Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

दक्षिण-पश्चिमी चीन के ऊबड़-खाबड़, पहाड़ी परिदृश्यों में, पृथ्वी कभी-कभी अचानक, विनाशकारी बल के साथ खिसकती है। इन खड़ी घाटियों में रहने वाले लोगों के जीवन, घरों और बुनियादी ढांचे के लिए भूस्खलन एक निरंतर खतरा है। दशकों से, वैज्ञानिक और इंजीनियर कंप्यूटर मॉडल पर भरोसा करते रहे हैं कि अगला आपदा कहाँ आ सकती है। ये मॉडल पैटर्न पहचानने में उत्कृष्ट हैं; वे एक ढलान के मानचित्र को देखकर कह सकते हैं, "यह स्थान खतरनाक दिखता है," क्योंकि वे इस बात का विश्लेषण करते हैं कि ढलान कितनी खड़ी है, वहां कितनी बारिश होती है, या मिट्टी के नीचे किस प्रकार की चट्टान है। हालांकि, एक पैटर्न पहचानने और कारण को समझने के बीच एक महत्वपूर्ण अंतर है। यह जानना कि भूस्खलन अक्सर वहां होता है जहां जमीन खड़ी होती है, अपने आप में यह नहीं बताता कि यदि हम किसी तरह ढलान की तीव्रता को बदल सकें, या मिट्टी में पानी की मात्रा को बदल सकें, तो क्या होगा। जोखिम का प्रबंधन करने के लिए, हमें केवल यह जानने की आवश्यकता नहीं है कि भूस्खलन के साथ क्या जुड़ा हुआ है, बल्कि यह जानने की आवश्यकता है कि यदि हम हस्तक्षेप करते हैं, तो वास्तव में जोखिम को बढ़ाने या घटाने का कारण क्या होगा।

यही वह चुनौती थी जिसे चोंगकिंगिंग पॉलिटेक्निक यूनिवर्सिटी ऑफ इलेक्ट्रॉनिक टेक्नोलॉजी, चोंगकिंगिंग यूनिवर्सिटी ऑफ एजुकेशन और पेकिंग यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने हल करने का प्रयास किया। उन्होंने अपना अध्ययन चोंगकिंग पर केंद्रित किया, जो अपने नाटकीय स्थलाकृति और तीव्र शहरी विकास के लिए प्रसिद्ध शहर है, जहाँ प्रकृति और मानवीय गतिविधियों का मिलन भूगर्भीय खतरों को समझने के नए तरीकों के परीक्षण के लिए एक आदर्श प्रयोगशाला बनाता है। केवल यह पूछने के बजाय कि कौन से कारक भूस्खलन की भविष्यवाणी करते हैं, उन्होंने एक अलग, अधिक कठिन प्रश्न पूछा: यदि हम किसी विशिष्ट पर्यावरणीय कारक को बदल सकें, तो भूस्खलन का जोखिम कैसे बदलेगा? इसका उत्तर देने के लिए, वे मानक भविष्यवाण संबंधी उपकरणों से आगे बढ़े और 'टी-लर्नर' (T-learner) नामक एक पद्धति को लागू किया। यह दृष्टिकोण शोधकर्ताओं को एक "क्या होगा यदि" (what if) परिदृश्य का अनुकरण करने की अनुमति देता है, जिससे वे अन्य सभी स्थितियों का सावधानीपूर्वक लेखा-जोखा रखते हुए, एक कारक के उच्च स्तर (जैसे भारी वर्षा) और निम्न स्तर के बीच जोखिम के अंतर का अनुमान लगा सकें।

शोधकर्ताओं ने 30,000 से अधिक रिकॉर्डों वाले एक विशाल डेटासेट के साथ शुरुआत की, जिसमें आधे रिकॉर्ड उन स्थानों के थे जहाँ भूस्खलन हुआ था और आधे उन स्थानों के जहाँ नहीं हुआ था। उन्होंने प्रत्येक स्थान के लिए 17 अलग-अलग जानकारियां एकत्र कीं, जिनमें भूमि की ऊंचाई और ढलान का कोण से लेकर मिट्टी से वाष्पीकरण होने वाली पानी की मात्रा, नदियों से दूरी और नीचे की चट्टान का प्रकार तक शामिल थे। एक शक्तिशाली कंप्यूटर लर्निंग एल्गोरिदम का उपयोग करते हुए, उन्होंने सबसे पहले एक मॉडल को भूस्खलन स्थल और सुरक्षित स्थल के बीच अंतर करने वाले पैटर्न को पहचानने के लिए प्रशिक्षित किया। यह मॉडल अत्यधिक सटीक था, जिसने अपने परीक्षण डेटा में भूस्खलन के स्थानों को उच्च सफलता के साथ सही ढंग से पहचाना। हालांकि, टीम जानती थी कि उच्च सटीकता अकेले कारण का खुलासा नहीं करती है। एक मॉडल यह सीख सकता है कि भूस्खलन सड़कों के पास होता है क्योंकि सड़कें खड़ी ढलानों पर बनाई जाती हैं, न कि इसलिए कि सड़कें स्वयं स्लाइड को ट्रिगर करती हैं। इस उलझन को सुलझाने के लिए, उन्होंने प्रत्येक कारक के परिवर्तन के औसत प्रभाव का अनुमान लगाने के लिए टी-लर्नर का उपयोग किया।

परिणामों ने इस क्षेत्र में भूस्खलन के जोखिम को चलाने वाले कारकों का एक सूक्ष्म दृष्टिकोण प्रदान किया। विश्लेषण से पता चला कि तीन कारक जिनके अनुमानित 'काउंटरफैक्चुअल' (counterfactual) जोखिम अंतर सबसे बड़े थे, वे वाष्पोत्सर्जन (evapotranspiration), वर्षा और ऊंचाई थे। वाष्पोत्सर्जन मिट्टी और पौधों से हवा में पानी के जाने की एक माप है; इस अध्ययन में, उच्च स्तर की इस प्रक्रिया वाले क्षेत्र भूस्खलन के कम अनुमानित जोखिम से जुड़े थे। इसी तरह, उच्च ऊंचाई और उच्च कुल वर्षा भी उनके विशिष्ट मॉडल में कम जोखिम से जुड़ी थी। शोधकर्ताओं ने चेतावनी दी कि वर्षा के संबंध में यह निष्कर्ष सीधे तौर पर वर्षा बढ़ाने के हस्तक्षेप के सुझाव के रूप में नहीं लिया जाना चाहिए। उन्होंने स्पष्ट किया कि यह परिणाम संभवतः तत्काल ट्रिगर्स के बजाय दीर्घकालिक स्थितियों को दर्शाता है; शायद उच्च वार्षिक वर्षा वाले क्षेत्रों में ऐसी वनस्पति होती है जो मिट्टी को थामे रखने के लिए बेहतर अनुकूलित होती है, या डेटा जल चक्र के उस पहलू को पकड़ता है जो अचानक आने वाले तूफानों से भिन्न है जो तत्काल विफलता का कारण बनते हैं। इसके विपरीत, वर्षा की तीव्रता—यानी जिस गति से बारिश होती है—ने एक सकारात्मक प्रभाव दिखाया, जिसका अर्थ है कि तेज, तीव्र वर्षा उच्च जोखिम से जुड़ी थी, जो भूस्खलन को ट्रिगर करने के सामान्य ज्ञान के अनुरूप है।

अध्ययन ने इस बात पर भी प्रकाश डाला कि एक कंप्यूटर मॉडल किसे महत्वपूर्ण पाता है और वास्तव में जोखिम में बदलाव का कारण क्या है, इसके बीच एक महत्वपूर्ण अंतर है। शोधकर्ताओं ने अपने नए "क्या होगा यदि" अनुमानों की तुलना SHAP नामक एक मानक पद्धति से की, जो केवल इस आधार पर कारकों को रैंक करती है कि वे मॉडल को भविष्यवाणी करने में कितनी मदद करते हैं। मानक रैंकिंग में, वाष्पोत्सर्जन सबसे महत्वपूर्ण कारक था, उसके बाद वर्षा और ऊंचाई का स्थान था। क्रम समान था, लेकिन अर्थ अलग था। मानक पद्धति ने कहा कि ये कारक यह अनुमान लगाने में सर्वश्रेष्ठ हैं कि भूस्खलन कहाँ होगा। नई पद्धति ने सुझाव दिया कि यदि हम इन कारकों को बदल सकें, तो जोखिम काफी बदल जाएगा। उदाहरण के लिए, अध्ययन में पाया गया कि वाष्पोत्सर्जन के लिए अनुमानित जोखिम अंतर ढलान (slope) की तुलना में अधिक था, जो एक ऐसा कारक है जिसे पारंपरिक रूप से भूस्खलन विज्ञान में सबसे महत्वपूर्ण माना जाता है। हालांकि, शोधकर्ताओं ने स्पष्ट रूप से उल्लेख किया कि यह पैटर्न यह संकेत नहीं देता कि इन चरों ने ढलान की तुलना में अधिक प्रत्यक्ष कारण प्रभाव सिद्ध कर दिया है। उपचार की परिभाषाएं, स्थानिक सह-परिवर्तन और अनमापी भ्रम (unmeasured confounding) सभी सापेक्ष रैंकिंग को प्रभावित कर सकते हैं, जिसका अर्थ है कि इन परिणामों को निश्चित कारण शक्ति के प्रमाण के बजाय आगे के सत्यापन के लिए परिकल्पनाओं के रूप में देखा जाना चाहिए।

इन दिलचस्प निष्कर्षों के बावजूद, शोधकर्ता अपने कार्य की सीमाओं को परिभाषित करने में सावधान रहे। उन्होंने इस बात पर जोर दिया कि उनका अध्ययन समय का एक स्नैपशॉट था, जिसमें वर्षों तक ट्रैक करने के बजाय एक ही समय में एकत्र किए गए डेटा का उपयोग किया गया था। इस कारण से, वे यह साबित नहीं कर सके कि एक कारक निश्चित रूप से दूसरे का कारण बनता है, और न ही वे इस संभावना को खारिज कर सके कि किसी छिपे हुए कारक, जैसे मिट्टी के प्रकार या पिछले मानवीय इंजीनियरिंग ने पर्यावरणीय स्थितियों और भूस्खलन जोखिम दोनों को प्रभावित किया हो। उन्होंने यह भी नोट किया कि उनके परिणाम चोंगकिंग के पहाड़ी, आर्द्र वातावरण के लिए विशिष्ट हैं और शुष्क रेगिस्तानों या मैदानी इलाकों पर लागू नहीं हो सकते हैं। यह अध्ययन एक शक्तिशाली खोजपूर्ण ढांचे के रूप में कार्य करता है, जो दिखाता है कि हम सरल भविष्यवाणी से आगे बढ़कर कारण और प्रभाव के बारे में गहरे प्रश्न पूछ सकते हैं। यह सुझाव देता है कि भूस्खलन को रोकने के भविष्य के प्रयासों को जल चक्र और वनस्पति पर बारीकी से नज़र रखनी चाहिए, लेकिन यह इंजीनियरों को यह नहीं बताता कि ठीक क्या बनाना है या कहाँ खुदाई करनी है। इसके बजाय, यह परीक्षण के लिए परिकल्पनाओं का एक नया सेट प्रदान करता है, जो वैज्ञानिकों को भविष्य के अध्ययन डिजाइन करने के लिए प्रेरित करता है जो समय के साथ परिवर्तनों को ट्रैक कर सकें और पुष्टि कर सकें कि क्या ये अनुमानित प्रभाव वास्तविक दुनिया में भी सत्य हैं।

इस शोध का अंतिम मूल्य भविष्यवाणी के संकेत (signal) को कारण के संकेत से अलग करने की इसकी क्षमता में निहित है। एक वास्तविक दुनिया की समस्या पर इन उन्नत सांख्यिकीय उपकरणों को लागू करके, टीम ने प्रदर्शित किया कि जिन कारकों का उपयोग हम आपदा की भविष्यवाणी करने के लिए करते हैं, वे हमेशा वे कारक नहीं होते जिन्हें हमें उसे रोकने के लिए लक्षित करना चाहिए। उन्होंने दिखाया कि जबकि एक कंप्यूटर बहुत सटीकता के साथ एक खतरनाक ढलान को पहचान सकता है, लेकिन यह समझना कि वह ढलान क्यों खतरनाक है, एक अलग तरह की सोच की आवश्यकता होती है। अध्ययन का निष्कर्ष है कि हालांकि हम अभी यह दावा नहीं कर सकते कि हमने चोंगकिंग में भूस्खलन के कारणों के रहस्य को सुलझा लिया है, लेकिन हमने बारिश, मिट्टी और ढलान के बीच जटिल संबंधों को समझने की दिशा में एक महत्वपूर्ण कदम उठाया है। यह नया दृष्टिकोण भविष्य के अनुसंधान के लिए एक रोडमैप प्रदान करता है, जो बेहतर डेटा और अधिक कठोर परीक्षण के साथ इन कारण संबंधों को सत्यापित करने को प्राथमिकता देता है, जिससे अंततः इन चुनौतीपूर्ण परिदृश्यों में सुरक्षित समुदाय बन सकें।