⚡ electrical engineering

A Dual-Stream Deep Learning Model for Full-Cycle Landslide Prediction and Intelligent Risk-Informed Decision-Making

यह अध्ययन अल्पकालिक आपातकालीन प्रतिक्रिया और दीर्घकालिक इंजीनियरिंग योजना के बीच के अंतर को प्रभावी ढंग से पाटते हुए, बहु-समयमान (multi-timescale) भूस्खलन भविष्यवाणी और जोखिम-सूचित निर्णय लेने में सक्षम करने के लिए एक डिजिटल-ट्विन प्लेटफॉर्म में एकीकृत एक डुअल-स्ट्रीम डीप लर्निंग मॉडल का प्रस्ताव करता है।

मूल लेखक: Fengyi Guo, Jun Sun, Kaixin Huang, Bing Lu, Xin Wang

प्रकाशित 2026-07-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fengyi Guo, Jun Sun, Kaixin Huang, Bing Lu, Xin Wang

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि पत्थरों और मिट्टी का एक विशाल, गुस्सैल ढेर (भूस्खलन) कब पहाड़ी से नीचे खिसकने वाला है। लंबे समय से, वैज्ञानिक केवल ढेर की हलचल को देखकर इसका अनुमान लगाने की कोशिश कर रहे हैं। यह एक कार दुर्घटना की भविष्यवाणी करने जैसा है, जिसमें आप केवल स्पीडोमीटर को देख रहे हैं, बिना यह जाने कि ड्राइवर नशे में है, ब्रेक खराब हैं, या बारिश हो रही है।

आप जो पेपर पढ़ रहे हैं वह कहता है, "हे, यह काफी नहीं है!" लेखक, जो हुआझोंग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के वैज्ञानिकों और चाइना स्टेट कंस्ट्रक्शन के इंजीनियरों की एक टीम है, तर्क देते हैं कि केवल हलचल के डेटा (टाइम सीरीज़) पर निर्भर रहना आंखों पर पट्टी बांधकर गाड़ी चलाने जैसा है। उन्होंने पाया कि हालांकि पुराने ज़माने के AI मॉडल छोटी-मोटी हलचलों को पकड़ने में अच्छे हैं, लेकिन वे अक्सर तब भ्रमित हो जाते हैं जब मौसम बदलता है या जब भूस्खलन अप्रत्याशित रूप से तेज होने लगता है। वे स्पष्ट रूप से उन "ब्लैक बॉक्स" मॉडल्स के खिलाफ तर्क देते हैं जो भौतिकी के नियमों (laws of physics) को अनदेखा करते हैं, और दिखाते हैं कि ये मॉडल बड़े, खतरनाक त्वरण (acceleration) चरणों को पहचानने में चूक जाते हैं या समय का गलत अनुमान लगाते हैं।

तो, उन्होंने इसके बजाय क्या बनाया? उन्होंने एक "डुअल-स्ट्रीम" (दोहरी धारा वाला) डीप लर्निंग मॉडल बनाया। इसे एक सुपर-स्मार्ट जासूसी टीम के रूप में सोचें जिसके दो साथी हैं जो एक-दूसरे से बात करना कभी बंद नहीं करते:

समय का जासूस (टेम्पोरल स्ट्रीम): यह साथी हलचल के इतिहास के प्रति जुनूनी है। यह एक विशेष मस्तिष्क जिसका नाम "TCN-BiLSTM" है, का उपयोग करता है ताकि पिछले 1, 3, 7, 30 और यहाँ तक कि 90 दिनों के डेटा को देखा जा सके। यह पैटर्न पहचानने में माहिर है, जैसे कि "ओह, हर बार जब बारिश होती है, तो ढेर थोड़ा सा हिलता है।"
भौतिकी का जासूस (फिजिकल स्ट्रीम): यह साथी नियमों का पालन करने वाला है। यह केवल नंबरों को नहीं देखता; यह यह भी जांचता है कि चीजें कैसे चलती हैं। यह वेग (कितनी तेज़), त्वरण (यह कितनी तेज़ी से बढ़ रहा है), और जिसे सुधारित स्पर्शरेखीय कोण (improved tangential angle) कहा जाता है (गति के वक्र की ढलान मापने का एक शानदार तरीका) की गणना करता है। यह सुनिश्चित करने के लिए कि भविष्यवाणियां भौतिकी के नियमों का पालन करती हैं, यह XGBoost नामक टूल का उपयोग करता है।

यहाँ जादू का कमाल है: ये दोनों जासूस अकेले काम नहीं करते। वे एक को-अटेंशन मैकेनिज्म (Co-Attention Mechanism) का उपयोग करते हैं। कल्पना कीजिए कि वे एक मेज पर बैठे हैं, एक-दूसरे के नोट्स की ओर इशारा कर रहे हैं और कह रहे हैं, "हे, टाइम डिटेक्टिव बारिश में उछाल देख रहा है, लेकिन फिजिक्स डिटेक्टिव कह रहा है कि कोण बहुत तीव्र हो रहा है! हमें इन सुरागों को मिलाने की जरूरत है!" यह टीम वर्क "कब" को "क्यों" के साथ जोड़ने की अनुमति देता है।

यह कितना अच्छा काम कर रहा था?
उन्होंने इसका परीक्षण हुबेई प्रांत के युनक्सी काउंटी में एक वास्तविक भूस्खलन पर किया। उन्होंने पांच GPS स्टेशनों से प्राप्त डेटा को इसमें डाला। परिणाम काफी प्रभावशाली थे, लेकिन स्पष्ट रहें: यह सिमुलेशन और ऐतिहासिक डेटा विश्लेषण पर आधारित है, न कि किसी ऐसी जादुई क्रिस्टल बॉल पर जो हर बार भविष्य की सटीक भविष्यवाणी कर दे।

अल्पकालिक (1-दिन): मॉडल अविश्वसनीय रूप से सटीक था। इसने अगले दिन की हलचल की भविष्यवाणी केवल 2.3524 की त्रुटि (RMSE) और 0.99913 के विश्वास स्कोर ( $R^2$ ) के साथ की। यह मौसम की 99.9% सटीकता के साथ भविष्यवाणी करने जैसा है।
मध्यम अवधि (7-दिन): यह मजबूत बना रहा, जिसकी त्रुटि 4.8278 और विश्वास 0.99624 थी।
दीर्घकालिक (30 और 90 दिन): महीनों आगे देखने के बावजूद, यह अपने रास्ते से भटका नहीं। 30-दिवसीय त्रुटि 3.3116 थी, और 90-दिवसीय त्रुटि 3.6916 थी।

महत्वपूर्ण रूप से, जब उन्होंने मॉडल का परीक्षण भौतिकी के जासूस के बिना ( "सिंगल-स्ट्रीम" संस्करण) किया, तो यह बहुत खराब हो गया। 1-दिवसीय पूर्वानुमान के लिए त्रुटि बढ़कर 14.3771 हो गई, और इसने बड़े त्वरण स्पाइक्स को पूरी तरह से मिस कर दिया। यह साबित करता है कि भौतिकी वाला हिस्सा अनिवार्य है; इसके बिना, मॉडल केवल अनुमान लगा रहा है।

भविष्यवाणी से कार्रवाई तक: डिजिटल ट्विन
पेपर केवल नंबरों की भविष्यवाणी करने पर नहीं रुकता है। उन्होंने इस मॉडल को एक डिजिटल ट्विन में जोड़ दिया—जो वास्तविक भूस्खलन की एक आभासी, 3D प्रति है जो रीयल-टाइम में अपडेट होती है। यह सिस्टम इंजीनियरों के लिए एक वीडियो गेम डैशबोर्ड की तरह काम करता है।

भविणियों के आधार पर, सिस्टम इंजीनियरों को क्या करना है यह बताने के लिए तीन विशिष्ट "जोखिम स्कोर" की गणना करता है:

अल्पकालिक (दौड़ने वाला स्कोर): यदि त्वरण संवेदनशीलता सूचकांक ( $I_{acc}$ ) बढ़ जाता है, तो इसका मतलब है कि भूस्खलन तेजी से बढ़ रहा है। यदि गति अनुपात ( $R_v$ ) 8 से अधिक है और कोण 85° से अधिक है, तो सिस्टम लाल चेतावनी (लेवल IV) जारी करता है। यह इंजीनियरों को तुरंत लोगों को सुरक्षित निकालने (24-48 घंटे पहले) के लिए बताता है।
मध्यम अवधि (इसे ठीक करें वाला स्कोर): ट्रेंड रिस्क इंडेक्स ( $I_{trend}$ ) अगले 30 दिनों को देखता है। यदि औसत दैनिक गति 4.5 mm/d से अधिक हो जाती है, तो यह पीली या नारंगी चेतावनी है, जो इंजीनियरों को जल निकासी या सुदृढीकरण की योजना शुरू करने के लिए कहती है।
दीर्घकालिक (बजट वाला स्कोर): एकीकृत विरूपण सूचकांक ( $I_{season}$ ) अगले 90 दिनों को देखता है। यह तय करने में मदद करता है कि पूरे सीजन के लिए कितना पैसा अलग रखा जाए। यदि कुल हलचल ऐतिहासिक रिकॉर्ड के शीर्ष 70% में है, तो यह प्रमुख सुदृढीकरण की आवश्यकता वाला उच्च जोखिम क्षेत्र है।

वास्तविक दुनिया का परीक्षण
लेखकों ने युनक्सी भूस्खलन के डेटा पर एक "रिट्रोस्पेक्टिव" (पीछे मुड़कर देखना) परीक्षण चलाया (डेटा 1 जुलाई से 30 दिसंबर, 2024 तक का)।

परिणाम: 12 जुलाई, 2024 को, सिस्टम ने भूस्खलन के निचले हिस्से (toe) में त्वरण के लिए लाल चेतावनी देखी। इसने स्वचालित रूप से निरीक्षकों को उस स्थान पर भेजा और लोगों को निकाला। दो दिन बाद, 14 जुलाई को, ठीक उसी जगह एक छोटा सा ढहना (collapse) हुआ जिसकी भविष्यवाणी की गई थी। क्योंकि सिस्टम ने चेतावनी दी थी, कोई घायल नहीं हुआ, और न ही किसी उपकरण को नुकसान पहुँचा।
मध्यम अवधि की जीत: सिस्टम ने जुलाई में पहाड़ी के एक तरफ धीमी गति से खिसकते हुए भी पकड़ा। इसने इंजीनियरों को ठीक वहीं जल निकासी की नालियाँ खोदने और सपोर्ट बीम बनाने की योजना बनाने में मदद की, जिसे उन्होंने सफलतापूर्वक किया, जिससे भूस्खलन को और खराब होने से रोक लिया गया।

क्या कमी है?
पेपर अपनी सीमाओं के बारे में ईमानदार है। यह स्वीकार करता है कि मॉडल काफी हद तक उपलब्ध डेटा पर निर्भर है। यदि GPS सेंसर टूट जाते हैं या यदि भूस्खलन का कारण कुछ अजीब है जैसे गहरा भूमिगत जल दबाव (जिसे इस विशिष्ट मॉडल में पूरी तरह से शामिल नहीं किया गया था), तो भविष्यवाणी एकदम सटीक नहीं हो सकती है। यह यह भी नोट करता है कि चरम मौसम की घटनाएं सिस्टम की ऐसी परीक्षा ले सकती हैं जिनका अभी तक पूरी तरह से सिमुलेशन नहीं किया गया है।

निष्कर्ष
यह पेपर सुझाव देता है कि "टाइम डिटेक्टिव" को "फिजिक्स डिटेक्टिव" के साथ जोड़कर और उन्हें एक वर्चुअल ट्विन में मिलकर काम करने देकर, हम केवल भूस्खलन को "देखने" से लेकर वास्तव में उन्हें "प्रबंधित" करने की ओर बढ़ सकते हैं। यह कोई जादुई इलाज नहीं है, लेकिन यह एक शक्तिशाली नया उपकरण है जो इंजीनियरों को यह जानने में मदद करता है कि कब भागना है, कब ठीक करना है, और कितना खर्च करना है, जिससे लोगों और इमारतों को सुरक्षित रखा जा सके।

तकनीकी सारांश: पूर्ण-चक्र भूस्खलन भविष्यवाणी और बुद्धिमान जोखिम-सूचित निर्णय लेने के लिए एक द्वि-प्रवाह गहरा शिक्षण मॉडल (Dual-Stream Deep Learning Model)

समस्या विवरण
भूस्खलन आपदा न्यूनीकरण इंजीनियरिंग अभ्यास में एक महत्वपूर्ण द्वैत का सामना करता है: तत्काल अल्पकालिक आपातकालीन प्रतिक्रिया (जैसे, कर्मियों का सुरक्षित स्थान पर स्थानांतरण) की आवश्यकता बनाम मध्यम से दीर्घकालिक इंजीनियरिंग नियोजन (जैसे, संसाधन आवंटन, मौसमी स्थिरीकरण) की आवश्यकता। मौजूदा डेटा-संचालित मॉडल मुख्य रूप से अल्पकालिक विस्थापन भविष्यवाणी पर केंद्रित हैं लेकिन अक्सर भौतिक बाधाओं (physical constraints) का अभाव होता है, जिससे विभिन्न समय अवधियों और स्थलों पर खराब सामान्यीकरण (generalization) होता है। इसके अलावा, वर्तमान प्रणालियाँ अक्सर मध्यम-से-दीर्घकालिक पूर्वानुमानों में त्वरण चरणों (acceleration phases) या रुझान विचलन (trend drifts) का पता लगाने में देरी से ग्रस्त होती हैं, जिसके परिणामस्वरूप गलत अलार्म या चेतावनी चूक जाती है, जो इंजीनियरिंग इकाइयों के विश्वास को कम करती है। एक एकीकृत ढांचे का स्पष्ट अभाव है जो दैनिक, मासिक और त्रैमासिक समय-सीमाओं में स्थिर प्रदर्शन बनाए रखने में सक्षम हो और साथ ही भौतिक तंत्रों को अस्थायी गतिशीलता (temporal dynamics) के साथ एकीकृत कर सके।

कार्यप्रणाली
यह अध्ययन एक टेम्पोरल-फिजिकल डुअल-स्ट्रीम डीप लर्निंग मॉडल द्वारा संचालित एक पूर्ण-चक्र भूस्खलन भविष्यवाणी ढांचे का प्रस्ताव करता है, जिसे बंद-लूप निर्णय लेने के लिए एक डिजिटल ट्विन (DT) प्लेटफॉर्म में एकीकृत किया गया है।

डेटा प्रीप्रोसेसिंग: कच्चे निगरानी विस्थापन अनुक्रमों को एन्सेम्बल एम्पिरिकल मोड डीकंपोजिशन (EEMD) का उपयोग करके शोर मुक्त (denoised) और विघटित किया जाता है। यह अंतर्निहित मोड फंक्शन (IMFs) को अलग करता है ताकि उच्च-आवृत्ति उतार-चढ़ाव को निम्न-आवृत्ति रुझानों से अलग किया जा सके, जिससे गैर-स्थिर हस्तक्षेप (non-stationary interference) कम हो जाता है।
द्वि-प्रवाह वास्तुकला (Dual-Stream Architecture):
- टेम्पोरल स्ट्रीम (Temporal Stream): अल्पकालिक विस्थापन गतिशीलता, वर्षा-प्रेरित उतार-चढ़ाव और दीर्घकालिक अस्थायी निर्भरता को पकड़ने के लिए एक क्रमिक टेम्पोरल कन्वोल्यूशनल नेटवर्क (TCN) और बायडायरेक्शनल LSTM (BiLSTM) का उपयोग करता है।
- फिजिकल स्ट्रीम (Physical Stream): तीन भौतिक रूप से व्युत्पन्न संकेतकों: विस्थापन वेग ( $v$ ), त्वरण ( $a$ ), और एक उन्नत स्पर्शोन्मुख कोण ( $\alpha$ ) से गैर-रेखीय मैपिंग सीखने के लिए एक XGBoost मॉडल का उपयोग करता है। यह स्ट्रीम एक्सट्रपलेशन पूर्वाग्रहों (extrapolation biases) को कम करने के लिए भौतिक बाधाओं को समाहित करती है।
- फ्यूजन तंत्र (Fusion Mechanism): एक को-अटेंशन मैकेनिज्म (co-attention mechanism) दोनों धाराओं के आउटपुट को गतिशील रूप से फ्यूज करता है। यह द्विदिश अंतःक्रियाओं को स्थापित करने के लिए समानता मैट्रिक्स (similarity matrices) की गणना करता है, जिससे मॉडल को भौतिक परिवर्तनों (विशेष रूप से त्वरण चरणों के दौरान) और अस्थायी पैटर्न के बीच अनुकूल रूप से भार (weight) निर्धारित करने की अनुमति मिलती है।
बहु-समय-सीमा भविष्यवाणी (Multi-Timescale Prediction): संलयित प्रतिनिधित्व (fused representation) समानांतर रिग्रेशन हेड्स में फीड किया जाता है ताकि 1, 3, 7, 30 और 90 दिनों के विस्थापन क्षितिज का पूर्वानुमान एक साथ लगाया जा सके।
जोखिम संकेतक प्रणाली (Risk Indicator System): अनुमानित विस्थापनों के आधार पर, तीन इंजीनियरिंग-विशिष्ट जोखिम संकेतक परिभाषित किए गए हैं:
- अल्पकालिक ( $I_{acc}$ ): 24 घंटे की उन्नत चेतावनी जारी करने के लिए विस्थापन दर अनुपात और स्पर्शोन्मुख कोणों का उपयोग करने वाला एक त्वरण-संवेदनशीलता सूचकांक।
- मध्यम-कालिक ( $I_{trend}$ ): मासिक इंजीनियरिंग शेड्यूलिंग को निर्देशित करने के लिए 30-दिवसीय औसत दरों पर आधारित एक रुझान-जोखिम सूचकांक।
- दीर्घकालिक ( $I_{season}$ ): संचयी विस्थापन, औसत दर और त्वरण आवृत्ति को संयोजित करने वाला एक एकीकृत विरूपण सूचकांक जो त्रैमासिक जोखिम ज़ोनिंग के लिए है।
डिजिटल ट्विन एकीकरण: मॉडल के आउटपुट और जोखिम संकेतकों को एक DT प्लेटफॉर्म के भीतर विज़ुअलाइज़ किया जाता है, जो वास्तविक समय सिंक्रोनाइज़ेशन, स्वचालित चेतावनी जारी करने और अनुकूलित इंजीनियरिंग शेड्यूलिंग (आपातकालीन प्रतिक्रिया, निर्माण योजना और मौसमी शमन) को सक्षम बनाता है।

प्रमुख योगदान

द्वि-प्रवाह सहकारी मॉडल (Dual-Stream Cooperative Model): एक नवीन वास्तुकला का विकास जो अस्थायी डेटा और भौतिक चरों को संयुक्त रूप से मॉडल करता है, जो शुद्ध डेटा-संचालित दृष्टिकोणों की "ब्लैक-बॉक्स" सीमाओं को संबोधित करता है।
पूर्ण-चक्र भविष्यवाणी: एक ही मॉडल के भीतर बहु-समय-सीमाओं (दैनिक से त्रैमासिक तक) में एकीकृत पूर्वानुमान प्राप्त करना, जो मौजूदा अल्पकालिक बनाम दीर्घकालिक प्रणालियों के विखंडन को दूर करता है।
इंजीनियरिंग-उन्मुख जोखिम मानचित्रण: कच्चे विस्थापन भविष्यवाणियों को कार्रवाई योग्य इंजीनियरिंग चेतावनी स्तरों (नीला, पीला, नारंगी, लाल) और विशिष्ट हस्तक्षेप रणनीतियों में बदलने के लिए एक बहु-समय-सीमा जोखिम-संकेतक प्रणाली का डिज़ाइन।
बंद-लूप निर्णय प्रणाली: मॉडल को डिजिटल ट्विन वातावरण में एकीकृत करना, जो एक कार्यप्रवाह बनाता है जो भविष्यवाणी, जोखिम मूल्यांकन और स्वचालित इंजीनियरिंग शेड्यूलिंग को जोड़ता है।

परिणाम
इस ढांचे को हुबेई प्रांत के युनक्सी काउंटी के ज़ाओशुआ (Zaoshuwa) में वर्षा-प्रेरित भूस्खलन केस स्टडी का उपयोग करके सत्यापित किया गया।

भविष्यवाणी सटीकता: द्वि-प्रवाह मॉडल ने एकल-प्रवाह और बेसलाइन मॉडल (जैसे, EEMD+TCN, EEMD+BiLSTM, TCN+BiLSTM) की तुलना में काफी बेहतर प्रदर्शन किया।
- 1-दिवसीय पूर्वानुमान: इसने 2.35 का RMSE और 0.999 का $R^2$ प्राप्त किया, जो त्वरण विभक्ति बिंदुओं (acceleration inflection points) को सटीक रूप से पकड़ता है।
- दीर्घकालिक पूर्वानुमान: इसने 30-दिवसीय और 90-दिवसीय क्षितिज के लिए उच्च निरंतरता ( $R^2 > 0.996$ ) बनाए रखी, जबकि भौतिक विशेषताओं के बिना मॉडल में महत्वपूर्ण रुझान विचलन और त्रुटि संचय देखा गया।
भौतिक बाधा प्रभाव: तुलनात्मक प्रयोगों ने प्रदर्शित किया कि भौतिक विशेषताओं (वेग, त्वरण, स्पर्शोन्मुख कोण) को बाहर करने से त्वरण चरणों का काफी कम आकलन हुआ और प्रतिक्रिया में देरी हुई (उदाहरण के लिए, 1-दिवसीय पूर्वानुमान के लिए RMSE 2.35 से बढ़कर 4.20 हो गया)।
इंजीनियरिंग अनुप्रयोग: 2024 के बाढ़ सीजन के रिट्रोस्पेक्टिव सत्यापन में, सिस्टम ने एक स्थानीय पतन से 24-48 घंटे पहले सफलतापूर्वक लाल चेतावनी (Red Warning) जारी की, जिससे समय पर निकासी संभव हुई और जनहानि को रोका जा सका। इसने मध्यम-कालिक रुझान आकलन के आधार पर जल निकासी और सुदृढीकरण कार्यों के अनुकूलित शेड्यूलिंग को भी सुगम बनाया।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य बुद्धिमान भूस्खलन प्रारंभिक चेतावनी और बहु-क्षितिज इंजीनियरिंग निर्णय लेने के लिए एक स्केलेबल मार्ग प्रदान करता है। अल्पकालिक आपातकालीन प्रतिक्रिया और दीर्घकालिक इंजीनियरिंग प्रबंधन के बीच की खाई को पाटकर, यह ढांचा पूर्ण-चक्र भूस्खलन न्यूनीकरण के लिए एक एकीकृत, व्याख्या योग्य और सुदृढ़ समाधान प्रदान करता है। अध्ययन का तर्क है कि गहरे शिक्षण आर्किटेक्चर में भौतिक बाधाओं को शामिल करने से जटिल भूवैज्ञानिक स्थितियों और गैर-स्थिर विरूपण परिदृश्यों के तहत मॉडल की विश्वसनीयता में उल्लेखनीय वृद्धि होती है। डिजिटल ट्विन प्लेटफॉर्म के साथ एकीकरण को भविष्यवाणात्मक डेटा को कार्रवाई योग्य इंजीनियरिंग हस्तक्षेपों में बदलने के एक व्यावहारिक तंत्र के रूप में प्रस्तुत किया गया है, जिससे कर्मियों की सुरक्षा, उपकरण संरक्षण और इंजीनियरिंग हस्तक्षेपों की प्रभावशीलता में सुधार होता है।

नोट: लेखक सीमाओं को स्वीकार करते हैं, जिसमें वर्तमान में मल्टी-सोर्स डेटा (जैसे, भूजल, पोर प्रेशर) के बजाय किनेमैटिक संकेतकों पर निर्भरता और उच्च-गुणवत्ता वाले निगरानी डेटा की उपलब्धता पर मॉडल की निर्भरता शामिल है।

इसी तरह के और पेपर