किनारपट्टीवर या वादळांनी मोठ्या प्रमाणात जीवित व वित्तहानी केली. जगभरातील आपत्ती व्यवस्थापन संस्था उपग्रह व ड्रोनद्वारे घेतलेल्या हवाई प्रतिमांच्या आधारे नुकसान मोजतात. मात्र या प्रतिमांमध्ये प्रकाश, भू-दृश्य, बांधकाम पद्धती आणि नुकसानाचे नमुने प्रदेशानुसार बदलत असल्याने अचूक विश्लेषण हे मोठे आव्हान ठरते.
एका प्रदेशासाठी प्रशिक्षित एआय मॉडेल दुसऱ्या प्रदेशात अपयशी ठरण्याची शक्यता असते; यालाच ‘डोमेन गॅप’ म्हटले जाते. हीच अडचण दूर करण्यासाठी स्पाडानेट विकसित करण्यात आले आहे. हे मॉडेल केवळ रंग किंवा आकार नव्हे, तर प्रतिमेतील स्थान, संदर्भ आणि शेजारील घटकांमधील संबंध लक्षात घेऊन नुकसान ओळखते.
आयआयटी मुंबईतील पीएचडी विद्यार्थी व पंतप्रधान रिसर्च फेलो तसेच या अभ्यासाचे प्रमुख लेखक प्रत्यूष तलरेजा यांनी माहिती देताना सांगितले की, सध्याची मॉडेल्स डोमेन गॅपचा विचार प्रामुख्याने संख्याशास्त्रीय पातळीवर करतात. स्पाडानेट मात्र प्रतिमेमधील स्थानिक मांडणी आणि वस्तूंमधील परस्पर संबंध यांवर भर देते आणि त्यातूनच माहिती देत असल्याचे सांगितले.
आयईईई जिओसायन्सेस अँड रिमोट सेन्सिंग लेटर्स या आंतरराष्ट्रीय जर्नलमध्ये प्रकाशित झालेल्या अभ्यासानुसार, स्पाडानेटने नुकसान-वर्गीकरणाच्या अचूकतेत विद्यमान पद्धतींपेक्षा 5 टक्क्यांहून अधिक सुधारणा साधली आहे. हार्वे (2017), मैथ्यू (2016) आणि मायकेल (2018) या चक्रीवादळांच्या डेटावर चाचण्या घेतल्या असता, केवळ 10 टक्के प्रतिमांना मानवी लेबल्स उपलब्ध असतानाही या मॉडेलने उत्कृष्ट कामगिरी केली असल्याची माहिती दिली आहे.
या मॉडेलचे आणखी एक महत्त्वाचे वैशिष्ट्य म्हणजे ते मर्यादित संगणन क्षमतेवर चालू शकते. टॅब्लेट आणि मोबाइलवर वापरण्यायोग्य असल्याने प्रत्यक्ष घटनास्थळीही ते उपयुक्त ठरणार आहे. राष्ट्रीय आपत्ती व्यवस्थापन प्राधिकरण यासारख्या संस्थांना भेडसावणाऱ्या ‘लेबल्सचा अभाव, मर्यादित हार्डवेअर आणि डोमेन गॅप’ या तीन प्रमुख समस्यांवर हे मॉडेल उत्तर देऊ शकते.
स्पाडानेट सुरुवातीला अचिन्हित प्रतिमांवर ‘सेल्फ-सुपरवाईज्ड लर्निंग’द्वारे स्वतः शिकते. त्यामुळे नंतर थोडीशी चिन्हित माहिती मिळाल्यावर ते अधिक अचूकपणे नुकसान ओळखू शकते. जागतिक तापमानवाढीमुळे चक्रीवादळांची तीव्रता आणि वारंवारता वाढत असताना, स्पाडानेटसारखी वेगवान, कमी खर्चिक आणि स्थानिक भान असलेली एआय साधने आपत्ती प्रतिसाद व्यवस्थेत ‘नियर-रिअल-टाइम’ निर्णयांसाठी अत्यंत महत्त्वाची ठरणार असल्याची माहिती या संशोधनाचे मार्गदर्शक प्रा. सूर्या दुर्भा यांनी दिली.
