Uneven Global Distribution and Machine Learning–Based Characterization of Landslide Events

भूस्खलन प्रकृति के सबसे विनाशकारी बलों में से एक हैं, जो सड़कों को निगलने, घरों को दफनाने और समृद्ध राष्ट्रों और विकासशील क्षेत्रों दोनों में जीवन लेने में सक्षम हैं। ये संयोग से नहीं होते; ये विशिष्ट परिस्थितियों के संगम का परिणाम हैं। खड़ी ढलान, अस्थिर चट्टानी परतें और निर्माण या वनों की कटाई जैसी मानवीय गतिविधियाँ एक नाजुक आधार बनाती हैं। जब भारी वर्षा या भूकंप जैसा कोई ट्रिगर आता है, तो जमीन धंस जाती है। दशकों तक, वैज्ञानिकों ने इन घटनाओं का अध्ययन किया है, लेकिन उस कार्य का अधिकांश हिस्सा विशिष्ट स्थानीय क्षेत्रों पर केंद्रित था। वैश्विक चित्र को वास्तव में समझने के लिए, शोधकर्ताओं को एक ऐसे तरीके की आवश्यकता थी जिससे वे उन पैटर्न को देख सकें जो हजारों घटनाओं को एक साथ देखने पर उभरते हैं। इसके लिए एक विशाल संग्रह की आवश्यकता है, एक वैश्विक सूची जो न केवल यह ट्रैक करे कि भूस्खलन कहाँ और कब हुआ, बल्कि यह भी कि वह कितना बड़ा था और उसने कितने लोगों को प्रभावित किया। ऐसे डेटासेट के साथ, वैज्ञानिक अनुमान लगाने से आगे बढ़ सकते हैं और जोखिम के वास्तविक स्वरूप को देखना शुरू कर सकते हैं।

संयुक्त राज्य अमेरिका के विभिन्न विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इन बड़े सवालों के जवाब देने के लिए 'ग्लोबल लैंडस्लाइड कैटलॉग' की ओर रुख किया। यह कैटलॉग 1996 से 2016 तक दर्ज की गई भूस्खलन की घटनाओं का एक व्यापक रिकॉर्ड है, जिसमें 2,217 दस्तावेजी घटनाएं शामिल हैं। टीम का उद्देश्य अगली भूस्खलन की भविष्यवाणी करना नहीं था, बल्कि यह समझना था कि ये आंकड़े क्या कहानी कह रहे हैं। उन्होंने यह जांचा कि इन घटनाओं की आवृत्ति समय के साथ कैसे बदली, वे मानचित्र पर कहाँ केंद्रित हुईं, और क्या किसी भूस्खलन के आकार का अनुमान उसके स्थान और वर्ष के समय के आधार पर लगाया जा सकता है। ऐसा करने के लिए, उन्होंने मशीन लर्निंग का उपयोग किया, जो एक ऐसी विधि है जहाँ कंप्यूटर बिना किसी स्पष्ट नियम के प्रोग्राम किए, डेटा में पैटर्न पहचानना सीखते हैं। उन्होंने कई अलग-अलग कंप्यूटर मॉडलों का परीक्षण किया ताकि यह देखा जा सके कि क्या वे उपलब्ध कैटलॉग की जानकारी, जैसे घटना का वर्ष, उसके भौगोलिक निर्देशांक और क्षेत्र के जनसंख्या घनत्व के आधार पर भूस्खलनों को आकार श्रेणियों—छोटे, मध्यम या बड़े—में वर्गीकृत कर सकते हैं।

परिणामों ने असमान वितरण की एक स्पष्ट तस्वीर पेश की। भूस्खलन दुनिया भर में बेतरतीब ढंग से नहीं फैले हैं; वे विशिष्ट क्षेत्रों में मजबूती से केंद्रित हैं। ये हॉटस्पॉट उन क्षेत्रों के साथ पूरी तरह मेल खाते हैं जो खड़ी पहाड़ियों, भारी वर्षा और सक्रिय विवर्तनिक (टेक्टोनिक) हलचल के लिए जाने जाते हैं। डेटा ने अध्ययन अवधि के दौरान रिपोर्ट की गई घटनाओं की संख्या में वृद्धि भी दिखाई। शोधकर्ता सुझाव देते हैं कि यह वृद्धि संभवतः कारकों के संयोजन के कारण है: खतरनाक क्षेत्रों में अधिक लोगों का रहना, जलवायु परिवर्तन जो अधिक चरम मौसम लाते हैं, और इन घटनाओं को रिपोर्ट करने और रिकॉर्ड करने के तरीकों में सुधार। जब टीम ने भूस्खलनों के आकार को देखा, तो उन्होंने पाया कि मध्यम आकार की घटनाओं का हिस्सा अधिकांश रिपोर्टों में था, जबकि वास्तव में विशाल, विनाशकारी भूस्खलन अपेक्षाकृत दुर्लभ थे। यह असंतुलन जोखिम को समझने के लिए महत्वपूर्ण है, क्योंकि कम बार होने वाली बड़ी घटनाएं भी अत्यधिक नुकसान और जीवन की हानि पहुंचा सकती हैं।

शोधकर्ताओं ने फिर एक कठिन प्रश्न पूछा: क्या एक कंप्यूटर मॉडल केवल समय और स्थान को देखकर एक छोटे भूस्खलन और एक बड़े भूस्खलन के बीच अंतर करना सीख सकता है? उन्होंने डेटा को 'रैंडम फॉरेस्ट' और 'सपोर्ट वेक्टर मशीन्स' सहित चार अलग-अलग मशीन लर्निंग सिस्टम में डाला। उन्होंने 'प्रिंसिपल कंपोनेंट एनालिसिस' नामक एक तकनीक का भी परीक्षण किया, जो कई चरों (variables) को कुछ प्रमुख पैटर्न में जोड़कर जटिल डेटा को सरल बनाता है, इस उम्मीद में कि इससे मॉडल अधिक स्मार्ट हो जाएंगे। परिणाम मामूली थे। सर्वश्रेष्ठ मॉडल केवल लगभग 58 से 60 प्रतिशत समय ही भूस्खलन के आकार को सही ढंग से वर्गीकृत कर पाए। यह एक जटिल समस्या के लिए एक रैंडम अनुमान से थोड़ा ही बेहतर है। कंप्यूटर मॉडलों ने पाया कि घटना का वर्ष और उसका स्थान सबसे उपयोगी सुराग थे, जबकि रिपोर्ट की गई मौतों की संख्या ने आकार बताने में बहुत कम मदद की, जो कि स्वाभाविक है क्योंकि मृत्यु दर घटना का परिणाम है, न कि उसके आकार का कारण।

शायद सबसे महत्वपूर्ण निष्कर्ष यह था कि डेटा को सरल बनाने से कोई मदद नहीं मिली। शोधकर्ता उम्मीद कर रहे थे कि चरों की संख्या को कम करने से पैटर्न स्पष्ट हो जाएंगे, लेकिन इसके विपरीत हुआ। मॉडल मूल, विस्तृत डेटा का उपयोग करने के बजाय सरलीकृत संस्करण का उपयोग करने पर थोड़ा बेहतर प्रदर्शन कर रहे थे। यह सुझाव देता है कि प्रत्येक घटना का विशिष्ट विवरण मायने रखता है, और आकार को समझने के लिए आवश्यक जानकारी कई अलग-अलग कारकों में फैली हुई है जो डेटा को संकुचित करने पर खो जाती है। मॉडल इसलिए भी संघर्ष कर रहे थे क्योंकि डेटा में विभिन्न आकार की श्रेणियां काफी हद तक एक-दूसरे से मिलती-जुलती हैं; केवल बुनियादी स्थान और समय को देखते हुए, एक स्थान पर मध्यम भूस्खलन दूसरे स्थान पर बड़े भूस्खलन जैसा दिख सकता है।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि हमारे पास 'ग्लोबल लैंडस्लाइड कैटलॉग' के रूप में एक शक्तिशाली उपकरण है, लेकिन इसकी सीमाएं भी हैं। यह कैटलॉग वैश्विक भूस्खलन गतिविधि के व्यापक रुझानों को देखने के लिए एक अमूल्य संसाधन है, लेकिन इसमें विशिष्ट घटनाओं के बारे में सटीक भविष्यवाणी करने के लिए आवश्यक विस्तृत पर्यावरणीय डेटा की कमी है। डेटा अधूरा है, और रिपोर्टिंग असमान है, जिससे कंप्यूटर के लिए खेल के सटीक नियमों को सीखना कठिन हो जाता है। शोधकर्ता जोर देते हैं कि भविष्य के कार्य को इन अंतरालों को भरने पर ध्यान केंद्रित करना चाहिए। जोखिम का सही आकलन करने और बेहतर मॉडल बनाने के लिए, हमें अधिक पूर्ण रिकॉर्ड की आवश्यकता है जिसमें मिट्टी, मौसम और स्थानीय भूभाग के बारे में विस्तृत जानकारी शामिल हो। तब तक, इन शक्तिशाली प्राकृतिक घटनाओं के बारे में हमारी समझ एक प्रगतिशील कार्य बनी रहेगी, जो उन पैटर्नों द्वारा निर्देशित है जिन्हें हम देख सकते हैं, लेकिन उन विवरणों द्वारा सीमित है जिन्हें हम अभी तक पकड़ नहीं पा रहे हैं।