Combined Inversion of Active and Passive Seismic Data Based on Optimized Data Selection

कल्पना कीजिए कि आप एक विशाल, अंधेरे केक के अंदर क्या है, यह जानने की कोशिश कर रहे हैं बिना उसे काटे। आप इसकी परतों, फलों या फ्रॉस्टिंग को नहीं देख सकते, लेकिन आप इसके बाहर थपथपा सकते हैं और इससे निकलने वाली आवाज़ को सुन सकते हैं। भू-भौतिकी (geophysics) की दुनिया में, वैज्ञानिक पृथ्वी की पपड़ी (crust) को समझने के लिए कुछ ऐसा ही करते हैं। वे जमीन के माध्यम से ध्वनि तरंगें (seismic waves) भेजते हैं और इस बात का समय मापते हैं कि उन्हें वापस टकराने या यात्रा करने में कितना समय लगता है। चूंकि ध्वनि अलग-अलग सामग्रियों के माध्यम से अलग-अलग गति से चलती है—जैसे कि यह कठोर चट्टान के माध्यम से नरम मिट्टी की तुलना में तेज़ चलती है—इसलिए यात्रा का समय एक मानचित्र की तरह काम करता है, जो ग्रह की छिपी हुई संरचना को प्रकट करता है।

आमतौर पर, वैज्ञानिकों को यह डेटा दो तरीकों से मिलता है। पहला "सक्रिय" (active) भूकंपीय डेटा है, जो एक नियंत्रित ड्रम की थाप की तरह है: वे एक विशिष्ट समय और स्थान पर एक ज्ञात विस्फोट या कंपन पैदा करते हैं ताकि यह देखा जा सके कि तरंगें कैसे यात्रा करती हैं। दूसरा "निष्क्रिय" (passive) भूकंपीय डेटा है, जो पृथ्वी की अपनी फुसफुसाहट सुनने जैसा है: वे प्राकृतिक भूकंपों या छोटी थरथराहटों के होने का इंतज़ार करते हैं। समस्या यह है कि ये प्राकृतिक झटके अप्रत्याशित होते हैं; वे अव्यवस्थित समूहों में होते हैं, जिससे अक्सर मानचित्र में बड़े अंतराल रह जाते हैं। यदि आप साफ, व्यवस्थित ड्रम की थाप को अराजक फुसफुसाहट के साथ मिलाने की कोशिश करते हैं, तो आपको एक धुंधली तस्वीर मिल सकती है जहाँ भीड़ वाले क्षेत्र बहुत शोर वाले दिखते हैं और शांत क्षेत्रों को अनदेखा कर दिया जाता है। यह शोध पत्र ठीक इसी पहेली को सुलझाता है: इन दो बहुत अलग प्रकार के डेटा को कैसे मिलाया जाए ताकि ज़मीन के नीचे का सबसे स्पष्ट 3D मानचित्र प्राप्त किया जा सके, बिना यह सुनिश्चित किए कि अव्यवस्थित हिस्से तस्वीर को खराब न कर दें।

---

महान भूमिगत मानचित्र-मिश्रण-उलझन

कल्पना कीजिए कि आप एक विशाल, अदृश्य गुफा प्रणाली का नक्शा बनाने की कोशिश कर रहे हैं। आपके पास मदद के लिए दो उपकरण हैं। पहला उपकरण टॉर्च लेकर खोजकर्ताओं की एक टीम है (सक्रिय डेटा)। वे एक आदर्श ग्रिड में खड़े हैं, हर दिशा में अपनी रोशनी बिखेर रहे हैं। क्योंकि वे व्यवस्थित हैं, उनकी रोशनी गुफा के केंद्र को खूबसूरती से कवर करती है, लेकिन वे दूर के अंधेरे कोनों तक नहीं पहुँच सकते। दूसरा उपकरण जुगनुओं का एक झुंड है (निष्क्रिय डेटा)। ये जुगनू तब चमकते हैं जब वे किसी भी सूक्ष्म कंपन को महसूस करते हैं। वे गुफा के उन अंधेरे कोनों को रोशन करने में माहिर हैं जहाँ खोजकर्ता नहीं पहुँच पाए, लेकिन वे अराजक हैं। वे गुफा के बीच में बड़े, घने बादलों की तरह जमा हो जाते हैं, जिससे किनारों पर अंधेरा रह जाता है, और कभी-कभी वे एक जगह इतनी तेज़ी से चमकते हैं कि ऐसा लगता है जैसे वहाँ कोई बड़ी आग लगी हो, जबकि वह केवल कीड़ों का एक समूह होता है।

ETH ज्यूरिख के शोधकर्ताओं ने, कैथरीन बेनन के नेतृत्व में, खोजकर्ताओं के आदर्श ग्रिड और जुगनुओं के अनियंत्रित कवरेज को एक बेहतरीन मानचित्र बनाने के लिए मिलाना चाहा। लेकिन वे जानते थे कि यदि वे सभी जुगनुओं को मिश्रण में डाल देंगे, तो मानचित्र विकृत हो जाएगा। बीच में घने झुंडों के कारण कंप्यूटर को लगेगा कि वह क्षेत्र बहुत महत्वपूर्ण है, जबकि किनारों को अनदेखा कर दिया जाएगा। यह एक ग्रुप फोटो लेने जैसा है जहाँ 90% लोग केंद्र में खड़े हैं; फोटो के किनारे खाली और अजीब दिखेंगे।

समाधान: "स्मार्ट फ़िल्टर"
इसे ठीक करने के लिए, टीम ने QR गुणनखंड (QR factorization) नामक एक गणितीय ट्रिक का उपयोग करके एक चतुर "स्मार्ट फ़िल्टर" का आविष्कार किया। इसे एक क्लब के सुपर-स्मार्ट बाउंसर के रूप में सोचें। बाउंसर जुगनुओं की अराजक भीड़ (निष्क्रिय डेटा) को देखता है और पूछता है, "यहाँ वास्तव में चित्र में क्या नया जोड़ रहा है?"

हर एक जुगनू को अंदर जाने देने के बजाय, बाउंसर केवल सही वालों को चुनता है। वह उन जुगनुओं को चुनता है जो अंधेरे कोनों में खड़े हैं (अंतराल भरने के लिए) और उन्हें अनदेखा करता है जो बस बीच में एक-दूसरे के ऊपर खड़े हैं (जो अनावश्यक है)। लक्ष्य जुगुओं की "गोल्डीलॉक्स" संख्या खोजना था: इतने जुगनू कि पूरी गुफा रोशन हो जाए, लेकिन इतने भी नहीं कि वे केंद्र में भीड़ लगा दें और दृश्य को बाधित करें।

प्रयोग: बेडरेटो लैब (BedrettoLab)
उन्होंने इस विचार का परीक्षण स्विस आल्प्स में एक वास्तविक भूमिगत प्रयोगशाला, बेडरेटो लैब में किया। यह लैब एक विशाल ग्रेनाइट चट्टान संरचना में गहराई में खोदी गई एक सुरंग है। वैज्ञानिकों के पास एक आदर्श सेटअप था:

• खोजकर्ता: उन्होंने एक "स्पार्कर" (एक नियंत्रित ध्वनि स्रोत) और हाइड्रोफोन (पानी के नीचे के माइक्रोफोन) का उपयोग करके चट्टान के माध्यम से 41,881 ध्वनि तरंगें भेजीं।
• जुगनू: उन्होंने चट्टान के भीतर होने वाले 30,521 छोटे, प्राकृतिक भूकंपों (पानी के इंजेक्शन प्रयोगों द्वारा प्रेरित) को सुना।

डेटा को साफ करने के बाद, उनके पास घटनाओं का एक विशाल कैटलॉग था। लेकिन वे जानते थे कि वे उन सभी का उपयोग नहीं कर सकते। इसलिए, उन्होंने अपने "स्मार्ट फ़िल्टर" को लागू किया।

परिणाम: एक स्पष्ट, बड़ा चित्र
परिणाम जादू की तरह थे।

1. तीन गुना दृश्य: अपने अनुकूलित चयन का उपयोग करके, टीम ने चट्टान के एक ऐसे आयतन को रोशन करने में सफलता प्राप्त की जो केवल नियंत्रित खोजकर्ताओं के मुकाबले तीन गुना बड़ा था।
2. कोई भीड़ नहीं: जब उन्होंने सभी निष्क्रिय डेटा (पूरा झुंड) का उपयोग करने की कोशिश की, तो मानचित्र अव्यवस्थित हो गया। चट्टान का केंद्र बहुत "चमकदार" और विकृत दिखाई देने लगा, जिससे नकली उभार और लहरें पैदा हुईं जो वास्तव में वहाँ नहीं थीं। यह ऐसा था जैसे जुगनू इतने घने थे कि उन्होंने कैमरे को अंधा कर दिया हो।
3. सही संतुलन: "स्मार्ट फ़िल्टर" ने उपलब्ध 250,000 से अधिक डेटा बिंदुओं में से लगभग 20,000 निष्क्रिय डेटा बिंदुओं को चुना। यह विशिष्ट संख्या एकदम सही संतुलन थी। इसने केंद्र को भीड़भाड़ दिए बिना अंधेरे कोनों को भर दिया। परिणामी मानचित्र चिकना, सटीक था, और चट्टान का वास्तविक आकार दिखाता था।

उन्होंने भूमिगत क्या पाया
इस नए, सुपर-स्पष्ट मानचित्र के साथ, वैज्ञानिक अंततः चट्टान के रहस्यों को देख सके।

• फ्रैक्चर नेटवर्क: उन्होंने पाया कि चट्टान दरारों और फ्रैक्चर से भरी हुई है। जहाँ चट्टान टूटी हुई थी, वहाँ ध्वनि तरंगें धीमी गति से चलीं (जैसे कीचड़ के मैदान से दौड़ना)। जहाँ चट्टान ठोस थी, वहाँ तरंगें तेज़ी से निकल गईं।
• भूकंप का संबंध: छोटे भूकंप (जुगनू) ज्यादातर इन्हीं धीमी, टूटी हुई ज़ोन के भीतर ही हुए। इसने पुष्टि की कि चट्टान वहीं टूटती है जहाँ वह पहले से ही कमजोर और दरारों से भरी होती है।

3. "अजीब" दिशा: वैज्ञानिकों ने एक अजीब चीज़ भी देखी। ध्वनि तरंगें केवल अलग-अलग गति से ही नहीं चल रही थीं; वे एक दिशा में तेज़ और दूसरी दिशा में धीमी लग रही थीं, जैसे कि एक सड़क जो उत्तर की ओर जाने के लिए चिकनी है लेकिन पूर्व की ओर जाने के लिए ऊबड़-खाबड़ है। इसे एनिसोट्रॉपी (anisotropy) कहा जाता है। डेटा से पता चला कि दरारें समानांतर में व्यवस्थित थीं, जैसे पैनकेक का ढेर, जिसके कारण ध्वनि की गति दिशा के आधार पर बदल जाती है।

उन्होंने क्या खारिज किया
यह शोध पत्र बहुत स्पष्ट है कि क्या काम नहीं करता है।

• रैंडम चयन काम नहीं करता: यदि आप केवल रैंडम तरीके से जुगनू चुनते हैं (जैसे लॉटरी में), तो आपके पास केंद्र में बहुत अधिक और कोनों में बहुत कम जुगनू होंगे। मानचित्र में वही विकृतियाँ आती हैं जो पूरे डेटा का उपयोग करने पर आती हैं।
• सभी डेटा का उपयोग करना बुरा है: हर एक डेटा बिंदु को मिश्रण में डालने से बेहतर मानचित्र नहीं मिलता; वास्तव में यह भीड़ वाले क्षेत्रों पर अत्यधिक ज़ोर देकर और छोटे-स्तर के नकली आर्टिफैक्ट्स बनाकर इसे खराब कर देता है।
• केवल निष्क्रिय डेटा पर्याप्त नहीं है: आप केवल प्राकृतिक भूकंपों का उपयोग करके मानचित्र नहीं बना सकते। नियंत्रित "खोजकर्ताओं" के बिना जो चित्र को स्थिर कर सकें, मानचित्र धुंधला हो जाता है क्योंकि कंप्यूटर भ्रमित हो जाता है कि भूकंप वास्तव में कहाँ हुए बनाम कहाँ चट्टान अजीब है।

निष्कर्ष
यह शोध पत्र सुझाव देता है कि भूमिगत का सबसे अच्छा मानचित्र प्राप्त करने के लिए, आपको अधिक डेटा की नहीं; बल्कि स्मार्ट डेटा की आवश्यकता है। गणितीय फ़िल्टर का उपयोग करके सबसे उपयोगी, गैर-अनावश्यक जानकारी चुनने से, वैज्ञानिक पृथ्वी के भीतर अधिक गहराई और स्पष्टता से देख सकते हैं। उन्होंने सिद्ध किया कि उपलब्ध निष्क्रिय डेटा का लगभग 10% ही एक ऐसा मॉडल बनाने के लिए पर्याप्त था जो केवल सक्रिय संस्करण की तुलना में तीन गुना बेहतर था, और वह भी बिना किसी अव्यवस्थित विकृति के। यह हमें याद दिलाता है कि कभी-कभी विज्ञान में, "कम" वास्तव में "अधिक" होता है—यदि आप सही "कम" चुनते हैं।