Soil Erosion Susceptibility Assessment Using Integrated RUSLE-GIS and Machine Learning Models in the Chittar River Basin, India

पृथ्वी की त्वचा को मिट्टी से बनी एक विशाल, जीवित चादर के रूप में कल्पना करें। यह चादर अविश्वसनीय रूप से महत्वपूर्ण है क्योंकि यह उस पानी को थामे रखती है जिसे हमारी फसलें पीती हैं और उन पोषक तत्वों को भी जो पौधों को बढ़ने में मदद करते हैं। लेकिन ठीक उसी तरह जैसे तूफान में छोड़ी गई चादर को नुकसान पहुँच सकता है, इस मिट्टी की चादर को भी फाड़ा और बहाया जा सकता है। इस प्रक्रिया को मिट्टी का कटाव (सॉइल इरोजन) कहा जाता है, और यह ज़मीन के सबसे उपजाऊ हिस्से को चुराने वाले एक धीमे-मोशन वाले चोर की तरह है, जो पीछे केवल कठोर, बेकार चट्टान छोड़ देता है। जब ऐसा होता है, तो भूमि भोजन नहीं उगा पाती, नदियाँ कीचड़ से भर जाती हैं, और पूरा पारिस्थितिकी तंत्र संघर्ष करने लगता है। वैज्ञानिक लंबे समय से यह पता लगाने की कोशिश कर रहे हैं कि यह "चोर" सबसे अधिक सक्रिय कहाँ है। वे "रिवाइज़्ड यूनिवर्सल सॉइल लॉस इक्वेशन" (RUSLE) जैसे उपकरणों का उपयोग करते हैं, जो मूल रूप से एक विशाल कैलकुलेटर है जो यह अनुमान लगाने के लिए जोड़ता है कि बारिश कितनी ज़ोर से टकराती है, पहाड़ियाँ कितनी ढालू हैं, और घास ज़मीन को कितना ढकती है, ताकि यह पता लगाया जा सके कि कितना मिट्टी बह सकती है। वे "मशीन लर्निंग" का भी उपयोग करते हैं, जो एक कंप्यूटर को एक सुपर-स्मार्ट जासूस बनने की शिक्षा देने जैसा है जो डेटा के विशाल ढेर में छिपे हुए पैटर्न को पहचान सकता है जिन्हें इंसान शायद मिस कर दें। मिट्टी कहाँ गायब होने की सबसे अधिक संभावना है, इसे समझना बहुत ज़रूरी है क्योंकि यदि हम जानते हैं कि खतरे वाले क्षेत्र कहाँ हैं, तो हम ज़मीन को बचाने के लिए बाड़ बना सकते हैं, पेड़ लगा सकते हैं, या खेती के तरीकों को बदल सकते हैं ताकि बहुत देर होने से पहले ही उसे बचाया जा सके।

अब, आइए भारत के चित्तार नदी बेसिन पर ध्यान केंद्रित करें, एक ऐसी जगह जहाँ ज़मीन ऊंचे, पहाड़ी पहाड़ों से लेकर समतल, खेती वाले मैदानों तक फैली हुई है। दो शोधकर्ताओं, जेइलानी मोहम्मद और शशि मेसापम ने इस विशिष्ट क्षेत्र में वास्तव में कितनी मिट्टी खतरे में है, यह देखने के लिए जासूसी करने का निर्णय लिया। उन्होंने केवल एक पद्धति पर भरोसा नहीं किया; इसके बजाय, उन्होंने पारंपरिक मिट्टी के कैलकुलेटर (RUSLE) को एक भौगोलिक सूचना प्रणाली (GIS) के साथ जोड़कर एक उच्च-तकनीकी "सुपर-स्कोप" बनाया—जीआईएस को एक जादुई, संवादात्मक मानचित्र के रूप में सोचें जो विभिन्न प्रकार की जानकारी की परतें एक दूसरे के ऊपर रख सकता है—और फिर उन्होंने इस पूरे डेटा को चार अलग-अलग मशीन लर्निंग मॉडलों में डाला ताकि यह देखा जा सके कि कौन सा मॉडल खतरे की सबसे अच्छी भविष्यवाणी कर सकता है।

टीम ने एक जासूस की तरह जानकारी इकट्ठा की, जैसे सुराग एकत्र करना। उन्होंने 2000 से 2025 तक के वर्षा के डेटा, मिट्टी के प्रकार के मानचित्र, ज़मीन के आकार (एक डिजिटल एलिवेशन मॉडल का उपयोग करके), और ज़मीन का वास्तव में क्या उपयोग किया जा रहा है (जैसे जंगल, खेत, या शहर) को देखा। उन्होंने मिट्टी के कटाव की समस्या को पाँच मुख्य सामग्रियों में विभाजित किया: बारिश कितनी ज़ोर से टकराती है (R), मिट्टी कितनी आसानी से टूटती है (K), ढलान कितनी लंबी और खड़ी है (LS), वनस्पति आवरण कितना है (C), और कटाव को रोकने के लिए खेती के कौन से तरीके अपनाए जा रहे हैं (P)।

एक बार जब उनके पास ये सभी सुराग आ गए, तो उन्होंने चार अलग-अलग कंप्यूटर एल्गोरिदम को काम करने दिया। ये एल्गोरिदम चार अलग-अलग शैलियों वाले अलग-अलग जासूसों की तरह थे: रैंडम फॉरेस्ट (RF), सपोर्ट वेक्टर मशीन (SVM), क्लासिफिकेशन एंड रिग्रेशन ट्री (CRT), और बूस्टेड रिग्रेशन ट्री (BRT)। प्रत्येक जासूस ने भविष्यवाणी करने की कोशिश की कि बेसिन के कौन से हिस्से में उनकी मिट्टी के खोने की सबसे अधिक संभावना है। यह देखने के लिए कि कौन सा जासूस सबसे अच्छा था, उन्होंने वास्तविक दुनिया के डेटा के खिलाफ उनका परीक्षण किया जिसे उन्होंने कंप्यूटर को पहले नहीं दिखाया था।

परिणाम स्पष्ट थे: रैंडम फॉरेस्ट मॉडल मुख्य आकर्षण रहा। इसने "एरिया अंडर द कर्व" (AUC) नामक एक स्कोर पर 0.967 प्राप्त किया, जो यह मापने का एक तरीका है कि कोई मॉडल सुरक्षित भूमि और खतरनाक भूमि के बीच अंतर करने में कितना अच्छा है। इतना उच्च स्कोर यह सुझाव देता है कि मॉडल अत्यंत विश्वसनीय है। SVM मॉडल 0.925 के स्कोर के साथ दूसरे स्थान पर आया, जबकि CRT और BRT मॉडलों ने क्रमशः 0.870 और 0.820 का स्कोर प्राप्त किया। अध्ययन में पाया गया कि रैंडम फॉरेस्ट मॉडल "ससेप्टिबिलिटी" ज़ोन (वे क्षेत्र जहाँ मिट्टी का कटाव होने की संभावना है) को मैप करने में सबसे सटीक था।

जब उन्होंने सबसे अच्छे मॉडल द्वारा बनाए गए मानचित्रों को देखा, तो उन्होंने पाया कि मिट्टी सबसे अधिक खतरे में है ऊंचे, ऊपरी हिस्सों में, विशेष रूप से उत्तर-पश्चिम में। ये क्षेत्र एक फिसलन भरी स्लाइड के शीर्ष की तरह हैं जहाँ बारिश ज़ोर से टकराती है, ज़मीन ढालू होती है, और मिट्टी को थामे रखने के लिए पर्याप्त वनस्पति नहीं होती है। इसके विपरीत, बेसिन के चपटे, मध्य और पूर्वी हिस्से बहुत सुरक्षित थे, जिनमें मिट्टी के कटाव का जोखिम बहुत कम था। कंप्यूटर ने उन्हें यह भी बताया कि कटाव की भविष्यवाणी करने के लिए सबसे महत्वपूर्ण "सुराग" ढलान की खड़ी ढलान, ज़मीन का उपयोग (जैसे खेती बनाम जंगल), बारिश कितनी ज़ोर से टकराती है, और ज़मीन की ऊंचाई थी।

पेपर स्पष्ट रूप से उल्लेख करता है कि हालांकि उनका मॉडल बहुत अच्छा है, लेकिन इसकी कुछ सीमाएँ भी हैं। उन्होंने डेटा का उपयोग किया जो समय के एक क्षण का प्रतिनिधित्व करता है और इसमें यह शामिल नहीं किया गया कि जलवायु परिवर्तन या नई खेती पद्धतियों के कारण भविष्य में ज़मीन कैसे बदल सकती है। साथ ही, यह विशिष्ट "सुपर-स्कोप" चित्तार नदी बेसिन के लिए बनाया गया था, इसलिए हालांकि यह वहां बहुत अच्छा काम करता है, हम 100% निश्चित नहीं हो सकते कि क्या यह दुनिया के किसी पूरी तरह से अलग हिस्से में बिना अधिक परीक्षण के बिल्कुल उसी तरह काम करेगा। हालाँकि, अध्ययन दृढ़ता से सुझाव देता है कि पुराने ज़माने के मिट्टी के समीकरण को आधुनिक, स्मार्ट कंप्यूटर लर्निंग के साथ जोड़ना, उन स्थानों को खोजने का एक शक्तिशाली तरीका है जहाँ हमें अपनी मिट्टी की सबसे अधिक रक्षा करने की आवश्यकता है, जिससे किसानों और योजनाकारों को पृथ्वी की इस चादर को सुरक्षित रखने में मदद मिल सके।