Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

उत्तरी मोरक्को के ऊबड़-खाबड़, बारिश से भीगे पहाड़ों में, ज़मीन एक जीवित, परिवर्तनशील इकाई है। खड़ी ढलानें, जटिल भूविज्ञान और भारी मौसमी बारिश मिलकर भूस्खलन को एक बार-बार होने वाली और खतरनाक वास्तविकता बनाती हैं। योजनाकारों और सुरक्षा अधिकारियों के लिए, लक्ष्य एक ऐसा मानचित्र बनाना है जो यह दिखाए कि कहाँ ज़मीन फिर से खिसकने की संभावना है। यह अनुमान लगाने का मामला नहीं है; यह एक सांख्यिकीय चुनौती है। भूस्खलन कहाँ हो सकता है, इसका पूर्वानुमान लगाने के लिए एक मॉडल बनाने हेतु वैज्ञानिकों को दो चीजों की आवश्यकता होती है: उन स्थानों की सूची जहाँ भूस्खलन पहले ही हो चुका है, और उन स्थानों की सूची जहाँ ज़मीन स्थिर है। पहली सूची ढूंढना आसान है; दूसरी एक जाल है। सिर्फ इसलिए कि किसी विशिष्ट स्थान पर भूस्खलन दर्ज नहीं किया गया है, इसका मतलब यह नहीं है कि ज़मीन सुरक्षित है। यह केवल यह हो सकता है कि भूस्खलन को देखा नहीं गया, वनस्पतियों द्वारा छिपा दिया गया, या वह बहुत पुराना था जिसे देखा नहीं जा सका। इन अपंजीकृत स्थानों को पुष्ट "सुरक्षित" क्षेत्रों के रूप में मानना ऐसा ही है जैसे यह मान लेना कि एक कमरा खाली है क्योंकि आपने अंदर किसी को नहीं देखा, इस संभावना को नज़रअंदाज़ करना कि कोई अलमारी के पीछे छिपा हुआ हो सकता है। यह अनिश्चितता कंप्यूटर को स्थिर ज़मीन और उस ज़मीन के बीच अंतर करने के लिए प्रशिक्षित करना अविश्वसनीय रूप से कठिन बना देती है जो केवल फिसलने की प्रतीक्षा कर रही है।

मोरक्को के शोधकर्ताओं की एक टीम ने इन "लापता" भूस्खलनों को संभालने का एक नया तरीका विकसित करके इस समस्या का समाधान किया है। कंप्यूटर को यह निर्णय लेने के लिए मजबूर करने के बजाय कि कौन से अपंजीकृत स्थान सुरक्षित हैं, उन्होंने एक ऐसी विधि बनाई जो अनिश्चितता को स्वीकार करती है। उन्होंने अपने इस नए दृष्टिकोण, जिसे MC-PU-2S कहा जाता है, का परीक्षण रिफ पहाड़ों में दो मौजूदा विधियों के विरुद्ध किया, जो अपनी खड़ी ढलानों और बार-बार होने वाली ढलान विफलताओं के लिए जाना जाता है। अध्ययन में लगभग 6,000 अवलोकनों का डेटाबेस उपयोग किया गया, जिसमें 2,300 से अधिक ज्ञात भूस्खलन स्थान और हजारों अन्य बिंदु शामिल थे जहाँ ज़मीन की स्थिति अज्ञात थी। अपने मॉडलों को एक कठोर परीक्षण प्रक्रिया के माध्यम से चलाकर, जो कंप्यूटर को टेस्ट डेटा को याद करके 'ओवरफिटिंग' करने से रोकता है, शोधकर्ताओं ने पाया कि उनकी नई विधि ने जोखिम की एक बहुत अधिक स्पष्ट और विश्वसनीय तस्वीर पेश की। पुरानी विधियाँ लगभग पूरे परिदृश्य को खतरनाक के रूप में लेबल करने की प्रवृत्ति रखती थीं, जिससे उच्च जोखिम और निम्न जोखिम के बीच की रेखाएं धुंधली हो जाती थीं, लेकिन नया दृष्टिकोण दोनों को सफलतापूर्वक अलग करता है, जो न केवल खतरे का नक्शा, बल्कि विश्वास का नक्शा भी प्रदान करता है।

समस्या का मूल यह है कि पारंपरिक मॉडल "नकारात्मक" वर्ग (negative class) को कैसे संभालते हैं—यानी वे स्थान जिन्हें सुरक्षित माना जाता है। कई अध्ययनों में, शोधकर्ता बस ज्ञात भूस्खलनों से दूर कुछ यादृच्छिक स्थान चुन लेते हैं और कंप्यूटर को बताते हैं, "यह सुरक्षित है।" नया अध्ययन तर्क देता है कि यह एक त्रुटिपूर्ण धारणा है। यदि कोई स्थान वास्तव में अस्थिर है लेकिन अभी तक उसका मानचित्रण नहीं किया गया है, तो कंप्यूटर गलत सबक सीखता है। शोधकर्ताओं ने इन तीन रणनीतियों की तुलना की। पहली विधि, जिसे 'एन्हांस्ड इंफॉर्मेशन वैल्यू' (Enhanced Information Value) के रूप में जाना जाता है, एक प्रारंभिक मॉडल को देखकर सबसे सुरक्षित स्थानों को फ़िल्टर करने की कोशिश करती है और बहुत कम जोखिम वाले क्षेत्रों को चुनती है। दूसरी विधि, जिसे 'PU टू-स्टेप' (PU Two-Step) कहा जाता है, एक सख्त कट-ऑफ पॉइंट का उपयोग करती है: यदि कोई स्थान एक विशिष्ट स्कोर के अनुसार पर्याप्त सुरक्षित दिखता है, तो उसे सुरक्षित लेबल किया जाता है; यदि वह थोड़ा भी कम सुरक्षित है, तो उसे हटा दिया जाता है। ये दोनों विधियाँ एक बाइनरी विकल्प (दो विकल्पों वाला चुनाव) थोपती हैं, जो एक ऐसी तीखी रेखा बनाती हैं जो वास्तविक दुनिया में मौजूद नहीं हो सकती है।

शोधकर्ताओं की नई विधि, MC-PU-2S, एक अलग रास्ता अपनाती है। एक कठोर रेखा खींचने के बजाय, यह प्रत्येक अज्ञात स्थान को एक संभाव्यता (probability) प्रदान करती है। यह पूछती है, "इस बात की कितनी संभावना है कि यह स्थान वास्तव में सुरक्षित है?" और यह उत्तर को काले या सफेद के बजाय ग्रे (धूसर) के विभिन्न शेड्स में रहने की अनुमति देती है। ऐसा करने के लिए, कंप्यूटर सैकड़ों सिमुलेशन चलाता है। प्रत्येक सिमुलेशन में, यह उस संभाव्यता के आधार पर यादृच्छिक रूप से निर्णय लेता है कि किसी विशिष्ट अज्ञात स्थान को सुरक्षित माना जाए या असुरक्षित। इसके बाद, यह प्रत्येक परिदृश्य के लिए एक भविष्यवाणी मॉडल बनाता है। अंत में, यह इन सैकड़ों मॉडलों में से औसत निकालता है। यह प्रक्रिया त्रुटियों को सुचारू करती है और यह प्रकट करती है कि कौन सी भविष्यवाणियाँ ठोस हैं और कौन सी संदिग्ध हैं। परिणाम केवल संवेदनशीलता का एक नक्शा नहीं है, बल्कि उत्पादों का एक समूह है: औसत जोखिम दिखाने वाला एक नक्शा, एक नक्शा जो दिखाता है कि सिमुलेशन में भविष्यवाणी कितनी भिन्न होती है, और एक नक्शा जो उन क्षेत्रों को उजागर करता है जहाँ मॉडल निर्णय लेने में असमर्थ है।

जब शोधकर्ताओं ने परिणामों की तुलना की, तो अंतर चौंकाने वाला था। पुरानी विधियों ने ऐसे नक्शे तैयार किए जहाँ अध्ययन क्षेत्र के लगभग हर बिंदु को उच्च जोखिम वाले क्षेत्र के रूप में वर्गीकृत किया गया था। कंप्यूटर अनिवार्य रूप से हर जगह "खतरा" चिल्ला रहा था, जो योजना बनाने के लिए उपयोगी नहीं है। नई विधि ने अधिक संतुलित दृष्टिकोण प्रस्तुत किया। इसने सही ढंग से पहचाना कि हालांकि कई क्षेत्र वास्तव में जोखिम भरे हैं, लेकिन परिदृश्य का एक महत्वपूर्ण हिस्सा स्थिर है। नया मॉडल दोनों के बीच अंतर करने में बहुत बेहतर था, और इसकी भविष्यवाणियां वास्तविक डेटा के साथ बहुत करीब से मेल खाती थीं। इसने पुराने मॉडलों की एक बड़ी खामी को भी ठीक किया: उनकी संभाव्यता अनुमान संकुचित और पक्षपाती थे, जिसका अर्थ था कि वे 0.9 के AUC को 0.6 के AUC से सटीक रूप से नहीं बता सकते थे। नई विधि ने इन संभावनाओं को फैला दिया, जिससे भूभाग की अधिक सूक्ष्म समझ प्राप्त हुई।

शायद इस नए दृष्टिकोण का सबसे मूल्यवान आउटपुट अनिश्चितता की पहचान करने की क्षमता है। अध्ययन में पाया गया कि लगभग 23 प्रतिशत क्षेत्र में, मॉडल यह बताने में सक्षम नहीं था कि ज़मीन सुरक्षित है या असुरक्षित। ये वे स्थान हैं जहाँ वर्गीकरण निर्णय रेखा के बिल्कुल किनारे पर मंडराता है। एक पारंपरिक मानचित्र में, ये क्षेत्र बाकी क्षेत्रों की तरह ही दिखेंगे, जो ज्ञान की एक महत्वपूर्ण कमी को छिपा देंगे। नए मानचित्रों में, इन क्षेत्रों को स्पष्ट रूप से चिह्नित किया जाता है। यह निर्णय लेने वालों के लिए एक गेम-चेंजर है। उच्च जोखिम वाला क्षेत्र जिसमें उच्च विश्वास (confidence) है, उसे तुरंत सुरक्षा उपायों के लिए लक्षित किया जा सकता है। उच्च जोखिम वाला क्षेत्र जिसमें कम विश्वास है, वह संकेत देता है कि निर्माण या शमन (mitigation) पर कोई पैसा खर्च करने से पहले अधिक फील्डवर्क की आवश्यकता है। यह अधिकारियों को बताता है कि अगली बार कहाँ देखना है, जिससे एक अस्पष्ट चेतावनी एक विशिष्ट कार्य योजना में बदल जाती है।

अध्ययन ने यह भी पुष्टि की कि इस क्षेत्र में भूस्खलन को चलाने वाले सबसे महत्वपूर्ण कारक वही हैं जो भूवैज्ञानिक पहले से जानते हैं: ढलान की तीव्रता, सड़कों से दूरी, चट्टान का प्रकार और वर्षा की मात्रा। हालाँकि, जब अनिश्चितता को ध्यान में रखा जाता है, तो इन कारकों की व्याख्या करने का तरीका बदल जाता है। नई विधि ने दिखाया कि इन कारकों और जोखिम के बीच का संबंध एक साधारण स्विच नहीं बल्कि एक जटिल ग्रेडिएंट (ढाल) है। "लापता" भूस्खलनों के शोर को औसत निकालकर, मॉडल इन पैटर्न को अधिक स्पष्ट रूप से देख सका। शोधकर्ताओं ने नोट किया कि हालांकि उनकी विधि के लिए पुरानी तकनीकों की तुलना में अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है, लेकिन यह समझौता सार्थक है। अनिश्चितता को मापने और एक ऐसा नक्शा बनाने की क्षमता जो यह स्वीकार करता है कि वह क्या नहीं जानता, आपदा प्रबंधन में एक महत्वपूर्ण कदम है।

यह कार्य यह दावा नहीं करता है कि इसने भूस्खलन की भविष्यवाणी की समस्या को पूरी तरह से हल कर दिया है। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि उनकी विधि प्रारंभिक डेटा की गुणवत्ता के प्रति संवेदनशील है और उनके अध्ययन में उपयोग किए गए सिमुलेशन की संख्या एक पायलट टेस्ट थी। वे सुझाव देते कि भविष्य के कार्यों में परिणामों को स्थिर करने के लिए और भी अधिक सिमुलेशन चलाने चाहिए। वे यह भी बताते हैं कि उनकी विधि केवल एक प्रकार की अनिश्चितता को मापती है: वह अनिश्चितता कि कौन से स्थान वास्तव में सुरक्षित हैं। यह स्वयं मानचित्रों में त्रुटियों या समय के साथ मौसम में होने वाले परिवर्तनों को ध्यान में नहीं रखती है। फिर भी, अध्ययन प्रदर्शित करता है कि कठोर, काले-सफेद सोच से हटकर एक संभाव्यता आधारित दृष्टिकोण अपनाने से बेहतर परिणाम मिलते हैं। एक ऐसी दुनिया में जहाँ ज़मीन लगातार बदल रही है, एक मॉडल जो अपनी शंकाओं को स्वीकार कर सकता है, उस मॉडल की तुलना में बहुत अधिक उपयोगी है जो आत्मविश्वास के साथ गलत है। उत्तरी मोरक्को के नए नक्शे ढलान के किनारे रहने वाले समुदायों की सुरक्षा के लिए एक स्पष्ट और ईमानदार मार्गदर्शिका प्रदान करते हैं।