Machine-Learning-Based Landslide Susceptibility Mapping Using an InSAR- Refined Inventory in the Mandi district, Northwestern Himalaya, India, Himalaya region

पृथ्वी की सतह की कल्पना एक विशाल, धीमी गति वाले पहेली (पज़ल) के रूप में करें। कभी-कभी, इस पहेली के टुकड़े—पहाड़ की ढलानें, पहाड़ियाँ और ढलान—नीचे की ओर फिसलने का निर्णय लेते हैं। जब वे ऐसा करते हैं, तो इसे भूस्खलन (लैंडस्लाइड) कहा जाता है, और यह उनके रास्ते में रहने वाले लोगों, सड़कों और घरों के लिए आपदा बन सकता है। वैज्ञानिक लंबे समय से प्रयास कर रहे हैं कि ये खिसकाव अगली बार कहाँ हो सकते हैं। पारंपरिक रूप से, उन्होंने "स्थिर" (static) सुरागों को देखा है: जैसे कि पहाड़ी कितनी खड़ी है, वह किस तरह की चट्टानों से बनी है, वहाँ कितनी बारिश होती है, और अतीत में कहाँ पुराने भूस्खलन हुए थे। यह कार दुर्घटना की भविष्यवाणी करने के लिए सड़क की स्थिति और कार के इतिहास को देखने जैसा है, बिना यह ध्यान दिए कि ड्राइवर वर्तमान में गाड़ी को लहरा (swerve) रहा है।

लेकिन पृथ्वी गतिशील है; यह गुरुत्वाकर्षण, बारिश और टेक्टोनिक प्लेटों के भार के नीचे हमेशा चलती, बदलती और कराहती रहती है। भूस्खलन होने से पहले उसे पकड़ने के लिए, वैज्ञानिकों को दुर्घटना होने से पहले उस "लहराव" को देखने की आवश्यकता है। यहीं पर अंतरिक्ष तकनीक का एक विशेष प्रकार काम आता है। सैटेलाइट्स को आकाश में विशाल, सुपर-संवेदनशील आँखों के रूप में सोचें जो जमीन के कुछ मिलीमीटर तक हिलने को भी माप सकती हैं—जैसे कि किसी व्यक्ति के फिसलने से पहले उसके एक छोटा सा कदम उठाने को नोटिस करना। इन "अंतरिक्ष आँखों" को पैटर्न सीखने वाले शक्तिशाली कंप्यूटर प्रोग्रामों (जिसे मशीन लर्निंग कहा जाता है) के साथ जोड़कर, वैज्ञानिक खतरे का एक बहुत अधिक सटीक मानचित्र बना सकते हैं। यह केवल पुराने नक्शों को देखने के बारे में नहीं है; यह यह देखने के बारे में है कि जमीन वास्तविक समय (real-time) में कैसे सांस ले रही है और हिल रही है ताकि पता चल सके कि वह कब छोड़ने वाली है।

---

शोध पत्र की कहानी: पृथ्वी की चालाकी भरी चालों को पकड़ना

भारत के उत्तर-पश्चिमी हिमालय के मंडी जिले में, जमीन थोड़ी नाटकीय (drama queen) है। यह खड़ी पहाड़ियों, भारी मानसूनी बारिश और सक्रिय टेक्टोनिक फॉल्ट्स (पृथ्वी की पपड़ी में दरारें) वाली जगह है। वर्षों से, वैज्ञानिक और अधिकारी यह मानचित्र बनाने की कोशिश कर रहे हैं कि इस जिले के कौन से हिस्से फिसलने की सबसे अधिक संभावना रखते हैं। वे पहले "स्थिर" इन्वेंट्री पर निर्भर थे—मूल रूप से, उन भूस्खलनों की एक सूची जो पहले ही हो चुके थे और पुराने डेटाबेस में दर्ज थे। लेकिन इस शोध के लेखकों ने महसूस किया कि यह दृष्टिकोण कल के समाचार पत्र को देखकर आज के मौसम की भविष्यवाणी करने जैसा था। इसने उन सूक्ष्म, धीमी गतिविधियों को छोड़ दिया जो अभी हो रही हैं और जो संकेत देती हैं कि एक स्लाइड आने वाली है।

इसलिए, अक्षय राज मनोचा और उनके सहयोगियों के नेतृत्व वाली टीम ने अपने जासूसी कार्य को अपग्रेड करने का निर्णय लिया। उन्होंने सेंटिनल-1 (Sentinel-1) उपग्रहों से डेटा लिया, जो उच्च-तकनीकी रडार कैमरों के रूप में कार्य करते हैं, और 2023 से 2024 तक मंडी जिले का बारीकी से निरीक्षण करते हैं। उन्होंने इस डेटा को प्रोसेस करने के लिए दो चतुर तकनीकों का उपयोग किया, जिन्हें परसिस्टेंट स्कैटरर इंटरफेरोमेट्री (PSI) और स्मॉल बेसलाइन सबसेट (SBAS) कहा जाता है। आप इन तकनीकों को पृथ्वी की धड़कन सुनने के दो अलग-अलग तरीकों के रूप में समझ सकते हैं। PSI स्थिर, कठोर बिंदुओं जैसे चट्टानों और इमारतों को सुनने में माहिर है, जबकि SBAS वनस्पति वाले क्षेत्रों में अधिक व्यापक और कोमल हलचल को सुनने में बेहतर है। साथ मिलकर, उन्होंने जमीन के विरूपण (deformation) का एक सुपर-सेंसिटिव मानचित्र बनाया, जिससे यह पता चला कि जमीन ठीक कहाँ रेंग रही थी, फिसल रही थी या खिसक रही थी, भले ही वह अभी तक पूरी तरह से गिरी न हो।

बड़ी खोज: छिपे हुए भूस्खलनों को ढूंढना

टीम ने इस नए, हाई-टेक मूवमेंट डेटा को लिया और इसका उपयोग अपनी पुरानी भूस्खलन सूची को ठीक करने के लिए किया। उन्होंने सैटेलाइट के "क्रीप मैप" (creep map) की मौजूदा सरकारी डेटाबेस के साथ तुलना की। परिणाम एक खुलासे जैसा था: पुरानी सूची में बहुत कुछ छूट गया था। सैटेलाइट डेटा का उपयोग करके, उन्होंने 36 बिल्कुल नए भूस्खलन खोजे जिन्हें पहले कभी मैप नहीं किया गया था। इसने उनकी ज्ञात भूस्खलनों की कुल सूची को 18% बढ़ा दिया। यह एक ऐसे मानचित्र में 36 छिपे हुए खजाने के बक्सों को खोजने जैसा था जिसे हर कोई पूर्ण मान रहा था।

लेकिन वे केवल भूस्खलनों को खोजने तक ही नहीं रुके। वे यह अनुमान लगाना चाहते थे कि अगले भूस्खलन कहाँ होंगे। इसके लिए, उन्होंने अपनी अपडेटेड, "InSAR-रिफाइंड" सूची को चार अलग-अलग कंप्यूटर लर्निंग मॉडल (एल्गोरिदम जो डेटा से सीखते हैं) में डाला: एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGB), रैंडम फॉरेस्ट, लॉजिस्टिक्स रिग्रेशन, और मल्टीलेयर पर्सेप्ट्रॉन। उन्होंने बारह अलग-अलग कारकों का भी परीक्षण किया जो भूस्खलन का कारण हो सकते हैं, जैसे कि ढलान कितनी खड़ी है, सड़क से दूरी कितनी है, चट्टान का प्रकार क्या है, और कितनी बारिश होती है।

विजेता और खेल के नियम

कंप्यूटर मॉडल ने यह देखने के लिए "पैटर्न पहचानने" का खेल खेला कि कौन सा मॉडल भूस्खलों की सबसे अच्छी भविष्यवाणी कर सकता है। विजेता एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGB) था। यह सबसे सटीक था, विशेष रूप से जब शोधकर्ताओं ने "स्पेशियल ब्लॉक क्रॉस-वैलिडेशन" नामक एक विशिष्ट विधि का उपयोग किया, जिसमें ब्लॉक का आकार 3,000 मीटर था। इसे मानचित्र के अलग-अलग हिस्सों पर मॉडल का परीक्षण करने के रूप में समझें ताकि यह सुनिश्चित हो सके कि वह केवल पड़ोस को याद नहीं कर रहा है, बल्कि पूरे खेल के नियमों को वास्तव में सीख रहा है।

परिणाम प्रभावशाली थे। पुराने, स्थिर सूची के बजाय नई, सैटेलाइट-अपडेटेड सूची का उपयोग करके, मॉडल की सटीकता (जिसे AUC स्कोर द्वारा मापा जाता है) 12-15% बढ़ गई। यह सुझाव देता है कि यह जानना कि जमीन वर्तमान में कहाँ हिल रही है, यह भविष्यवाणी करने में बहुत बड़ा अंतर पैदा करता है कि वह अंततः कहाँ गिरेगी।

जमीन को क्या फिसलता है?

कंप्यूटर मॉडल ने जासूसों की तरह काम किया और बताया कि कौन से सुराग सबसे अधिक महत्वपूर्ण थे। वे "संदिग्ध" जिनका भूस्खलन की घटनाओं पर सबसे बड़ा प्रभाव था, वे थे:

1. ढलान (Slope): ढलान का तीखापन नंबर एक कारक है। ढलान जितनी अधिक खड़ी होगी, फिसलने की संभावना उतनी ही अधिक होगी।
2. सड़क से दूरी: आश्चर्यजनक रूप से, सड़क के करीब होना भूस्खलन की संभावना को बढ़ाता है। ऐसा इसलिए है क्योंकि सड़कें बनाने में अक्सर पहाड़ों को काटना शामिल होता है और पानी के बहाव के तरीके को बदलना पड़ता है, जो ढलान को कमजोर कर देता है।
3. फॉल्ट्स से दूरी: पृथ्वी की पपड़ी में दरारों (फॉल्ट्स) के पास के क्षेत्र अस्थिर होते हैं क्योंकि वहां की चट्टानें पहले से ही टूटी हुई और कमजोर होती हैं।
4. वर्षा (Rainfall): भारी बारिश अंतिम प्रहार की तरह काम करती है, मिट्टी को भिगो देती है और उसे भारी और फिसलन भरा बना देती है।

टीम ने पांच ज़ोन में विभाजित एक अंतिम मानचित्र बनाया: बहुत कम, कम, मध्यम, उच्च और बहुत उच्च संवेदनशीलता (susceptibility)। उन्होंने पाया कि उच्च और बहुत उच्च जोखिम वाले क्षेत्र जिले के लगभग 25% हिस्से को कवर करते हैं। इससे भी बेहतर, मानचित्र सही था: उनके द्वारा खोजे गए भूस्खलनों में से अधिकांश (पुराने और 36 नए दोनों) इन्हीं उच्च-जोखिम वाले क्षेत्रों में स्थित थे।

सीमाएं और भविष्य

यह शोध पत्र सावधानीपूर्वक नोट करता है कि यह कोई जादुई क्रिस्टल बॉल नहीं है। सैटेलाइट तकनीक की सीमाएं हैं। बहुत घने जंगलों या अत्यधिक खड़ी, चट्टानी इलाकों में, रडार सिग्नल बाधित हो सकता है (एक समस्या जिसे "डेकोरलेशन" कहा जाता है), जिसका अर्थ है कि वे जिले के लगभग 15-20% हिस्से में जमीन की हलचल नहीं देख सके। साथ ही, कंप्यूटर मॉडल वर्तमान डेटा पर आधारित हैं; वे अभी तक इस बात को ध्यान में नहीं रखते हैं कि भविष्य में जलवायु परिवर्तन बारिश को और भी भारी कैसे बना सकता है।

हालाँकि, यह अध्ययन एक शक्तिशाली बात सिद्ध करता है: जमीन की हलचल को देखने वाली "अंतरिक्ष आँखों" को स्मार्ट कंप्यूटर मॉडल के साथ जोड़कर, हम खतरे के एक स्थिर, पुराने मानचित्र से एक जीवित, सांस लेते हुए मानचित्र की ओर बढ़ सकते हैं। यह पृथ्वी के चेतावनी संकेतों को भूस्खलन होने से पहले देखने का एक तरीका है, जिससे हिमालय में लोगों और सड़कों की रक्षा करने का बेहतर अवसर मिलता है।