Spatial Heterogeneity-Aware Multi-Hazard Susceptibility and Risk Mapping at Regional Scale

कल्पना कीजिए कि आप भविष्यवाणी करने की कोशिश कर रहे हैं कि कोई तूफान कहाँ पेड़ गिरा सकता है। आप जानते हैं कि पेड़ मिट्टी, हवा और पहाड़ी के ढलान के आधार पर अलग-अलग तरह से गिरते हैं। लेकिन क्या होगा अगर आप एक पूरे देश को देख रहे हैं जहाँ उत्तर में पहाड़ियाँ खड़ी हैं और दक्षिण में मैदानी इलाके हैं? क्या आप पूरे मानचित्र के लिए एक ही विशाल नियम पुस्तिका (rulebook) का उपयोग करेंगे, या आप हर एक मोहल्ले के लिए एक छोटी, कस्टम नियम पुस्तिका लिखेंगे? यह स्थानिक मॉडलिंग (spatial modeling) नामक एक क्षेत्र का मूल है। यह एक कंप्यूटर को मौसम के जासूस बनने की शिक्षा देने जैसा है। कंप्यूटर सुरागों को देखता है—जैसे ज़मीन कितनी गीली है, ज़मीन कितनी ढालू है, और आस-पास कितने लोग रहते हैं—ताकि वह अनुमान लगा सके कि बाढ़ या भूस्खलन जैसी आपदाएँ कहाँ हो सकती हैं।

लेकिन यहाँ एक पेचीदा बात है: प्रकृति हर जगह एक जैसी नहीं होती। भारी बारिश एक सपाट घाटी में बाढ़ ला सकती है लेकिन एक खड़ी पहाड़ी पर भूस्खलन को जन्म दे सकती है। यदि आप अपने कंप्यूटर जासूस को केवल सपाट घाटी के डेटा का उपयोग करके प्रशिक्षित करते हैं, तो वह पहाड़ को देखते समय भ्रमित हो सकता है। यह शोध एक बड़ा सवाल पूछता है: क्या यह बेहतर है कि जासूस को पास के सभी मोहल्लों से सीखने दिया जाए, भले ही वे अलग हों, या हमें उसे एक समय में केवल एक विशिष्ट प्रकार के मोहल्ले का अध्ययन करने के लिए मजबूर करना चाहिए? उत्तर महत्वपूर्ण है क्योंकि ये मानचित्र सरकारों को यह तय करने में मदद करते हैं कि घर कहाँ बनाने चाहिए, आपातकालीन आश्रय कहाँ स्थापित करने चाहिए, और लोगों को सुरक्षित कैसे रखना चाहिए। यदि मानचित्र गलत है, तो गलत लोगों को चोट लग सकती है।

---

महान जासूसी प्रशिक्षण: एक बड़ी क्लास बनाम विशिष्ट समूह

इस अध्ययन में, शोधकर्ताओं ने कंप्यूटर जासूसों की एक टीम के लिए मुख्य कोच की भूमिका निभाई। वे मानचित्रित करना चाहते थे कि बाढ़ (ज़मीन पर बहता पानी) और भूस्खलन (पहाड़ों से मिट्टी और चट्टानों का खिसकना) दो बहुत अलग जगहों में कहाँ हमला कर सकते हैं: केरल, जो भारत में एक संकीरा पट्टी है जहाँ समुद्र के ठीक बगल में खड़ी पहाड़ियाँ हैं, और नेपाल, जो हिमालय के ऊंचे पहाड़ों और मैदानी इलाकों वाला एक विशाल देश है।

इसे करने के लिए, उन्होंने एक विशाल प्रशिक्षण शिविर लगाया। उन्होंने ज़मीन को ग्रिड के बड़े वर्गों में विभाजित किया, जिनमें से प्रत्येक 15 किमी द्वारा 15 किमी का था। इन वर्गों को व्यक्तिगत कक्षाओं के रूप में सोचें। इन कक्षाओं के भीतर, उनके पास कंप्यूटर मॉडल को सिखाने के दो अलग-अलग तरीके थे, जिन्हें उन्होंने रणनीति S1 और रणनीति S2 कहा।

रणनीति S1 ("खुले दरवाजे" की नीति):
एक ऐसे शिक्षक की कल्पना करें जो "पर्वत कक्षा" के छात्रों को "घाटी कक्षा" के साथ बैठने देता है यदि वे एक-दूसरे के बगल में बैठे हैं। यह रणनीति, जिसे प्रॉक्सिमिटी-गेटेड क्रॉस-ज़ोन ट्रेनिंग (proximity-gated cross-zone training) कहा जाता है, कहती है: "हे, भले ही यह मोहल्ला बगल वाले मोहल्ले से अलग हो, लेकिन वे पड़ोसी हैं! चलो जो हम जानते हैं उसे साझा करते हैं।" कंप्यूटर आस-पास के क्षेत्रों से सीखता है, भले ही उन क्षेत्रों में मिट्टी या ऊंचाई के प्रकार अलग हों। यह एक ऐसे जासूस की तरह है जो यह देखने के लिए अगले शहर जाता है कि वे एक समान अपराध को कैसे संभालते हैं।

रणनीति S2 ("सख्त ज़ोन" की नीति):
अब, एक ऐसे शिक्षक की कल्पना करें जो कहता है: "नहीं, आप केवल अपने विशिष्ट क्लब के छात्रों से ही बात कर सकते हैं। यदि आप 'खड़ी पहाड़ी क्लब' में हैं, तो आप केवल अन्य 'खड़ी पहाड़ी' सदस्यों से ही सीख सकते हैं।" यह रणनीति, जिसे इकोलॉजी-गेटेड ज़ोन-कंस्ट्रेंड ट्रेनिंग (ecology-gated zone-constrained training) कहा जाता है, कंप्यूटर को केवल उन्हीं क्षेत्रों का अध्ययन करने के लिए मजबूर करती है जो बिल्कुल एक ही प्रकार के वातावरण के हैं। यह एक ऐसे जासूस की तरह है जो अपने ही मोहल्ले को छोड़ने से इनकार करता है, यह मानते हुए कि केवल वही लोग जो बिल्कुल उनके जैसे रहते हैं, समस्या को समझ सकते हैं।

महासंग्राम: कौन जीतता है?

शोधकर्ताओं ने अपने कंप्यूटर मॉडल को दोनों प्रशिक्षण शैलियों के माध्यम से चलाया और फिर उन्हें मानचित्र के उन हिस्सों पर परखा जिन्हें मॉडल ने पहले कभी नहीं देखा था। वे देखना चाहते थे कि बाढ़ और भूस्खलन वास्तव में कहाँ होंगे, इसकी भविष्यवाणी करने के लिए कौन सी रणनीति बेहतर थी।

परिणाम: S1 एक बेहतर जासूस है (ज्यादातर मामलों में)
अध्ययन में पाया गया कि रणनीति S1 (खुले दरवाजे की नीति) आम तौर पर विजेता रही। इसने केरल और नेपाल दोनों में बाढ़ और भूस्खलन की भविष्यवाणी करने के लिए बेहतर प्रदर्शन किया।

• बड़ी जीत: नेपाल में, अंतर बहुत बड़ा था। बाढ़ की भविष्यवाणी करते समय, "खुले दरवाजे" वाली रणनीति का स्कोर 0.886 (यह मापने का एक पैमाना कि वास्तविक बाढ़ को गैर-बाढ़ से कितनी अच्छी तरह अलग किया जाता है) था, जबकि "सख्त ज़ोन" वाली रणनीति का स्कोर केवल 0.728 था। यह सटीकता में एक बहुत बड़ी छलांग है!
• यह क्यों काम कर गया: कंप्यूटर को आस-पास के थोड़े अलग क्षेत्रों से सीखने की अनुमति देकर, उसे एक व्यापक चित्र मिला। उसने सीखा कि हालांकि एक पहाड़ खड़ा है, लेकिन उसके नीचे की घाटी में बाढ़ आ सकती है, और इस संबंध को समझने से उसे बेहतर भविष्यवाणी करने में मदद मिली।

ट्विस्ट: S2 के पास अपनी सुपरपावर है
हालाँकि, "सख्त ज़ोन" रणनीति (S2) बेकार नहीं थी। वास्तव में, इसने कुछ ऐसा किया जो S1 नहीं कर सका: इसने नेपाल की बाढ़ के लिए अधिक विश्वसनीय संभाव्यता स्कोर (reliable probability scores) उत्पन्न किए। इसका मतलब है कि जब S2 कहता था, "यहाँ भूस्खलन की 70% संभावना है," तो वह वास्तव में S1 के अनुमान की तुलना में सच्चाई के अधिक करीब था।

• समझौता (Trade-off): S1 यह बताने में बेहतर था कि "हाँ, यह एक खतरा क्षेत्र है" या "नहीं, यह सुरक्षित है।" S2 यह बताने में बेहतर था कि "यहाँ कितनी संभावना है।"
• "स्थानीय विशेषज्ञ" बोनस: S2 ने प्रत्येक मोहल्ले के अनूठे रहस्यों को भी बनाए रखा। केरल में, "सख्त ज़ोन" मॉडलों ने महसूस किया कि राज्य के विभिन्न हिस्सों को अलग-अलग सुरागों की आवश्यकता है। उदाहरण के लिए, एक ज़ोन में, नदी से दूरी सबसे महत्वपूर्ण सुराग था, जबकि दूसरे ज़ोन में, मिट्टी का प्रकार अधिक मायने रखता था। S1 ने इन अंतरों को मिटा दिया, लेकिन S2 ने उन्हें स्पष्ट रखा।

"हो सकता है" से "हमें नुकसान पहुँचाएगा" तक

शोध पत्र केवल इस बात तक नहीं रुका कि कहाँ आपदाएं हो सकती हैं (संवेदनशीलता/susceptibility)। वे यह जानना चाहते थे कि वे वास्तव में लोगों को कहाँ नुकसान पहुँचाएँगी (जोखिम/risk)। इसे करने के लिए, उन्होंने दो नए घटक जोड़े: एक्सपोज़र (Exposure) (वहाँ कितने लोग और इमारतें हैं?) और भेद्यता (Vulnerability) (उन लोगों के लिए कितनी आसानी से चोट लग सकती है या वे कितनी जल्दी उबर सकते हैं?)।

उन्होंने मानव मानचित्रों के साथ इन खतरे के मानचित्रों को मिलाकर जोखिम मानचित्र (Risk Maps) बनाए।

• आश्चर्य: जो स्थान "संवेदनशीलता" मानचित्र पर सबसे खतरनाक थे, वे हमेशा वे स्थान नहीं थे जहाँ सबसे अधिक "जोखिम" था।
• बदलाव: नेपाल में, पहाड़ों के विशाल क्षेत्रों में भूस्खलन के प्रति बहुत संवेदनशीलता थी (मिट्टी फिसलने के लिए तैयार थी), लेकिन क्योंकि वहाँ बहुत कम लोग रहते थे, इसलिए जोखिम वास्तव में कम था। कंप्यूटर ने "उच्च जोखिम" लेबल को दक्षिणी मैदानों की ओर स्थानांतरित कर दिया, जहाँ बाढ़ आने की संभावना थी और जहाँ बहुत से लोग रहते थे।
• गणित: अध्ययन में पाया गया कि "संवेदनशीलता" मानचित्र और अंतिम "जोखिम" मानचित्र केवल 26% से 34% समय ही एक-दूसरे से सहमत थे। यह साबित करता है कि यह जानना पर्याप्त नहीं है कि आपदा कहाँ हो सकती है; वास्तविक खतरे को समझने के लिए आपको यह भी जानना होगा कि वहाँ कौन है।

अंतिम निर्णय

तो, मुख्य बात क्या है? शोधकर्ता कहते हैं कि हमें केवल एक रणनीति चुनने और दूसरी को फेंक देने की ज़रूरत नहीं है।

• S1 (खुला दरवाजा) पूरे क्षेत्र की एक मजबूत, स्पष्ट तस्वीर पाने के लिए बेहतरीन है। यह बड़े पैटर्न को पहचानने में सबसे अच्छा है।
• S2 (सख्त ज़ोन) सूक्ष्म, स्थानीय विवरणों को समझने और सटीक संभाव्यता संख्या प्राप्त करने के लिए बेहतरीन है।

शोध पत्र सुझाव देता है कि सबसे अच्छा भविष्य का सिस्टम एक हाइब्रिड (मिश्रित) होगा। एक ऐसे जासूस की कल्पना करें जो बड़े चित्र को सीखने के लिए पड़ोसी शहरों की यात्रा करता है (S1) लेकिन फिर एक अत्यंत विस्तृत, कस्टम रिपोर्ट लिखने के लिए अपने स्वयं के मोहल्ले में वापस आता है (S2)। दोनों को मिलाकर, हम ऐसे मानचित्र प्राप्त कर सकते हैं जो सटीक और विस्तृत दोनों हों, जिससे हम अपने समुदायों को बाढ़ और भूस्खलन से पहले की तुलना में बहुत बेहतर तरीके से सुरक्षित रख सकते हैं।

संक्षेप में, प्रकृति केवल एक नियम पुस्तिका के लिए बहुत जटिल है। सुरक्षित रहने के लिए, हमें पड़ोसियों और स्थानीय विशेषज्ञों दोनों की बात सुनने की ज़रूरत है।