Physically interpretable flood susceptibility mapping using spatial cross-validation and SHAP-derived environmental thresholds: A statistically validated framework

हिमालय की तलहटी में, जहाँ ऊबड़-खाबड़, पथरीले पहाड़ समतल, उपजाऊ मैदानों से मिलते हैं, पानी ऐसे तरीकों से व्यवहार करता है जो जीवन देने वाला भी हो सकता है और विनाशकारी भी। यह संक्रमण क्षेत्र, जिसे शिवालिक-तराई के रूप में जाना जाता है, एक ऐसी जगह है जहाँ नदियाँ, भारी मानसूनी बारिश से उफान पर आकर, पहाड़ियों के कटाव से भारी मात्रा में तलछट (सेडिमेंट) लेकर आती हैं। जैसे ही ये नदियाँ समतल भूमि पर पहुँचती हैं, वे धीमी हो जाती हैं, रेत और गाद का भार छोड़ देती हैं, और अक्सर अपने किनारों से बाहर निकलकर उन गाँवों और खेतों में बाढ़ ला देती हैं जो उनके रास्तों के किनारे स्थित हैं। दशकों से, वैज्ञानिक भविष्यवाणी करने की कोशिश कर रहे हैं कि अगली बार बाढ़ कहाँ आएगी। वे कंप्यूटर प्रोग्रामों का उपयोग करते हैं जो पिछले अनुभवों से सीखते हैं, और ढलान की तीव्रता, नदी से किसी स्थान की निकटता और किसी क्षेत्र में होने वाली वर्षा जैसे कारकों का विश्लेषण करते हैं। हालाँकि, ये कंप्यूटर मॉडल अक्सर 'ब्लैक बॉक्स' की तरह काम करते हैं: वे एक परिणाम तो देते हैं, लेकिन यह स्पष्ट नहीं करते कि वे उस निष्कर्ष तक कैसे पहुँचे, और वे कभी-कभी गलतियाँ भी करते हैं क्योंकि वे उन पैटर्नों के बीच भ्रमित हो जाते हैं जो मानचित्र पर एक-दूसरे के पास होते हैं, जबकि वे वास्तव में बाढ़ के कारण बनने वाले पैटर्न नहीं होते।

एक नया अध्ययन दक्षिण-पूर्वी नेपाल के त्रियुगा नदी बेसिन (वॉटरशेड) पर केंद्रित है, जो इस प्रकार की चुनौतियों का सटीक उदाहरण प्रस्तुत करता है। शोधकर्ताओं ने एक ऐसा बाढ़ भविष्यवाणी तंत्र बनाने का लक्ष्य रखा जो न केवल सटीक हो, बल्कि पारदर्शी और परिदृश्य की भौतिक वास्तविकता पर आधारित भी हो। एक एकल कंप्यूटर एल्गोरिदम पर निर्भर रहने के बजाय, उन्होंने चार अलग-अलग तरीकों का परीक्षण किया ताकि यह देखा जा सके कि कौन सा तरीका क्षेत्र में बाढ़ के इतिहास से सबसे बेहतर तरीके से सीख सकता है। महत्वपूर्ण रूप से, उन्होंने अपनी परीक्षण प्रक्रिया को इस तरह से डिजाइन किया जिससे यह सुनिश्चित हो सके कि कंप्यूटर केवल मानचित्र को रट नहीं रहा है, बल्कि वास्तव में भूभाग के नियमों को सीख रहा है। इन कठोर परीक्षणों को एक ऐसी तकनीक के साथ जोड़कर, जो यह प्रकट करती है कि कौन से पर्यावरणीय कारक भविष्यवाणियों को संचालित करते हैं, उन्होंने खतरनाक क्षेत्रों की पहचान करने का एक नया तरीका विकसित किया। परिणाम एक ऐसा मानचित्र है जो न केवल बाढ़ की संभावना दिखाता है, बल्कि उन विशिष्ट, मापने योग्य स्थितियों को भी रेखांकित करता है—जैसे कि नदी से एक निश्चित दूरी पर होना या एक विशिष्ट ऊंचाई से नीचे होना—जो बाढ़ आने के लिए मौजूद होनी चाहिए।

अध्ययन की शुरुआत 2014 से 2025 के बीच वास्तव में कहाँ बाढ़ आई थी, इसके संबंध में सावधानीपूर्वक डेटा संग्रह के साथ हुई। टीम ने सैटेलाइट छवियों और ऐतिहासिक रिकॉर्ड के माध्यम से सत्यापित 240 पुष्ट बाढ़ स्थानों को एकत्र किया। कंप्यूटर को यह सिखाने के लिए कि सुरक्षित क्षेत्र कैसा दिखता है, उन्हें "गैर-बाढ़" (नॉन-फ्लड) बिंदुओं का एक सेट बनाना था। बाढ़ विज्ञान में यह एक कठिन कदम है क्योंकि वास्तविक सुरक्षित क्षेत्रों को परिभाषित करना मुश्किल होता है; कोई स्थान जो पिछले साल नहीं डूबा, वह अगले साल डूब सकता है। शोधकर्ताओं ने इस समस्या को हल करने के लिए अपने 'सुरक्षित बिंदुओं' की खोज को उन क्षेत्रों तक सीमित कर दिया जो बाढ़ के प्रति भौतिक रूप से सक्षम थे लेकिन इस बार नहीं आए। उन्होंने ऐसे भूभाग को देखा जो बाढ़ के जोखिम के लिए पर्याप्त नीचा और नदी के पर्याप्त करीब था, लेकिन स्वयं नदी के मार्ग (चैनल) को बाहर रखा। इसके बाद उन्होंने चार अलग-अलग कंप्यूटर लर्निंग विधियों का परीक्षण किया: लॉजिस्टिक रिग्रेशन नामक एक सांख्यिकीय दृष्टिकोण, और तीन अधिक जटिल मशीन लर्निंग मॉडल जिन्हें रैंडम फॉरेस्ट, एक्सजीबूस्ट (XGBoost) और सपोर्ट वेक्टर मशीन के रूप में जाना जाता है।

परिणामों को विश्वसनीय बनाने के लिए, शोधकर्ताओं ने डेटा को केवल यादृच्छिक (रैंडम) रूप से विभाजित नहीं किया। उन्होंने 'स्पेशियल क्रॉस-वैलिडेशन' (स्थानिक क्रॉस-वैलिडेशन) नामक एक विधि का उपयोग किया, जो मानचित्र को पांच अलग-अलग भौगोलिक ब्लॉकों में विभाजित करती है। कंप्यूटर चार ब्लॉकों से सीखता है और पांचवें पर परीक्षण करता है, और यह प्रक्रिया सभी संयोजनों के लिए घूमती रहती है। यह मॉडल को बाढ़ के वास्तविक कारण के बजाय केवल किसी विशिष्ट स्थान को याद रखने से रोकता है। जब उन्होंने ये परीक्षण किए, तो दो ट्री-बेस्ड मॉडलों, रैंडम फॉरेस्ट और एक्सजीबूस्ट ने सबसे अच्छा प्रदर्शन किया, और 0.905 का AUC प्राप्त किया। आश्चर्यजनक रूप से, सरल लॉजिस्टिक रिग्रेशन मॉडल ने लगभग उतना ही अच्छा प्रदर्शन किया, जिससे पता चलता है कि इस क्षेत्र में बाढ़ को नियंत्रित करने वाले नियम बहुत जटिल नहीं हैं। चौथे मॉडल, सपोर्ट वेक्टर मशीन का प्रदर्शन काफी खराब रहा, जो यह दर्शाता है कि यह इस विशिष्ट परिदृश्य के लिए सही उपकरण नहीं था।

अध्ययन की सबसे महत्वपूर्ण सफलता तब आई जब शोधकर्ताओं ने कंप्यूटर से उसके निर्णयों की व्याख्या करने के लिए कहा। SHAP नामक एक तकनीक का उपयोग करते हुए, जो मॉडल के तर्क को विस्तार से समझाती है, उन्होंने पाया कि पाँच विशिष्ट पर्यावरणीय कारक बाढ़ के प्राथमिक चालक थे। कंप्यूटर ने पहचाना कि नदी से 226 मीटर के भीतर होना, 119 मीटर से कम ऊंचाई पर होना, 4.57 डिग्री से कम ढलान होना, 8.33 से अधिक का टोपोग्राफिक वेटनेस इंडेक्स होना, और 1,359 मिलीमीटर से अधिक वार्षिक वर्षा प्राप्त करना महत्वपूर्ण सीमाएँ थीं। ये अस्पष्ट अनुमान नहीं हैं; ये वे सटीक सीमाएँ हैं जहाँ बाढ़ का जोखिम नाटकीय रूप से बदल जाता है। उदाहरण के लिए, 226 मीटर की दूरी नदी के सक्रिय बाढ़ क्षेत्र (फ्लडप्लेन) की विशिष्ट चौड़ाई के अनुरूप है, जबकि 119 मीटर की ऊंचाई उस बिंदु को चिह्नित करती है जहाँ खड़ी पहाड़ियाँ समतल मैदानों में बदल जाती हैं जहाँ पानी जमा होता है।

शोधकर्ताओं ने फिर इन पाँच नियमों को एक एकल, समझने में आसान संकेतक में संयोजित किया। उन्होंने एक ऐसा मानचित्र बनाया जहाँ प्रत्येक स्थान को इस आधार पर स्कोर किया गया कि वह इन पाँचों महत्वपूर्ण शर्तों में से कितनी शर्तों को पूरा करता है। जो स्थान इनमें से किसी भी शर्त को पूरा नहीं करता, उसे बहुत कम जोखिम वाला माना गया, जबकि जो सभी पाँच शर्तों को पूरा करता है, उसे अत्यधिक खतरा (एक्सट्रीम हैजर्ड) की श्रेणी में रखा गया। परिणाम चौंकाने वाले थे। जब उन्होंने इस नए मानचित्र की ऐतिहासिक बाढ़ रिकॉर्ड के विरुद्ध जाँच की, तो उन्होंने पाया कि पिछले सभी बाढ़ स्थानों में से 85 प्रतिशत ऐसे क्षेत्रों में आए जो कम से कम तीन इन सीमाओं (थ्रेशोल्ड) को पूरा करते थे। इससे भी अधिक महत्वपूर्ण बात यह है कि जो स्थान सभी पाँच शर्तों को पूरा करते थे, उनमें बाढ़ आने की संभावना उन क्षेत्रों की तुलना में 141 गुना अधिक थी जो किसी भी शर्त को पूरा नहीं करते थे। इसने सिद्ध किया कि इस क्षेत्र में बाढ़ केवल एक कारक, जैसे वर्षा या नदी से दूरी के कारण नहीं आती, बल्कि कई विशिष्ट स्थितियों की एक साथ उपस्थिति से होती है।

अध्ययन ने एक ऐसा मानचित्र भी तैयार किया जो यह दिखाता है कि कंप्यूटर कहाँ अनिश्चित था। उच्च अनिश्चितता वाले ये क्षेत्र मुख्य रूप से उन किनारों पर पाए गए जहाँ समतल बाढ़ क्षेत्र थोड़े ऊंचे टेरेस (सीढ़ीदार भूभाग) से मिलते हैं। इन संक्रमण क्षेत्रों में, पर्यावरणीय स्थितियाँ संदिग्ध होती हैं, जिससे किसी भी मॉडल के लिए निश्चित होना कठिन हो जाता है। शोधकर्ता सुझाव देते हैं कि भविष्य के निगरानी प्रयासों को इन्हीं स्थानों पर केंद्रित किया जाना चाहिए, क्योंकि ये वे सीमाएँ हैं जहाँ बाढ़ का जोखिम सबसे अधिक गतिशील होता है। इन क्षेत्रों की पहचान करके, यह अध्ययन संसाधनों के बेहतर डेटा संग्रह और प्रारंभिक चेतावनी प्रणालियों के निवेश के लिए एक स्पष्ट मार्ग प्रदान करता है।

यह कार्य डेटा-दुर्लभ पहाड़ी क्षेत्रों में बाढ़ जोखिम के प्रबंधन के लिए एक नया मॉडल पेश करता है। पिछले अध्ययनों के विपरीत जो बिना तर्क स्पष्ट किए जटिल एल्गोरिदम पर निर्भर थे, यह दृष्टिकोण एक पारदर्शी सेट प्रदान करता है जिसे स्थानीय योजनाकार समझ सकते हैं और उपयोग कर सकते हैं। निष्कर्ष पुष्टि करते हैं कि त्रियुगा नदी बेसिन में, बाढ़ का जोखिम भूमि के भौतिक आकार और वर्षा द्वारा नियंत्रित होता है, न कि किसी रहस्यमय या अप्रत्याशित शक्ति द्वारा। यह अध्ययन प्रदर्शित करता है कि कठोर परीक्षण को 'एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस' (व्याख्या योग्य कृत्रिम बुद्धिमत्ता) के साथ जोड़कर, ऐसे बाढ़ मानचित्र बनाए जा सकते हैं जो वैज्ञानिक रूप से मजबूत और व्यावहारिक रूप से उपयोगी दोनों हों। यहाँ विकसित किया गया ढांचा इस क्षेत्र के अन्य नदी घाटियों में भी लागू किया जा सकता है, जो व्यापक ऐतिहासिक डेटा या जटिल हाइड्रोलिक मॉडल की आवश्यकता के बिना खतरनाक क्षेत्रों की पहचान करने और भूमि उपयोग के निर्णय लेने में मार्गदर्शन करने का एक विश्वसनीय तरीका प्रदान करता है।