স্যাটেলাইট ছবি দিয়ে বন্যা ম্যাপিং
বাংলাদেশ পৃথিবীর অন্যতম বন্যাপ্রবণ দেশ। প্রতি বছর কোথাও না কোথাও পানি ওঠে, আর বড় বন্যায় লাখো মানুষ ক্ষতিগ্রস্ত হন। ত্রাণ পৌঁছাতে, ক্ষতি হিসাব করতে আর পরের বারের প্রস্তুতি নিতে সবচেয়ে জরুরি প্রশ্ন: ঠিক কোথায় কোথায় পানি উঠেছে?
মাটিতে দাঁড়িয়ে এর উত্তর দেওয়া কঠিন। মহাকাশ থেকে অনেক সহজ।
মেঘ, সবচেয়ে বড় শত্রু
সাধারণ (অপটিক্যাল) স্যাটেলাইট ছবি অনেকটা আমাদের ক্যামেরার ছবির মতো। সমস্যা হলো, বন্যার সময়ই আকাশ মেঘে ঢাকা থাকে। মেঘের নিচে কী আছে, ক্যামেরা দেখতে পায় না।
সমাধান রাডার স্যাটেলাইট (SAR)। এরা নিজেরাই সংকেত পাঠায় আর ফিরে আসা সংকেত মাপে। মেঘ, বৃষ্টি, রাত, কিছুই আটকাতে পারে না। স্থির পানি সংকেতকে আয়নার মতো অন্যদিকে প্রতিফলিত করে, তাই রাডার ছবিতে পানি অন্ধকার দেখায়। ইউরোপের কিছু রাডার স্যাটেলাইটের ডেটা বিনামূল্যে পাওয়া যায়, যা গবেষণার জন্য দারুণ সুযোগ।
ছবি থেকে মানচিত্র
১. প্রস্তুতি: রাডার ছবিতে "স্পেকল" নামে দানাদার নয়েজ থাকে; সেটা কমানো, আর ছবিগুলো মানচিত্রের সাথে মেলানো।
২. পানি চেনা: সহজ পদ্ধতিতে একটা সীমা ঠিক করা হয়: সংকেত এর চেয়ে কম হলে পানি। কিন্তু ভেজা মাটি, পাকা রাস্তা, পাহাড়ের ছায়াও অন্ধকার দেখাতে পারে। তাই এখন ডিপ লার্নিং মডেল (যেমন U-Net বা ভিশন ট্রান্সফরমার) ব্যবহার হয়, যেগুলো আশেপাশের প্রসঙ্গ দেখে সিদ্ধান্ত নেয়।
৩. স্বাভাবিক পানি বাদ দেওয়া: নদী, পুকুর, বিল তো সবসময়ই থাকে। শুকনো মৌসুমের ছবির সাথে তুলনা করে শুধু বাড়তি পানি চিহ্নিত করা হয়।
৪. ক্ষতির হিসাব: বন্যার মানচিত্রের সাথে জনসংখ্যা, ফসলি জমি, রাস্তা আর স্কুলের মানচিত্র মিলিয়ে কত মানুষ আর কতটা জমি ক্ষতিগ্রস্ত, তার হিসাব।
import numpy as np
def pani_mask(sar_db: np.ndarray, threshold_db: float = -18.0) -> np.ndarray:
"""খুব সরল পদ্ধতি: সংকেত সীমার নিচে হলে পানি ধরা হলো।"""
return sar_db < threshold_db
notun_pani = pani_mask(bonnar_chhobi) & ~pani_mask(shukna_mousumer_chhobi)
print("বাড়তি পানির পিক্সেল:", notun_pani.sum())বাস্তব সিস্টেম অনেক জটিল, কিন্তু মূল ধারণা এটাই।
সময়ের সাথে বন্যা দেখা
স্যাটেলাইট কয়েক দিন পরপর একই জায়গার ছবি তোলে। ফলে দেখা যায় পানি কোন দিকে ছড়াচ্ছে, কোথায় কমছে, কোন এলাকায় পানি দীর্ঘদিন আটকে আছে।
চ্যালেঞ্জ
- শহরের বন্যা: উঁচু ভবনের কারণে রাডার সংকেত জটিল হয়; শহরের জলাবদ্ধতা ধরা কঠিন।
- গাছপালার নিচের পানি: ধানক্ষেত বা জঙ্গলের নিচে পানি সবসময় পরিষ্কার দেখা যায় না।
- লেবেলের অভাব: মডেল শেখাতে "এখানে পানি ছিল" এমন যাচাই করা উদাহরণ লাগে, যা সংগ্রহ করা সময়সাপেক্ষ।
- গতি: ত্রাণের সিদ্ধান্তে ঘণ্টা গুরুত্বপূর্ণ; ছবি আসা থেকে মানচিত্র তৈরি পর্যন্ত সময় কমানো জরুরি।
কেন এই কাজ আমার কাছে গুরুত্বপূর্ণ
আমার গবেষণা স্যাটেলাইট ছবি আর পরিবেশ নিয়ে, আর বাংলাদেশে বড় হওয়ায় বন্যার ছবি আমার কাছে শুধু ডেটা না। এই প্রযুক্তি দিয়ে দ্রুত সঠিক তথ্য পৌঁছালে ত্রাণ সঠিক জায়গায় যায়, পরিকল্পনা ভালো হয়, আর পরের বন্যার আগে প্রস্তুতি নেওয়া যায়।
তরুণ গবেষকদের জন্য
রিমোট সেন্সিং আর মেশিন লার্নিংয়ের সংযোগে বাংলাদেশের নিজের সমস্যা নিয়ে কাজ করার বিশাল সুযোগ: বন্যা, নদীভাঙন, উপকূলীয় লবণাক্ততা, ফসলের মানচিত্র, ম্যানগ্রোভ বন। ডেটা অনেকটাই বিনামূল্যে, টুলগুলো ওপেন সোর্স। দরকার শুধু আগ্রহ আর ধৈর্য। মহাকাশ থেকে নিজের দেশকে নতুন চোখে দেখার অভিজ্ঞতা অসাধারণ।