A Bayesian Parametric Ground-Motion Prediction Model: Response Spectra of Shallow Crustal Seismicity in Europe

जब ज़मीन हिलती है, तो किसी विशिष्ट स्थान पर कंपन की तीव्रता केवल इस बात का मामला नहीं होती कि भूकंप कितना बड़ा था या वह कितनी दूर हुआ था। यह उस ऊर्जा के माध्यम से जाने वाले पथ और किसी इमारत के नीचे की ज़मीन की विशिष्ट प्रकृति की भी एक कहानी है। जो वैज्ञानिक इन हिलने के पैटर्न का अध्ययन करते हैं, वे गणितीय मॉडलों का उपयोग यह अनुमान लगाने के लिए करते हैं कि किसी दिए गए स्थान पर ज़मीन की गति कितनी तीव्र होगी। ये भविष्यवाणियाँ इमारतों को भूकंप से बचने के योग्य बनाने और समुदायों के जोखिम को समझने के लिए अत्यंत महत्वपूर्ण हैं। हालाँकि, यूरोप एक अनूठी चुनौती पेश करता है। बार-बार आने वाले बड़े भूकंपों वाले क्षेत्रों के विपरीत, यूरोप के अधिकांश हिस्सों में छोटे और कम बार होने वाले झटके महसूस किए जाते हैं। बड़ी घटनाओं की इस कमी के कारण सटीक भविष्यवाणी मॉडल बनाना कठिन हो जाता है, जिससे वैज्ञानिकों को छोटे भूकंपों के डेटा पर निर्भर रहना पड़ता है और उन्हें बड़े स्तर पर स्केल करने का प्रयास करना पड़ता है। समस्या यह है कि फ्रांस या बेल्जियम की ज़मीन इटली या ग्रीस की ज़मीन से अलग व्यवहार करती है, और एक मॉडल जो एक क्षेत्र के लिए काम करता है, वह अक्सर दूसरे क्षेत्र में विफल हो जाता है।

ग्रेनोबल, फ्रांस में स्थित शोधकर्ताओं की एक टीम ने इन ज़मीन की गतियों की भविष्यवाणी करने का एक नया तरीका विकसित किया है जो इन क्षेत्रीय अंतरों को बेहतर ढंग से ध्यान में रखता है। उन्होंने एक ऐसा मॉडल बनाया है जो तीन अलग-अलग स्रोतों से प्राप्त डेटा को जोड़ता है: भूकंप के रिकॉर्ड का एक विशाल यूरोपीय डेटाबेस, फ्रांस का एक विशिष्ट डेटासेट, और बेल्जियम का एक अन्य डेटासेट। इन रिकॉर्डों को मिलाकर, उन्होंने एक व्यापक चित्र बनाया है कि महाद्वीप के आर-पार भूकंपीय तरंगें कैसे यात्रा करती हैं, जिसमें सूक्ष्म कंपनों से लेकर प्रमुख घटनाओं तक सब कुछ शामिल है। इसका परिणाम एक ऐसा उपकरण है जो पिछले तरीकों की तुलना में अधिक सटीकता के साथ पूरे यूरोप में उथले भूकंपों की झटकों की तीव्रता की भविष्यवाणी कर सकता है, विशेष रूप से उन क्षेत्रों में जहाँ बड़े भूकंप दुर्लभ हैं लेकिन फिर भी संभव हैं।

शोधकर्ताओं ने विशाल मात्रा में भूकंपीय रिकॉर्ड एकत्र करके शुरुआत की। उन्होंने 1976 से 2026 के बीच घटित घटनाओं को कैप्चर करते हुए, ज़मीन के हिलने के 55,000 से अधिक रिकॉर्डों का संग्रह किया। ये रिकॉर्डिंग इटली और ग्रीस जैसे उच्च-भूकंपीय क्षेत्रों से लेकर फ्रांस और बेल्जियम जैसे शांत क्षेत्रों तक, पूरे यूरोप के एक विस्तृत हिस्से में रखे गए सेंसरों से प्राप्त की गई थीं। उनके कार्य का एक प्रमुख हिस्सा इस डेटा को साफ करना और मानकीकृत करना था। भूकंप की तीव्रता (मैग्निट्यूड), जो घटना के आकार को मापती है, विभिन्न समूहों द्वारा अलग-अलग तरीकों से गणना की गई थी। टीम ने इन विविध अनुमानों को एक एकल, सुसंगत मैग्निट्यूड मानों के सेट से बदल दिया। यह कदम महत्वपूर्ण था क्योंकि असंगत माप भूकंप के आकार और उससे उत्पन्न होने वाले कंपन के बीच के संबंध को विकृत कर सकते हैं। उन्होंने यह भी सुनिश्चित किया कि डेटा में 1.6 के आसपास की बहुत छोटी घटनाओं से लेकर 7.7 के करीब की बड़ी घटनाओं तक, भूकंपों का एक विस्तृत दायरा शामिल हो, जिससे वे पूरे स्पेक्ट्रम में कंपन के पैमाने का अध्ययन कर सकें।

एक बार डेटा तैयार हो जाने के बाद, टीम ने 'बेयसियन रिग्रेशन' (Bayesian regression) नामक एक परिष्कृत सांख्यिकीय दृष्टिकोण का उपयोग करके एक नया भविष्यवाणी मॉडल बनाया। पुराने तरीकों के विपरीत, जो प्रत्येक स्थान को एक सामान्य बिंदु मानते थे, यह नया मॉडल यह पहचानता है कि पृथ्वी एक समान नहीं है। यह यूरोप को छोटे वर्गों के एक ग्रिड में विभाजित करता है, जिनमें से प्रत्येक का माप आधा डिग्री गुणा आधा डिग्री है। इस ग्रिड के प्रत्येक वर्ग के लिए, मॉडल यह सीखता है कि ज़मीन भूकंपीय तरंगों को कैसे कम (attenuate) करती है। यह पिछले मॉडलों से एक महत्वपूर्ण बदलाव है, जो अक्सर एक ही विस्तृत क्षेत्र को समान नियमों के सेट के रूप में सौंप देते थे। ग्रिड का उपयोग करके, नया मॉडल सूक्ष्म विविधताओं का पता लगा सकता है। उदाहरण के लिए, यह पाइरेनीज़ के उच्च-क्षीणन (high-attenuation) वाले क्षेत्रों, जहाँ तरंगें तेज़ी से समाप्त हो जाती हैं, और लोअर राइन ग्रेबेन के निम्न-क्षीणन वाले क्षेत्रों, जहाँ तरंगें कम नुकसान के साथ अधिक दूरी तक यात्रा करती हैं, के बीच अंतर कर सकता है।

मॉडल भूकंप के स्रोत के प्रभावों को रिकॉर्डिंग स्थल के प्रभावों से भी अलग करता है। यह गणना करता है कि भूकंप की विशिष्ट विशेषताओं, जैसे कि उसका स्थान और गहराई, के कारण कितना कंपन होता है, और कितना कंपन उस स्थानीय भूविज्ञान के कारण होता है जहाँ सेंसर रखा गया है। यह अलगाव मॉडल को अधिक सटीक बनाता है। उदाहरण के लिए, यह पहचान सकता है कि फ्रांस की एक विशिष्ट घाटी पास की पहाड़ी की तुलना में लगातार कंपन को अधिक बढ़ा देती है, भले ही वे एक-दूसरे के करीब हों। शोधकर्ताओं ने पाया कि विवरण के इस स्तर ने उनकी भविष्यवाणियों में अनिश्चितता को कम कर दिया। नया मॉडल पिछले सबसे अच्छे मॉडल (जो पूरे यूरोप में उपयोग किया जाता था) की तुलना में त्रुटि के छोटे मार्जिन पैदा करता है, जिसका अर्थ है कि इंजीनियरों और जोखिम मूल्यांकनकर्ताओं के पास प्राप्त होने वाले आंकड़ों पर अधिक विश्वास हो सकता है।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह है कि मॉडल छोटे भूकंपों को कैसे संभालता है। अतीत में, मॉडल अक्सर छोटी घटनाओं के कंपन की भविष्यवाणी करने में संघर्ष करते थे, जिससे कभी-कभी ऐसे अवास्तविक परिणाम मिलते थे जहाँ भूकंप छोटा होने पर भी कंपन बढ़ता हुआ दिखाई देता था। नया मॉडल छोटे और मध्यम भूकंपों के प्रचुर डेटा का उपयोग करके एक विश्वसनीय आधार स्थापित करके इसे ठीक करता है। यह मॉडल को फ्रांस और बेल्जियम जैसे कम-मध्यम भूकंपीयता वाले क्षेत्रों में लागू करने की अनुमति देता है, जहाँ छोटे भूकंप आम हैं लेकिन नदी घाटियों जैसे संवेदनशील क्षेत्रों में नुकसान पहुंचा सकते हैं। मॉडल अब भौतिक वास्तविकता के अनुरूप व्यवहार करता है, यह दर्शाता है कि छोटे भूकंप कम कंपन पैदा करते हैं, और यह परिमाण 4 जितनी छोटी घटनाओं के प्रभाव की भी विश्वसनीय भविष्यवाणी कर सकता है।

शोधकर्ताओं ने यह भी खोजा कि भूकंपीय तरंगों के ऊर्जा खोने का तरीका कंपन की आवृत्ति (frequency) पर बहुत अधिक निर्भर करता है। उच्च-आवृत्ति वाली तरंगें, जो तीव्र और तीखे झटके पैदा करती हैं, कम-आवृत्ति वाली तरंगों से भिन्न व्यवहार करती हैं, जो धीमी और रोलिंग गति पैदा करती हैं। नया मॉडल तरंग के 'पीरियड' (काल) के आधार पर क्षीणन के नियमों को बदलने की अनुमति देकर इस आवृत्ति निर्भरता को पकड़ता है। इसका मतलब है कि मॉडल न केवल अधिकतम कंपन, बल्कि समय के साथ ज़मीन के हिलने के पूरे पैटर्न की भविष्यवाणी कर सकता है। यह विभिन्न प्रकार की संरचनाओं के डिजाइन के लिए आवश्यक है, क्योंकि एक ऊँची इमारत कम-आवृत्ति वाले रोलिंग के प्रति अलग तरह से प्रतिक्रिया दे सकती है, जबकि एक छोटी, सख्त घर उच्च-आवृत्ति वाले झटकों के प्रति अलग तरह से।

अध्ययन पुष्टि करता है कि नया मॉडल अपने पूर्ववर्ती की तुलना में एक महत्वपूर्ण सुधार है। यह भूकंप के आकार और दूरी की एक विस्तृत श्रृंखला को कवर करता है, स्रोत के बहुत करीब से लेकर सैकड़ों किलोमीटर दूर तक। यह भविष्यवाणी में शामिल अनिश्चितता की स्पष्ट तस्वीर भी प्रदान करता है। मॉडल को एक जीवित प्रणाली के रूप में उपयोग करने की अनुमति देकर, जिसे नए डेटा के साथ अपडेट किया जा सकता है, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो अधिक भूकंपीय रिकॉर्ड एकत्र किए जाने के साथ समय के साथ और अधिक सटीक होता जाएगा। यह विशेष रूप से यूरोप के लिए महत्वपूर्ण है, जहाँ भूकंपीय नेटवर्क लगातार विस्तारित हो रहा है। इस मॉडल को पहले से ही बेल्जियम और फ्रांस के राष्ट्रीय खतरा मानचित्रों (hazard maps) के लिए उपयोग करने हेतु अनुकूलित किया जा रहा है, जिससे उन देशों में इमारतों के लिए सुरक्षा मानकों को परिष्कृत करने में मदद मिल रही है।

हालाँकि यह मॉडल एक बड़ी प्रगति का प्रतिनिधित्व करता है, शोधकर्ता स्वीकार करते हैं कि अभी भी कुछ काम किया जाना बाकी है। कुछ क्षेत्र, विशेष रूप से बाल्कन, अभी भी कम-नमूनाकृत (under-sampled) हैं, जिसका अर्थ है कि मॉडल के पास उन क्षेत्रों में काम करने के लिए कम डेटा है। इसके अतिरिक्त, भूकंप की गहराई को सटीक रूप से निर्धारित करना कठिन हो सकता है, जो कुछ अनिश्चितता पैदा करता है। हालाँकि, उनके द्वारा बनाया गया ढांचा इन सीमाओं को संभालने के लिए डिज़ाइन किया गया है। जैसे-जैसे नया डेटा उपलब्ध होता है, मॉडल को अंतराल भरने और अनिश्चितता को कम करने के लिए अपडेट किया जा सकता है। अंतिम लक्ष्य पूरे महाद्वीप में भूकंपीय जोखिम की एक निर्बाध, अत्यधिक सटीक तस्वीर बनाना है, जिससे यह सुनिश्चित हो सके कि समुदाय अपने नीचे की ज़मीन के प्रति बेहतर रूप से तैयार हैं।

यह कार्य प्रदर्शित करता है कि विशाल मात्रा में डेटा को उन्नत सांख्यिकीय तकनीकों के साथ जोड़कर, वैज्ञानिक उन जटिलताओं की परतों को हटा सकते हैं जिन्होंने लंबे समय से भूकंपीय कंपन की हमारी समझ को धुंधला कर रखा था। नया मॉडल केवल संख्याएँ ही नहीं बताता; यह इस बात का खुलासा करता है कि ऊर्जा यूरोपीय क्रस्ट (crust) के माध्यम से कैसे चलती है। यह दिखाता है कि ज़मीन एक निष्क्रिय पृष्ठभूमि नहीं है बल्कि भूकंप के हर झटके में एक सक्रिय भागीदार है, जो खतरे को उन तरीकों से आकार देती है जो अब अंततः स्पष्ट होते जा रहे हैं। इन क्षेत्रों में रहने वाले लोगों के लिए, यह स्पष्टता सुरक्षित इमारतों और भूकंपीय गतिविधि के निरंतर जोखिम के प्रति अधिक सूचित दृष्टिकोण में परिवर्तित होती है।