കാട്ടുതീ കാത്തുനിൽക്കുന്നില്ല. അവ ആവാസവ്യവസ്ഥകളെ തകർക്കുകയും, വന്യജീവികളെ കുടിയൊഴിപ്പിക്കുകയും, മുന്നറിയിപ്പില്ലാതെ സമൂഹങ്ങളെ ഭീഷണിപ്പെടുത്തുകയും ചെയ്യുന്നു.

കാട്ടുതീ കാത്തുനിൽക്കില്ല. അവ പരിസ്ഥിതി വ്യവസ്ഥകളെ തകർക്കുകയും വന്യജീവികളെ കുടിയൊഴിപ്പിക്കുകയും മുന്നറിയിപ്പില്ലാതെ സമൂഹങ്ങളെ ഭീഷണിപ്പെടുത്തുകയും ചെയ്യുന്നു. നിയന്ത്രിക്കാൻ കഴിയുന്ന ഒരു ചെറിയ തീപിടുത്തവും വിനാശകരമായ ഒരു വലിയ തീപിടുത്തവും തമ്മിലുള്ള വ്യത്യാസം പലപ്പോഴും മിനിറ്റുകൾ മാത്രമാണ്. നേരത്തെയുള്ള കണ്ടെത്തലാണ് പ്രധാനം. എന്നിരുന്നാലും, പതിറ്റാണ്ടുകളായി നമ്മൾ ഉപയോഗിച്ചുവരുന്ന രീതികൾ വളരെ സാവധാനത്തിലുള്ളതോ, അപൂർണ്ണമായതോ, അല്ലെങ്കിൽ തീ ചെറുതായിരിക്കുമ്പോൾ തന്നെ അത് തടയാൻ കഴിയാത്തവിധം പ്രതികരണാത്മകത കുറഞ്ഞതോ ആണ്.

ഫയർ വാച്ച് ടവറുകൾ, ഇടയ്ക്കിടെയുള്ള വ്യോമപരിശോധനകൾ, സാറ്റലൈറ്റ് നിരീക്ഷണങ്ങൾ എന്നിവ എണ്ണമറ്റ ഏക്കറുകൾ രക്ഷിച്ചിട്ടുണ്ടെങ്കിലും അവയിൽ അപകടകരമായ പോരായ്മകളുണ്ട്. മങ്ങിയ ഒരു ഉച്ചസമയത്ത് പുകയുടെ നേർത്ത പാളി ഒരു റെഞ്ചർ ശ്രദ്ധിക്കാതെ പോയേക്കാം. ഒരു സാറ്റലൈറ്റ് ഏതാനും മണിക്കൂറുകൾക്ക് ഒരിക്കൽ മാത്രമേ ആകാശത്തിലൂടെ കടന്നുപോകാറുള്ളൂ, ഇത് തീ പടരാൻ അനുമതി നൽകുന്ന ഇടവേളകൾ സൃഷ്ടിക്കുന്നു. ദൂരെ നിന്ന് പുക കാണാൻ തുടങ്ങുമ്പോഴേക്കും തീ പലപ്പോഴും നിയന്ത്രണാതീതമായി മാറിയിട്ടുണ്ടാകും.

ഇപ്പോൾ ഇമേജ് പ്രോസസ്സിംഗും കമ്പ്യൂട്ടർ വിഷനും (computer vision) വന്യതയെ നാം നിരീക്ഷിക്കുന്ന രീതിയെ മാറ്റിമറിച്ചുകൊണ്ടിരിക്കുകയാണ്. ചക്രവാളത്തിലേക്ക് നോക്കുന്ന മനുഷ്യനേത്രങ്ങളെ മാത്രം ആശ്രയിക്കുന്നതിന് പകരം, ക്യാമറകളുടെ ശൃംഖലകൾ തത്സമയ ദൃശ്യങ്ങൾ അൽഗോരിതങ്ങളിലേക്ക് എത്തിക്കുന്നു. അസാധാരണമായ എന്തെങ്കിലും കണ്ടാലുടൻ അത് തിരിച്ചറിയാൻ ഈ അൽഗോരിതങ്ങളെ പരിശീലിപ്പിച്ചിരിക്കുന്നു. നിറങ്ങളിലെ മാറ്റങ്ങൾ, ചലന രീതികൾ, പുകയുടെയോ തീയുടെയോ അടയാളങ്ങൾ എന്നിവ ഈ സാങ്കേതികവിദ്യ നിരീക്ഷിക്കുന്നു. എന്തെങ്കിലും അസ്വാഭാവികമായി തോന്നിയാൽ സിസ്റ്റം ഉടൻ തന്നെ ഒരു മുന്നറിയിപ്പ് നൽകുന്നു. തീ ചതുരശ്ര കിലോമീറ്ററുകളിലേക്ക് പടരുന്നതിന് മുമ്പ്, അതായത് ചതുരശ്ര മീറ്ററുകളിൽ മാത്രം നിൽക്കുമ്പോൾ തന്നെ അഗ്നിശമന സേനയ്ക്ക് നടപടിയെടുക്കാൻ സമയം ലഭിക്കുന്നു.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു

ഇത് ഹാർഡ്‌വെയറിൽ നിന്നാണ് ആരംഭിക്കുന്നത്. മലനിരകളിലോ കമ്മ്യൂണിക്കേഷൻ ടവറുകളിലോ പ്രത്യേക മാസ്റ്റുകളിലോ സ്ഥാപിച്ചിട്ടുള്ള ക്യാമറകൾ വനമേഖലകളുടെ തുടർച്ചയായ വീഡിയോ ദൃശ്യങ്ങൾ പകർത്തുന്നു. ചില സംവിധാനങ്ങളിൽ സാധാരണ വിസിബിൾ-ലൈറ്റ് ക്യാമറകൾ ഉപയോഗിക്കുന്നു. പുക കുറവാണെങ്കിലോ കാഴ്ച മങ്ങിയതാണെങ്കിലോ താപനില തിരിച്ചറിയാൻ മറ്റ് സംവിധാനങ്ങളിൽ തെർമൽ ഇമേജിംഗ് (thermal imaging) ഉൾപ്പെടുത്തുന്നു. ഏതായാലും, ഈ ദൃശ്യങ്ങൾ ഭൂപ്രകൃതിക്ക് അനുസൃതമായി വയർ വഴിയോ വയർലെസ്സ് വഴിയോ ഒരു പ്രോസസ്സിംഗ് ഹബ്ബിലേക്ക് എത്തിക്കുന്നു.

അവിടെ കമ്പ്യൂട്ടർ വിഷൻ അൽഗോരിതങ്ങൾ പ്രവർത്തിക്കുന്നു. അവ വരുന്ന ഫ്രെയിമുകളിൽ നിന്ന് പ്രത്യേക സൂചനകൾ വിശകലനം ചെയ്യുന്നു. പച്ചപ്പിൽ നിന്ന് ഉയരുന്ന പുക, മേഘങ്ങളുടെ നിഴലുകളിൽ നിന്നോ പ്രഭാതത്തിലെ മഞ്ഞിൽ നിന്നോ തികച്ചും വ്യത്യസ്തമായ നിറവ്യത്യാസം സൃഷ്ടിക്കുന്നു. സൂര്യപ്രകാശത്തിന്റെ പ്രതിഫലനങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായ പ്രത്യേകതകളോടെയാണ് തീജ്വാലകൾ മിന്നുന്നത്. മരങ്ങളുടെ സ്വാഭാവികമായ ചലനങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി മുകളിലേക്ക് ഉയരുന്ന ചലനങ്ങൾ കണ്ടെത്താൻ അത്യാധുനിക സംവിധാനങ്ങൾ തുടർച്ചയായ ഫ്രെയിമുകളെ താരതമ്യം ചെയ്യുന്നു. കടന്നുപോകുന്ന വാഹനങ്ങളിൽ നിന്നുള്ള പൊടിപടലങ്ങളോ താഴ്വരയിലൂടെ ഒഴുകുന്ന മഞ്ഞോ പോലുള്ള സാധാരണ സംഭവങ്ങളെ ഒഴിവാക്കാൻ ഈ സോഫ്റ്റ്‌വെയറിന് സാധിക്കുന്നു.

കണ്ടെത്തൽ എന്നത് പകുതി പോരാട്ടം മാത്രമാണ്. എപ്പോൾ നടപടിയെടുക്കണമെന്ന് സിസ്റ്റം തീരുമാനിക്കുകയും വേണം. ഒരു ശക്തമായ പ്ലാറ്റ്‌ഫോം ക്യാമറയുടെ ദിശയും ഭൂമിശാസ്ത്രവും ഉപയോഗിച്ച് തീപിടുത്തത്തിന്റെ കൃത്യമായ സ്ഥാനം (coordinates) കണക്കാക്കുന്നു. അതിനുശേഷം, കണ്ടെത്തൽ നടന്ന് നിമിഷങ്ങൾക്കുള്ളിൽ തന്നെ ഡിസ്പാച്ച് സെന്ററുകൾക്കോ ഫീൽഡ് ക്രൂവിനോ നേരിട്ട് മുന്നറിയിപ്പ് നൽകാൻ ഇതിന് കഴിയും. ആ വേഗത വളരെ പ്രധാനമാണ്. പത്ത് ചതുരശ്ര മീറ്ററിൽ കാണുന്ന ഒരു തീപിടുത്തം ഒരു ചെറിയ സംഘത്തിനും അടിസ്ഥാന ഉപകരണങ്ങൾ ഉപയോഗിച്ചും നിയന്ത്രിക്കാൻ കഴിഞ്ഞേക്കാം. എന്നാൽ ഒരു മണിക്കൂർ വൈകിയാൽ, അതേ തീപിടുത്തം നിയന്ത്രിക്കാൻ വിമാനങ്ങളും നൂറുകണക്കിന് ആളുകളും റോഡുകൾ അടയ്ക്കേണ്ടി വരുന്ന അവസ്ഥയുണ്ടാകും.

അൽഗോരിതങ്ങൾ യഥാർത്ഥത്തിൽ എന്താണ് തിരയുന്നത്

നിലവിലെ രീതികളിൽ പ്രധാനമായും മൂന്ന് സവിശേഷതകളാണ് ഉപയോഗിക്കുന്നത്.

നിറങ്ങളിലെ വ്യതിയാനം (Color aberration). ആരോഗ്യകരമായ വനമേഖലകൾ പ്രകാശത്തെ പ്രവചിക്കാവുന്ന രീതിയിൽ പ്രതിഫലിപ്പിക്കുന്നു. എന്നാൽ പുക നിറങ്ങളിൽ ചാരനിറവും തവിട്ടുനിറവും കലർത്തുന്നതിലൂടെ ആ രീതികൾ മാറുന്നു. തീജ്വാലകൾ കാണുന്നതിന് മുമ്പ് തന്നെ, പുതിയൊരു തീപിടുത്തം മൂലമുണ്ടാകുന്ന അന്തരീക്ഷത്തിലെ മങ്ങൽ ഒരു രംഗത്തിന്റെ കളർ ഹിസ്റ്റോഗ്രാമിൽ മാറ്റം വരുത്തുന്നു. അൽഗോരിതങ്ങൾ ഈ ഹിസ്റ്റോഗ്രാം മാറ്റങ്ങൾ നിരീക്ഷിക്കുന്നു.

ചലന രീതികൾ (Motion dynamics). പുക കാലാവസ്ഥയെപ്പോലെയല്ല പെരുമാറുന്നത്. അത് ഉയരുകയും വികസിക്കുകയും അനിശ്ചിതത്വത്തോടെ ഒഴുകുകയും ചെയ്യുന്നു. മേഘങ്ങളിൽ നിന്നോ പറക്കുന്ന അവശിഷ്ടങ്ങളിൽ നിന്നോ പുകയെ വേർതിരിച്ചറിയാൻ കമ്പ്യൂട്ടർ വിഷൻ മോഡലുകൾ ഒപ്റ്റിക്കൽ ഫ്ലോ (optical flow) ഉപയോഗിച്ച് വസ്തുക്കളുടെ ചലനം നിരീക്ഷിക്കുന്നു.

താപ അടയാളം (Thermal signature). ഇൻഫ്രാറെഡ് ക്യാമറകൾ പ്രകാശത്തേക്കാൾ ഉപരിയായി താപം തിരിച്ചറിയുന്നു. ഇലകൾക്കിടയിൽ പുകയില്ലാതെ കത്തുന്ന തീ പകൽസമയത്ത് കാണാൻ കഴിയില്ലെങ്കിലും അത് ഇൻഫ്രാറെഡ് വികിരണം പുറപ്പെടുവിക്കുന്നു. തെർമൽ സെൻസറുകൾ ഇത് ഉടൻ തന്നെ തിരിച്ചറിയുന്നു, ഇത് തീജ്വാലകൾ പുറത്തുവരുന്നതിന് മുമ്പ് തന്നെ അത് അണയ്ക്കാൻ സഹായിക്കുന്നു.

വനങ്ങളിൽ പ്രായോഗികമായി നടപ്പിലാക്കുമ്പോൾ

ക്യാമറകൾ എവിടെ സ്ഥാപിക്കണം, എങ്ങനെ ഊർജ്ജം നൽകണം എന്നതിനെക്കുറിച്ച് പ്രായോഗികമായ തീരുമാനങ്ങൾ എടുക്കേണ്ടതുണ്ട്. വനങ്ങളിൽ സാധാരണയായി വൈദ്യുതിയോ ഫൈബർ ഇന്റർനെറ്റോ ലഭ്യമാകില്ല. അതിനാൽ ക്യാമറകൾ സ്ഥാപിക്കാൻ സോളാർ പാനലുകൾ, ബാറ്ററി ബാങ്കുകൾ, സെല്ലുലാർ അല്ലെങ്കിൽ റേഡിയോ ലിങ്കുകൾ എന്നിവയെ ആശ്രയിക്കേണ്ടി വരുന്നു. മരങ്ങളുടെ വളർച്ച, കാലാവസ്ഥാ വ്യതിയാനങ്ങൾ, വന്യജീവികളുടെ ഇടപെടൽ എന്നിവയും എഞ്ചിനീയർമാർ പരിഗണിക്കേണ്ടതുണ്ട്. ഉദാഹരണത്തിന്, വസന്തകാലത്ത് സ്ഥാപിച്ച ഒരു ക്യാമറ, ശരിയായ പ്ലാനിംഗ് ഇല്ലെങ്കിൽ വേനൽക്കാലത്തെ ഇലകൾ കാരണം മറഞ്ഞുപോയേക്കാം.

കവറേജ് പാറ്റേണുകളും (Coverage patterns) പ്രധാനമാണ്. ഉയർന്ന ഒരു കൊടുമുടിക്കുമുകളിൽ സ്ഥാപിച്ച ഒറ്റ ക്യാമറയ്ക്ക് പല ചതുരശ്ര കിലോമീറ്ററുകൾ നിരീക്ഷിക്കാൻ കഴിയും, എന്നാൽ താഴ്വരകളും ഇടതൂർന്ന കാടുകളും തീ ഒളിച്ചിരിക്കാൻ സാധ്യതയുള്ള നിഴലുകൾ സൃഷ്ടിക്കുന്നു. ഏറ്റവും ഫലപ്രദമായ ശൃംഖലകൾ വിവിധ കോണുകളിൽ നിന്നുള്ള ഓവർലാപ്പിംഗ് ഫീൽഡുകൾ ഓഫ് വ്യൂ (overlapping fields of view) ഉപയോഗിക്കുന്നു. ഈ റിഡൻഡൻസി (redundancy) അന്ധമായ ഇടങ്ങൾ (blind spots) ഇല്ലാതാക്കുക മാത്രമല്ല, ഒരു ഒറ്റ സെൻസറിനേക്കാൾ കൃത്യമായി പുകയുടെ ഉറവിടത്തിലേക്കുള്ള ദൂരം കണക്കാക്കാൻ സഹായിക്കുകയും ചെയ്യുന്നു.

മനുഷ്യരുടെ പങ്കാളിത്തം നിലനിർത്തുക

ഓട്ടോമേഷൻ എന്നാൽ പ്രക്രിയയിൽ നിന്ന് മനുഷ്യരെ ഒഴിവാക്കുക എന്നല്ല അർത്ഥമാക്കുന്നത്. മികച്ച സംവിധാനങ്ങൾ ഇമേജ് പ്രോസസിംഗിനെ (image processing) ഒരു തളരാത്ത ആദ്യഘട്ട ഫിൽട്ടറായിട്ടാണ് കാണുന്നത്, അല്ലാതെ മനുഷ്യന്റെ വിവേചനബുദ്ധിക്ക് പകരക്കാരനായല്ല. ഒരു പരിശീലനം ലഭിച്ച ഡിസ്പാച്ചർ, വിഭവങ്ങൾ വിനിയോഗിക്കുന്നതിന് മുമ്പ് ഭീഷണി സ്ഥിരീകരിക്കുന്നതിനായി അലേർട്ട് ചിത്രമോ വീഡിയോ ക്ലിപ്പോ പരിശോധിക്കുന്നു. ഈ ഹൈബ്രിഡ് സമീപനം യന്ത്രത്തിന്റെ വേഗതയും മനുഷ്യർ നൽകുന്ന സാഹചര്യപരമായ ധാരണയും (contextual understanding) ഒരുപോലെ ഉപയോഗപ്പെടുത്തുന്നു. അത് പുകയാണോ, അതോ അടുത്തുള്ള ഒരു കർഷകൻ നിയമപരമായി വിള അവശിഷ്ടങ്ങൾ കത്തിക്കുകയാണോ? ഒരു പ്രാദേശിക ഓപ്പറേറ്റർക്ക് പലപ്പോഴും ഈ വ്യത്യാസം അറിയാൻ സാധിക്കും.

ഫാൽസ് പോസിറ്റീവുകൾ (False positives) ഏതൊരു ഡിറ്റക്ഷൻ ശൃംഖലയുടെയും പ്രായോഗിക ശത്രുവാണ്. ഇടയ്ക്കിടെ തെറ്റായ മുന്നറിയിപ്പുകൾ നൽകുന്ന ഒരു സംവിധാനത്തെ കാലക്രമേണ അവഗണിക്കും. ആധുനിക രീതികൾ ഒന്നിലധികം ഡിറ്റക്ഷൻ ഘട്ടങ്ങൾ ഉപയോഗിച്ച് ഇതിനെ പ്രതിരോധിക്കുന്നു. ഒരു പ്രാഥമിക ലോ-ത്രെഷോൾഡ് ഫ്ലാഗ് (low-threshold flag) കൂടുതൽ കർശനമായ ഒരു സെക്കൻഡറി മോഡൽ ഉപയോഗിച്ച് സൂക്ഷ്മപരിശോധനയ്ക്ക് കാരണമാകുന്നു. ചില ശൃംഖലകൾ അടിയന്തര സാഹചര്യമായി പ്രഖ്യാപിക്കുന്നതിന് മുമ്പ് വിഷ്വൽ അലേർട്ടുകളെ വായു ഗുണനിലവാര മോണിറ്ററുകൾ അല്ലെങ്കിൽ മിന്നൽ വിവരങ്ങൾ പോലുള്ള മറ്റ് സെൻസറുകളുമായി ബന്ധിപ്പിക്കുകയും ചെയ്യുന്നു.

വിദൂര പ്രദേശങ്ങളിലേക്ക് വ്യാപിപ്പിക്കുക

ഒരു ഇമേജ് അധിഷ്ഠിത സമീപനത്തിന്റെ ഏറ്റവും വലിയ നേട്ടം അതിന്റെ സാമ്പത്തിക ലാഭമാണ്. ഓരോ ഹെക്ടർ വനവും നിരീക്ഷിക്കാൻ ആവശ്യമായ തോതിൽ റേഞ്ചർമാരെ നിയമിക്കുക അസാധ്യമാണ്. മനുഷ്യസഹായത്തോടെയുള്ള വിമാനങ്ങൾ നിരന്തരം പറത്തുന്നത് അമിത ചിലവുള്ള കാര്യമാണ്. നിലവിലുള്ള അടിസ്ഥാന സൗകര്യങ്ങളിൽ ഘടിപ്പിച്ച ക്യാമറകൾ, ഒരിക്കൽ സ്ഥാപിച്ചുകഴിഞ്ഞാൽ, വളരെ കുറഞ്ഞ പ്രവർത്തനച്ചെലവിൽ चौबीसों घंटे (24/7) നിരീക്ഷണം നടത്തുന്നു. അവയ്ക്ക് തളർച്ചയോ ശ്രദ്ധക്കുറവോ ഷിഫ്റ്റ് മാറ്റങ്ങളോ ആവശ്യമില്ല.

ഈ സ്കെയിലബിലിറ്റി (scalability) മുമ്പ് മുന്നറിയിപ്പ് സംവിധാനങ്ങൾ ഇല്ലാതിരുന്ന പ്രദേശങ്ങൾക്ക് സംരക്ഷണം നൽകുന്നു. വികസ്വര രാജ്യങ്ങൾക്കും വിദൂര സംരക്ഷിത മേഖലകൾക്കും വനപ്രദേശങ്ങളിലൂടെയുള്ള യൂട്ടിലിറ്റി ഇടനാഴികൾക്കും വലിയ കമാൻഡ് സെന്ററുകൾ പണിയാതെ തന്നെ അടിസ്ഥാനപരമായ ഡിറ്റക്ഷൻ ശേഷി നേടാൻ കഴിയും. ഒരു ക്യാമറ, ഒരു പ്രോസസ്സർ, ഒരു കമ്മ്യൂണിക്കേഷൻ ലിങ്ക് എന്നിവയാണ് ഇതിന്റെ പ്രധാന ആവശ്യകതകൾ. ഓപ്പൺ സോഴ്സ് അല്ലെങ്കിൽ പ്രൊപ്രൈറ്ററി വിഷൻ മോഡലുകൾക്കൊപ്പം ലഭ്യമായ ഹാർഡ്‌വെയറുകൾ ഉപയോഗിക്കുന്നത് ഏതാനും വർഷങ്ങൾക്ക് മുമ്പുള്ളതിനേക്കാൾ വലിയ മാറ്റമാണ് വരുത്തിയിരിക്കുന്നത്.

ചുരുക്കത്തിൽ

ഇമേജ് പ്രോസസിംഗ് എല്ലാ കാട്ടുതീകളും തടയില്ല. മിന്നൽ ഇപ്പോഴും പതിക്കുന്നു, മനഃപൂർവ്വമായ തീയിടലുകൾ ഇപ്പോഴും നടക്കുന്നു, ഉപകരണങ്ങളിൽ നിന്ന് തീപ്പൊരികൾ ഇപ്പോഴും ഉണ്ടാകുന്നു. എന്നാൽ ഈ സാങ്കേതികവിദ്യ തീപിടുത്തവും കണ്ടെത്തലും തമ്മിലുള്ള സമയത്തെ മണിക്കൂറുകളിൽ നിന്ന് സെക്കൻഡുകളിലേക്ക് കുറയ്ക്കുന്നു. തീ ചെറിയ രീതിയിൽ ഇരിക്കുമ്പോൾ തന്നെ അത് അണയ്ക്കാൻ അഗ്നിശമന സേനയെ ഇത് സഹായിക്കുന്നു. ഫയർ ചീഫ്മാരെയും ഭൂമി പരിപാലകരെയും സംബന്ധിച്ചിടത്തോളം, കമ്പ്യൂട്ടർ വിഷൻ (computer vision) നിരീക്ഷണ സംവിധാനങ്ങളിൽ ഉൾപ്പെടുത്തുന്നത് ഇനി ഒരു ഭാവി പരീക്ഷണമല്ല. ഇത് കൂടുതൽ സ്ഥലങ്ങൾ കവർ ചെയ്യുന്നതും രാത്രിയിലും പ്രവർത്തിക്കുന്നതും മനുഷ്യപ്രവർത്തകർക്ക് ഏറ്റവും ആവശ്യമുള്ള ഒരു കാര്യം നൽകുന്നതുമായ ഒരു പ്രായോഗിക അപ്‌ഗ്രേഡാണ്: അതായത്, പ്രതിരോധിക്കാൻ ആവശ്യമായ മുൻകൂർ സമയം.

ഡിറ്റക്ഷൻ പൈപ്പ്‌ലൈനിനെക്കുറിച്ചും മോഡൽ ആർക്കിടെക്ചറിനെക്കുറിച്ചും കൂടുതൽ സാങ്കേതിക വിവരങ്ങൾക്കായി, പൂർണ്ണമായ വിശകലനം ഇവിടെ വായിക്കുക. കമ്പ്യൂട്ടർ വിഷൻ ആപ്ലിക്കേഷനുകളെക്കുറിച്ച് ചർച്ച ചെയ്യാനോ സമാനമായ പ്രശ്നങ്ങളിൽ പ്രവർത്തിക്കുന്ന ഒരു കമ്മ്യൂണിറ്റിയിൽ ചേരാനോ നിങ്ങൾ ആഗ്രഹിക്കുന്നുവെങ്കിൽ, GyaanSetu learning group സന്ദർശിക്കുക.