हमने एक फ़ोन एल्गोरिथम से 104 रात के आकाश की तस्वीरों का विश्लेषण किया। डेटा क्या दिखाता है, यहाँ बताया गया है।

क्या एक स्मार्टफोन कैमरा वास्तव में प्रकाश प्रदूषण (light pollution) को माप सकता है? हमने SkyQI के एल्गोरिथम को सत्यापित ग्राउंड-ट्रुथ डेटा के खिलाफ एक कठोर परीक्षण पर रखा।

क्या एक फ़ोन कैमरा वास्तव में प्रकाश प्रदूषण को माप सकता है? यह जानने के लिए हमने रात के आकाश की 104 तस्वीरों का विश्लेषण किया। परिणामों ने हमारी धारणाओं को चुनौती दी -- इसलिए नहीं कि एल्गोरिथम विफल रहा, बल्कि इसलिए कि यह उन तरीकों से सफल रहा जिनकी हमने उम्मीद नहीं की थी, और उन जगहों पर संघर्ष किया जो वास्तव में हर किसी के लिए मुश्किल साबित होती हैं, प्रशिक्षित खगोलविदों सहित।

यहाँ पूरा विश्लेषण दिया गया है।

प्रयोग

हमें एक स्पष्ट परीक्षण की आवश्यकता थी। अलग-अलग लोगों द्वारा, अलग-अलग कैमरों से, अलग-अलग आकाश के नीचे ली गई तस्वीरें -- लेकिन सत्यापित Bortle वर्गीकरण के साथ जिनकी तुलना में हम अपनी भविष्यवाणियों की जांच कर सकें।

हमने Wikimedia Commons से रात के आकाश की 104 तस्वीरें प्राप्त कीं। प्रत्येक का एक ज्ञात भौगोलिक स्थान था। हमने उन स्थानों को कई ग्राउंड-ट्रुथ स्रोतों से क्रॉस-रेफरेंस किया: पेशेवर निगरानी स्टेशनों से 734 Unihedron SQM (Sky Quality Meter) रीडिंग, 236 Globe at Night नागरिक विज्ञान अवलोकन, और NASA VIIRS उपग्रह रेडियंस डेटा जो भारत भर में 60,681 ग्रिड बिंदुओं को कवर करता है।

इन ओवरलैपिंग डेटासेट से, हमने प्रत्येक फोटो के स्थान के लिए "वास्तविक" Bortle क्लास स्थापित की।

फिर हमने हर फोटो को SkyQI की विश्लेषण पाइपलाइन के माध्यम से चलाया -- वही एल्गोरिथम जो skyqi.in पर अपलोड की गई तस्वीरों को प्रोसेस करता है। एल्गोरिथम तारे के घनत्व, आकाश की चमक, रंग तापमान, कृत्रिम प्रकाश संकेतों और क्षितिज की चमक की जांच करता है। यह एक अनुमानित SQM मान और Bortle वर्गीकरण आउटपुट करता है।

कोई चेरीपिकिंग नहीं। बाद में कोई पैरामीटर ट्यूनिंग नहीं। वही एल्गोरिथम, वही थ्रेशोल्ड, ब्लाइंड प्रेडिक्शन।

मुख्य संख्या: 65.4%

SkyQI ने 65.4% तस्वीरों (95% CI: 55.8% - 74.2%) के लिए Bortle क्लास को प्लस या माइनस एक क्लास के भीतर सही ढंग से अनुमानित किया।

क्या यह अच्छा है? संदर्भ मायने रखता है।

Bortle स्केल में 9 क्लास हैं। यदि आप प्रत्येक फोटो के लिए बेतरतीब ढंग से एक Bortle क्लास का अनुमान लगाते, तो आप लगभग 33% समय में एक क्लास के भीतर आते। SkyQI का 65.4% यादृच्छिक संभावना से लगभग दोगुना है -- एक फ़ोन कैमरे से एक JPEG का विश्लेषण करते हुए, बिना GPS-आधारित लुकअप, बिना हार्डवेयर सेंसर, और बिना मानवीय व्याख्या के।

यह भी ध्यान देने योग्य है कि व्यवहार में "एक Bortle क्लास के भीतर" का क्या अर्थ है। Bortle 3 और Bortle 4 के बीच का अंतर इतना सूक्ष्म है कि अनुभवी शौकिया खगोलविद अक्सर इस पर असहमत होते हैं। एक क्लास से हटकर एक प्रणाली, कई मामलों में, मानवीय निर्णय के शोर स्तर के भीतर होती है।

जहाँ एल्गोरिथम चमकता है: चरम सीमाएँ

Bortle स्केल में सटीकता एक समान नहीं थी। यह सिरों पर काफी बेहतर थी।

अंधेरे आकाश (Bortle 1-2): 77.3% सटीकता (n=66)

वास्तव में अंधेरे आकाश के नीचे, संकेत स्पष्ट होता है। घने तारे के क्षेत्र, कम आकाश की चमक, कोई कृत्रिम प्रकाश संकेत नहीं, शांत रंग तापमान। एल्गोरिथम इन सभी को उच्च आत्मविश्वास के साथ पहचानता है।

शहरी आकाश (Bortle 7-9): 75.0% सटीकता (n=16)

भारी प्रकाश प्रदूषण वाले आकाश भी उतने ही विशिष्ट होते हैं, बस विपरीत दिशा में। कुछ या कोई तारे नहीं पाए जाते, उच्च समग्र चमक, सोडियम और LED स्ट्रीट लाइटिंग से गर्म रंग, उज्ज्वल क्षितिज की चमक। एल्गोरिथम इन संकेतों को स्पष्ट रूप से पढ़ता है।

ये परिणाम सहज ज्ञान युक्त लगते हैं। एक प्राचीन अंधेरा आकाश और एक धुंधला शहरी आकाश इस तरह से दृष्टिगत रूप से भिन्न होते हैं कि एक संपीड़ित स्मार्टफोन JPEG भी उन्हें संरक्षित रखता है। उन्हें अलग करने वाली विशेषताएं -- तारों की संख्या, चमक, रंग -- ठीक वही हैं जिन्हें छवि विश्लेषण अच्छी तरह से पहचान सकता है।

कठिन मध्य: Bortle 3-6

उपनगरीय और संक्रमणकालीन आकाश (Bortle 3 से 6 तक) एल्गोरिथम का सबसे कमजोर क्षेत्र थे। इस सीमा में सटीकता में उल्लेखनीय गिरावट आई।

यह कोई आश्चर्य की बात नहीं है। वास्तव में, अगर एल्गोरिथम ने यहाँ भी उतना ही अच्छा प्रदर्शन किया होता तो यह संदिग्ध होता। यहाँ बताया गया है क्यों।

स्केल के मध्य में आसन्न Bortle क्लास के बीच दृश्य अंतर वास्तव में सूक्ष्म होते हैं। Bortle 4 पर, मिल्की वे दिखाई देता है लेकिन प्रमुख नहीं होता। Bortle 5 पर, यह शीर्ष के पास मुश्किल से दिखाई देता है। उनके बीच की सीमा वायुमंडलीय स्थितियों, पर्यवेक्षक के अनुकूलन, और -- महत्वपूर्ण रूप से -- कैमरा सेटिंग्स पर निर्भर करती है जो फ़ोन मॉडल के बीच बहुत भिन्न होती हैं।

पेशेवर खगोलविद इन संक्रमणकालीन आकाशों को ज्ञात स्पेक्ट्रल प्रतिक्रियाओं वाले कैलिब्रेटेड उपकरणों का उपयोग करके वर्गीकृत करते हैं। स्वचालित एक्सपोजर, अज्ञात ISO, और JPEG संपीड़न वाले फ़ोन कैमरे को बहुत कम जानकारी के साथ काम करना पड़ता है।

एल्गोरिथम उसी अस्पष्टता से जूझता है जिससे मनुष्य जूझते हैं। अंतर यह है कि मनुष्य संदर्भ को एकीकृत कर सकते हैं (उनकी आँखें कितने समय से अनुकूलित हुई हैं, क्षितिज हर दिशा में कैसा दिखता है, क्या मिल्की वे संरचना हल करने योग्य है) जबकि एल्गोरिथम केवल एक ही फ्रेम में पिक्सेल देखता है।

फ़ोन बनाम उपग्रह: एक ही समस्या पर विभिन्न दृष्टिकोण

अधिक दिलचस्प सत्यापन जांचों में से एक SkyQI के स्मार्टफोन-आधारित मापों की तुलना NASA के VIIRS उपग्रह डेटा से करना था। सहसंबंध गुणांक r = 0.577 (p < 0.001) था -- एक सांख्यिकीय रूप से महत्वपूर्ण सकारात्मक संबंध।

लेकिन तुलना केवल "वे सहमत हैं" से कहीं अधिक सूक्ष्म बात बताती है।

उपग्रह और स्मार्टफोन मौलिक रूप से अलग-अलग चीजें मापते हैं। VIIRS अपवेलिंग रेडियंस को मापता है -- पृथ्वी की सतह से ऊपर अंतरिक्ष में निकलने वाला प्रकाश। यह आपको बताता है कि एक शहर कितना प्रकाश उत्सर्जित कर रहा है। स्मार्टफोन (SkyQI के माध्यम से) डाउनवेलिंग स्काई ब्राइटनेस को मापते हैं -- जमीन से ऊपर देखने पर आकाश कितना उज्ज्वल दिखाई देता है। यह आपको बताता है कि एक पर्यवेक्षक वास्तव में कितना प्रकाश प्रदूषण अनुभव करता है।

ये दोनों मात्राएँ सहसंबंधित हैं, लेकिन वे समान नहीं हैं। एक शहर ऊपर की ओर बहुत अधिक प्रकाश उत्सर्जित कर सकता है (उच्च VIIRS रेडियंस) लेकिन स्थानीय स्थलाकृति, वायुमंडलीय स्थितियाँ, या दिशात्मक परिरक्षण जमीनी स्तर के प्रभाव को कम कर सकते हैं। इसके विपरीत, एक स्थान पर अपेक्षाकृत कम अपवेलिंग रेडियंस हो सकता है लेकिन एक दूर के शहर से बिखरा हुआ प्रकाश प्राप्त हो सकता है, जिससे आकाश उपग्रह के अनुमान से अधिक उज्ज्वल दिखाई देगा।

r = 0.577 सहसंबंध पुष्टि करता है कि SkyQI के माप अपेक्षित भौतिक संबंध को ट्रैक करते हैं। लेकिन अपूर्ण सहसंबंध जमीनी स्तर के मापों के अद्वितीय मूल्य को भी उजागर करता है: वे कैप्चर करते हैं कि एक व्यक्ति वास्तव में क्या देखता है, जो अंततः खगोल विज्ञान, पारिस्थितिकी और मानवीय अनुभव के लिए मायने रखता है।

उपग्रह कवरेज प्रदान करते हैं। स्मार्टफोन रिज़ॉल्यूशन प्रदान करते हैं। दोनों की आवश्यकता है।

डेटा से सुझाव: क्या एक फोटो को अधिक सटीक बनाता है

उन तस्वीरों को देखते हुए जहाँ SkyQI ने सबसे अच्छा प्रदर्शन किया, स्पष्ट पैटर्न उभरे कि क्या एक उपयोगी माप को एक शोर वाले माप से अलग करता है।

सीधे ऊपर की ओर इशारा करें। ज़ेनिथ शॉट्स (कैमरा सीधे ऊपर की ओर लक्षित) ने सबसे विश्वसनीय परिणाम दिए। एल्गोरिथम पहले से ही क्षितिज संदूषण से बचने के लिए प्रत्येक छवि के निचले 20% को बाहर कर देता है, लेकिन ज़ेनिथ ओरिएंटेशन के साथ शुरू करने से इसे काम करने के लिए सबसे स्वच्छ डेटा मिलता है।

चंद्रमा से बचें। चाँदनी सबसे बड़ा प्राकृतिक भ्रम पैदा करने वाला कारक है। एक पूर्णिमा आकाश की चमक को Bortle 2 से स्पष्ट Bortle 5 या 6 तक बढ़ा सकती है। यदि आप प्रकाश प्रदूषण को माप रहे हैं, तो आप कृत्रिम संकेत चाहते हैं, न कि चंद्र संकेत। अमावस्या के चरणों के दौरान या जब चंद्रमा क्षितिज के नीचे हो तब शूट करें।

लंबे एक्सपोजर मदद करते हैं। नाइट मोड में फ़ोन कैमरे आमतौर पर मल्टी-सेकंड एक्सपोजर का उपयोग करते हैं। लंबे एक्सपोजर मंद तारों को कैप्चर करते हैं, जिससे तारा पहचान एल्गोरिथम को काम करने के लिए अधिक जानकारी मिलती है। यदि आपके फ़ोन में मैनुअल या "प्रो" मोड है, तो उच्च ISO पर 10-15 सेकंड के एक्सपोजर का प्रयास करें।

क्षितिज से दूर रहें। क्षितिज के पास पेड़, इमारतें और भूभाग कलाकृतियाँ बनाते हैं। क्षितिज की चमक एक वास्तविक प्रकाश प्रदूषण संकेतक है, लेकिन अग्रभूमि वस्तुओं के साथ मिश्रित होने पर, यह विश्लेषण को भ्रमित करती है। एल्गोरिथम को क्षितिज की चमक का पता लगाने का काम अपने आप करने दें -- उसे विश्लेषण करने के लिए साफ आकाश दें।

नागरिक विज्ञान के लिए इसका क्या अर्थ है

ईमानदार रहें: 65.4% सटीकता का मतलब है कि लगभग हर तीन तस्वीरों में से एक Bortle क्लास से अधिक से हटकर होगी। एक अकेला स्मार्टफोन फोटो एक कैलिब्रेटेड SQM मीटर का विकल्प नहीं है।

लेकिन नागरिक विज्ञान कभी भी व्यक्तिगत सटीकता के बारे में नहीं रहा है। यह कुल शक्ति के बारे में है।

विचार करें: यदि एक व्यक्ति एक फोटो लेता है, तो आपको एक शोरगुल वाला अनुमान मिलता है। यदि 50 लोग एक ही महीने में एक ही आकाश की एक-एक फोटो लेते हैं, तो त्रुटियाँ औसत हो जाती हैं। कुछ तस्वीरें बहुत उज्ज्वल दिखेंगी, कुछ बहुत अंधेरी, लेकिन केंद्रीय प्रवृत्ति वास्तविक मूल्य पर अभिसरित होती है। यह वही सांख्यिकीय सिद्धांत है जो व्यक्तिगत प्रतिक्रियाओं के अविश्वसनीय होने के बावजूद जनमत सर्वेक्षणों को काम करता है।

पर्याप्त स्थानों पर पर्याप्त उपयोगकर्ताओं से पर्याप्त मापों के साथ, ऐसे पैटर्न उभरते हैं जिन्हें कोई भी अकेला उपकरण कैप्चर नहीं कर सकता। साप्ताहिक रुझान। मौसमी परिवर्तन। एक नए राजमार्ग इंटरचेंज या एक डार्क-स्काई अध्यादेश का प्रभाव। एक शहर के केंद्र से आसपास के ग्रामीण इलाकों तक स्थानिक ढाल।

Globe at Night ने 236 अवलोकनों के साथ इसे प्रदर्शित किया है जो सत्यापित प्रकाश प्रदूषण मानचित्रों में फीड होते हैं। SkyQI स्वचालित स्मार्टफोन विश्लेषण के साथ उसी सिद्धांत का विस्तार करता है -- कम व्यक्तिगत सटीकता, लेकिन नाटकीय रूप से कम घर्षण। याद रखने के लिए कोई तारा चार्ट नहीं, कोई 10 मिनट का डार्क अनुकूलन प्रोटोकॉल नहीं, कोई मैनुअल रिपोर्टिंग फॉर्म नहीं। बस अपने फ़ोन को आकाश की ओर इंगित करें और अपलोड पर टैप करें।

पैमाना शोर की भरपाई करता है। यही नागरिक विज्ञान का मौलिक दांव है, और डेटा इसका समर्थन करता है।

इसे स्वयं आज़माएँ

SkyQI पर अपलोड की गई प्रत्येक फोटो भारत और उसके बाहर ग्राउंड-ट्रुथ आकाश गुणवत्ता मापों के बढ़ते डेटासेट में योगदान करती है।

skyqi.in पर जाएँ, अपने फ़ोन को आकाश की ओर इंगित करें, और एक फोटो अपलोड करें। आपको तत्काल Bortle वर्गीकरण, SQM अनुमान, और एल्गोरिथम ने क्या पता लगाया उसका विश्लेषण मिलेगा -- तारों की संख्या, कृत्रिम प्रकाश संकेत, रंग तापमान, और आत्मविश्वास स्तर।

आपका माप एक इंटरैक्टिव मानचित्र पर हजारों अन्य मापों में शामिल हो जाता है। समय के साथ, ये माप इस बात की तस्वीर पेश करेंगे कि हमारे रात के आकाश कैसे बदल रहे हैं -- एक समय में एक फ़ोन फोटो।

यह विश्लेषण SkyQI सत्यापन अध्ययन (2025) पर आधारित है, जिसने प्लेटफॉर्म के इमेज एनालिसिस एल्गोरिथम का मूल्यांकन 104 Wikimedia Commons तस्वीरों के खिलाफ किया, जिनमें सत्यापित Bortle वर्गीकरण थे। पूरी कार्यप्रणाली और सांख्यिकीय विश्लेषण हमारे शोध पत्र में उपलब्ध हैं जो Journal of Emerging Investigators को प्रस्तुत किया गया है।