Urban Spatial Growth Modeling and Prediction using an Inte-grated Model of Artificial Neural Network and Cellular Au-tomata
यह शोध पत्र एक एकीकृत आर्टिफिशियल न्यूरल नेटवर्क और सेलुलर ऑटोमेटा मॉडल प्रस्तावित करता है जो थूथुकुडी जिले, भारत में भविष्य के शहरी विकास और भूमि-उपयोग परिवर्तनों की सटीक भविष्यवाणी करने के लिए भौगोलिक, स्थलाकृतिक और सामाजिक-आर्थिक कारकों को संयोजित करता है, ताकि वर्ष 2030 तक सतत नियोजन किया जा सके।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
शहर जीवित चीजें हैं जो सांस लेते हैं, विस्तार करते हैं और बदलते रहते हैं, जो लोगों की निरंतर आवाजाही और घरों, नौकरियों और सड़कों की आवश्यकता से संचालित होते हैं। जब एक शहर बढ़ता है, तो वह केवल बड़ा ही नहीं होता; वह अपने नीचे की जमीन को भी बदल देता है, खेतों को पड़ोसों में और जंगलों को पार्किंग लॉटों में बदल देता है। पर्यावरण को नष्ट किए बिना इस विकास को प्रबंधित करने के लिए, योजनाकारों को भविष्य देखने की आवश्यकता होती है। उन्हें यह जानने की जरूरत है कि शहर आगे कहाँ फैलेगा ताकि वे जल स्रोतों की रक्षा कर सकें, हरित स्थानों को संरक्षित कर सकें और सही स्थानों पर बुनियादी ढांचे का निर्माण कर सकें। दशकों से, वैज्ञानिक कंप्यूटर मॉडल बनाने की कोशिश कर रहे हैं जो क्रिस्टल बॉल (भविस्क़ी बताने वाले गोले) की तरह काम करें, जो मानचित्रों और डेटा का उपयोग करके यह अनुमान लगाएं कि एक शहर कैसे विकसित होगा। ये मॉडल आमतौर पर एक समय में एक ही चीज़ देखते हैं, जैसे कि ज़मीन का किसी सड़क के कितने करीब होना, या पहाड़ियाँ कितनी ढालू हैं। हालाँकि, वास्तविक शहर अव्यवस्थित और जटिल होते हैं। ज़मीन का एक टुकड़ा समतल और सड़क के पास हो सकता है, लेकिन यदि मिट्टी खराब है या क्षेत्र पहले से ही भीड़भाड़ वाला है, तो वह शहर नहीं बन पाएगा। मौजूदा उपकरण अक्सर इन सूक्ष्म संबंधों को चूक जाते हैं, और शहर को हिस्सों के सरल योग के रूप में देखते हैं न कि संबंधों के एक जटिल जाल के रूप में।
दक्षिण भारत के थूथुकुडी जिले पर केंद्रित एक हालिया अध्ययन में, शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नए प्रकार का डिजिटल मॉडल बनाया। वे एक ऐसी प्रणाली बनाना चाहते थे जो समझ सके कि भूगोल, भूमि का आकार और मानव अर्थशास्त्र कैसे शहरी विस्तार को चलाने के लिए एक साथ काम करते हैं। इन कारकों को अलग-अलग देखने के बजाय, उन्होंने दो शक्तिशाली कंप्यूटर तकनीकों को मिलाया। पहली तकनीक, जिसे सेलुलर ऑटोमेटा मॉडल के रूप में जाना जाता है, एक मानचित्र को छोटे वर्गों या 'सेल्स' के ग्रिड में तोड़ती है, और यह देखने के लिए सरल नियम लागू करती है कि वे समय के साथ कैसे बदलते हैं। दूसरी तकनीक, एक आर्टिफिशियल न्यूरल नेटवर्क, एक सीखने वाली मशीन की तरह कार्य करती है जो जटिल नियमों को समझने के लिए पिछले पैटर्न का अध्ययन करती है। इन दोनों विधियों को आपस में बुनकर, शोधकर्ताओं ने एक हाइब्रिड मॉडल बनाया जो इतिहास से सीख सकता था और पहले की तुलना में बहुत अधिक विवरण के साथ भविष्य का अनुकरण (सिमुलेशन) कर सकता था।
टीम ने 2016 से 2025 तक के थूथुकुडी के उपग्रह चित्रों (सैटेलाइट इमेजरी) को एकत्र करने के साथ शुरुआत की। उन्होंने बादलों और वायुमंडलीय धुंध को हटाने के लिए इन छवियों को साफ किया, फिर कंप्यूटर का उपयोग करके मानचित्र के प्रत्येक पिक्सेल को चार श्रेणियों में वर्गीकृत किया: शहरी भूमि, वनस्पति, जल, या नग्न मिट्टी। फिर उन्होंने इसे एक बाइनरी दृश्य में सरल बना दिया, जिसमें शहर के अलावा बाकी सब कुछ को "गैर-शहरी" श्रेणी में डाल दिया। अपने मॉडल को यह सिखाने के लिए कि शहर कैसे बढ़ते हैं, उन्होंने इसे सूचनाओं की एक विस्तृत श्रृंखला दी। उन्होंने देखा कि ज़मीन का प्रत्येक हिस्सा शहर के केंद्र, सड़कों, रेलवे और जल स्रोतों से कितना करीब था। उन्होंने भूमि के भौतिक आकार का भी परीक्षण किया, जिसमें ढलानों की दिशा, मिट्टी के प्रकार और बाढ़ के जोखिम शामिल थे। अंत में, उन्होंने मानवीय कारकों को जोड़ा, जैसे कि आस-पास कितने लोग रहते थे, भूमि आर्थिक केंद्रों के कितने करीब थी, और भूमि का मूल्य स्वयं क्या था।
उनके नए सिस्टम का मूल एक सीखने की प्रक्रिया है। आर्टिफिशियल न्यूरल नेटवर्क ने ऐतिहासिक डेटा का अध्ययन किया ताकि यह पता लगाया जा सके कि इन कारकों के कौन से संयोजन वास्तव में नए निर्माण की ओर ले जाते हैं। इसने सीखा कि सड़क के पास स्थित ज़मीन का टुकड़ा अपने आप शहर बनने के लिए नियत नहीं है; यह मिट्टी की गुणवत्ता, स्थानीय जनसंख्या घनत्व और ज़ोनिंग नियमों पर भी निर्भर करता है। एक बार जब कंप्यूटर ने इन पैटर्न को सीख लिया, तो उसने वह ज्ञान सेलुलर ऑटोमेटा मॉडल को सौंप दिया। इस प्रणाली के दूसरे भाग ने हजारों सिमुलेशन चलाए, ग्रिड के सेल्स पर सीखे गए नियमों को लागू किया ताकि यह देखा जा सके कि शहर समय के साथ कैसे फैलेगा। मॉडल ने केवल अनुमान नहीं लगाया; इसने मानचित्र के प्रत्येक सेल के लिए एक संभावना की गणना की, यह तय करते हुए कि वह एक खेत के रूप में रहेगा या एक इमारत में बदलेगा, जो उन जटिल कारकों का मिश्रण था जिन्हें न्यूरल नेटवर्क ने पहचाना था।
जब शोधकर्ताओं ने अपने नए मॉडल का परीक्षण थूथुकडी में 2016 और 2025 के बीच हुए वास्तविक परिवर्तनों के विरुद्ध किया, तो यह पारंपरिक तरीकों की तुलना में काफी बेहतर प्रदर्शन करता दिखा। पुराने मॉडलिंग के तरीके, जो अक्सर सरल भारित स्कोर (weighted scores) पर निर्भर करते थे, लगभग 82 प्रतिशत मामलों में सही परिवर्तनों का अनुमान लगाने में सक्षम रहे। हालाँकि, नए हाइब्रिड मॉडल ने 91.4% का 'परसेंट करेक्ट मैच' (PCM) प्राप्त किया, जो अनुमानित और वास्तविक शहरी संक्रमणों के बीच उच्च स्तर के समझौते को दर्शाता है। इसने शहर के विकास के आकार को पकड़ने में भी बेहतर प्रदर्शन किया। वास्तविक शहर समूहों (clusters) में बढ़ता है, जहाँ मौजूदा इमारतों के पास नई इमारतें दिखाई देती हैं, न कि बेतरतीब ढंग से फैलता है। नया मॉडल इस क्लस्टर पैटर्न को सफलतापूर्वक पुन: निर्मित करने में सफल रहा, जो वास्तविकता के साथ उच्च स्थानिक सहमति दिखाता है। इसके विपरीत, पुराने मॉडल अधिक बिखरे हुए, अवास्तविक पैटर्न उत्पन्न करते थे।
अध्ययन में इस बात पर भी नज़र डाली गई कि ज़मीन के साथ पहले ही क्या हो चुका है। दो समय अवधियों के बीच, जिले में शहरी भूमि की मात्रा कुल क्षेत्र के 18.4 प्रतिशत से बढ़कर 27.9 प्रतिशत हो गई। यह विस्तार मुख्य रूप से वनस्पति की कीमत पर आया, जो लगभग 8 प्रतिशत गिर गई, और सतही जल, जो 2 प्रतिशत से अधिक सिकुड़ गया। मॉडल ने पुष्टि की कि शहर प्राकृतिक परिदृश्य को निगल रहा है, खेतों और जंगलों को कंक्रीट और डामर में बदल रहा है। यह समझने के बाद कि यह रूपांतरण कहाँ होने की सबसे अधिक संभावना है, शोधकर्ता अब 2030 तक जिले के स्वरूप का अनुमान लगा सकते हैं। उनका सिमुलेशन बताता है कि यदि हस्तक्षेप नहीं किया गया, तो शहरी फैलाव बाहर की ओर धकेलता रहेगा, जिससे स्थानीय पारिस्थितिकी तंत्र के लिए महत्वपूर्ण हरित और नीले क्षेत्रों में और कमी आएगी।
यह कार्य शहर योजनाकारों के लिए भविष्य को देखने का एक अधिक विश्वसनीय तरीका प्रदान करता है। एक सीखने वाली मशीन की छिपे हुए पैटर्न खोजने की क्षमता और ग्रिड-आधारित सिमुलेशन के संरचित तर्क को जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया जो शहर को एक संपूर्ण इकाई के रूप में देखता है। यह स्वीकार करता है कि एक शहर का विकास केवल सड़क से दूरी या पहाड़ी की ढलान के बारे में नहीं है, बल्कि कई शक्तियों की एक जटिल परस्पर क्रिया है। मॉडल एक स्पष्ट तस्वीर प्रदान करता है कि शहर आगे कहाँ जा सकता है, जिससे अधिकारियों को वह जानकारी मिलती है जिसकी उन्हें विकास और पर्यावरणीय संरक्षण के बीच संतुलन बनाने के लिए आवश्यकता होती है। हालाँकि यह मॉडल एक सिमुलेशन है और कोई गारंटीकृत भविष्यवाणी नहीं है, इसकी उच्च सटीकता यह सुझाव देती है कि यह हमारे शहरों द्वारा दुनिया को कैसे आकार दिया जाएगा, इसे समझने की दिशा में एक शक्तिशाली कदम है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।