Predicting Fire-Following-Earthquake Ignition Probabilities in California: Validation Across Earthquake Events
यह अध्ययन ऐतिहासिक कैलिफोर्निया भूकंप डेटा का उपयोग करके एक जनगणना-ट्रैक्ट-स्तर के लॉजिस्टिक रिग्रेशन मॉडल विकसित और मान्य करता है ताकि स्थानिक अग्नि-भूकंप के बाद होने वाले प्रज्वलन जोखिमों (fire-following-earthquake ignition risks) की प्रभावी ढंग से भविष्यवाणी और प्राथमिकता दी जा सके, जो क्रॉस-वैलिडेशन और USGS हायवायर्ड (HayWired) भूकंप परिदृश्य के अनुप्रयोग दोनों में मजबूत प्रदर्शन प्रदर्शित करता है।
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
जब किसी शहर में जमीन हिलती है, तो तत्काल खतरा अक्सर इमारतों के ढहने और बुनियादी ढांचे के टूटने का होता है। फिर भी, इतिहास यह दर्शाता है कि एक बड़े भूकंप का सबसे विनाशकारी परिणाम अक्सर उसके बाद लगने वाली आग होती है। 1906 के सैन फ्रांसिस्को भूकंप में, आग ने खुद कंपन से कहीं अधिक शहर को नष्ट कर दिया था, जिससे एक विशाल क्षेत्र में हजारों संरचनाएं जल गईं। यह माध्यमिक खतरा, जिसे 'भूकंप के बाद लगने वाली आग' (fire following earthquake) के रूप में जाना जाता है, तब उत्पन्न होता है जब हिंसक हलचल से सामान अपनी जगह से हट जाता है, गैस लाइनें टूट जाती हैं, या वॉटर हीटर गिर जाते हैं, जिससे आग लग जाती है, ठीक उसी समय जब आपातकालीन प्रतिक्रिया प्रणाली प्रारंभिक आपदा से अभिभूत हो जाती है। पानी की आपूर्ति कट जाने और सड़कें अवरुद्ध होने के कारण, ये व्यक्तिगत आग की लपटें अनियंत्रित भ fuego (infernos) में बदल सकती हैं। शहरी योजनाकारों और आपातकालीन प्रबंधकों के लिए, महत्वपूर्ण चुनौती केवल यह अनुमान लगाना नहीं है कि आग लगेगी, बल्कि यह जानना है कि वे वास्तव में कहाँ शुरू होने की सबसे अधिक संभावना है। यह ज्ञान उन्हें भूकंप शुरू होने से पहले ही संसाधनों को रणनीतिक रूप से तैनात करने की अनुमति देता है, जिससे संभावित रूप से जीवन बचाया जा सकता है और विनाश को सीमित किया जा सकता है।
बीजिंग यूनिवर्सिटी ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने कैलिफोर्निया में इन आग के जोखिमों का मानचित्र बनाने का एक नया तरीका विकसित करके इस समस्या का समाधान किया है। उन्होंने एक विशिष्ट प्रश्न पर ध्यान केंद्रित किया: यदि किसी विशेष पड़ोस में भूकंप आता है, तो वहां आग लगने की कितनी संभावना है? इसका उत्तर देने के लिए, उन्होंने 1983 और 2014 के बीच कैलिफोर्निया में आए सात प्रमुख भूकंपों का अध्ययन किया। उन्होंने प्रभावित क्षेत्रों के भीतर प्रत्येक जनगणना क्षेत्र (census tract)—जो जनसंख्या गणना के लिए उपयोग किया जाने वाला एक छोटा, परिभाषित पड़ोस है—का डेटा एकत्र किया। कुल मिलाकर, उन्होंने 7,000 से अधिक अवलोकनों का विश्लेषण किया, जिसमें यह दर्ज किया गया कि किन पड़ोसों में कम से कम एक आग लगी और किनमें नहीं। इसके बाद उन्होंने इन परिणामों को विभिन्न कारकों के साथ क्रॉस-रेफरेंस किया, जिसमें जमीन के हिलने की तीव्रता, इमारतों की आयु और प्रकार, वहां रहने वाले लोगों की संख्या और यहां तक कि भूकंप किस समय हुआ, शामिल थे।
शोधकर्ताओं को अपने काम में एक महत्वपूर्ण बाधा का सामना करना पड़ा: यह सुनिश्चित करना कि उनकी भविष्यवाणियां कल यदि कोई नया भूकंप आता है, तो भी प्रभावी रहेंगी। कई पिछले अध्ययनों ने अपने मॉडलों का परीक्षण एक ही भूकंप के डेटा को प्रशिक्षण (training) और परीक्षण (testing) समूहों में विभाजित करके किया था, जो सटीकता का एक भ्रम पैदा कर सकता है। इससे बचने के लिए, टीम ने एक कठोर पद्धति का उपयोग किया जहां उन्होंने छह भूकंपों के डेटा का उपयोग करके अपना भविष्यवाणी उपकरण बनाया और फिर इसे सातवें भूकंप पर पूरी तरह से परीक्षण किया, और इस प्रक्रिया को उनके डेटासेट की प्रत्येक घटना के लिए दोहराया गया। 'नेस्टेड क्रॉस-वैलिडेशन' (nested cross-validation) के रूप में जानी जाने वाली यह पद्धति एक सख्त स्ट्रेस टेस्ट की तरह कार्य करती है, जो यह सुनिश्चित करती है कि मॉडल केवल पिछले घटनाओं के विवरण को याद करने के बजाय आग के जोखिम के बारे में सामान्य नियम सीखे। परिणाम उत्साहजनक थे। जब मॉडल का परीक्षण उन पूरी तरह से अनदेखे भूकंपों के विरुद्ध किया गया, तो इसने सफलतापूर्वक पड़ोसों को रैंक किया, जिससे वे क्षेत्र शीर्ष सूची में आ गए जहाँ वास्तव में आग लगी थी। विशेष रूप से, जब शोधकर्ताओं ने उच्चतम जोखिम वाले घोषित शीर्ष 20 प्रतिशत पड़ोसों को देखा, तो उन्होंने पाया कि इन क्षेत्रों में सात ऐतिहासिक घटनाओं के दौरान लगी लगभग 72 प्रतिशत वास्तविक आग शामिल थी।
अध्ययन ने उन विशिष्ट घटकों की भी पहचान की जो किसी पड़ोस को प्रज्वलन के प्रति अधिक संवेदनशील बनाते हैं। मॉडल ने पाया कि झटकों की तीव्रता एक प्राथमिक चालक थी, लेकिन इमारतों की विशेषताएं भी महत्वपूर्ण थीं। पुराना आवास स्टॉक, विशेष रूप से 1970 से पहले बनी घर, और प्राकृतिक गैस से गर्म होने वाली इमारतों का उच्च घनत्व आग लगने की संभावना को काफी बढ़ा देता है। शोधकर्ताओं ने इन कारकों को एक अंतिम भविष्य कहने वाले उपकरण में संयोजित किया जो प्रत्येक पड़ोस को एक संभाव्यता स्कोर (probability score) प्रदान करता है। उन्होंने इस उपकरण का परीक्षण एक काल्पनिक भविष्य के परिदृश्य पर किया: हेवर्ड फॉल्ट (Hayward Fault) पर एक तीव्रता 7.0 का भूकंप, जिसे 'हेवाइयर्ड' (HayWired) परिदृश्य कहा जाता है। मॉडल ने भविष्यवाणी की कि उच्चतम जोखिम अलामेडा, कॉन्ट्रा कोस्टा और सांता क्लारा काउंटियों में केंद्रित होगा। यह निष्कर्ष स्वतंत्र अनुमानों के साथ निकटता से मेल खाता है कि उसी परिदृश्य में आग कहाँ फैलने की संभावना है, जो यह दर्शाता है कि मॉडल आग के प्रसार की वास्तविक दुनिया की गतिशीलता को प्रभावी ढंग से पकड़ता है।
शोधकर्ता केवल एक पद्धति तक ही सीमित नहीं रहे; उन्होंने यह भी परीक्षण किया कि क्या उनके परिणाम इस बात पर निर्भर करते हैं कि वे कंपन को कैसे मापते हैं या वे डेटा को कैसे विभाजित करते हैं। उन्होंने पाया कि हालांकि जमीन की हलचल को मापने के विभिन्न तरीकों ने कुछ पड़ोसों की विशिष्ट रैंकिंग को बदल दिया, लेकिन उच्च-जोखिम वाले क्षेत्रों की पहचान करने की मॉडल की समग्र क्षमता मजबूत बनी रही। सबसे सुसंगत परिणाम तब आए जब कंपन की तीव्रता के एक विशिष्ट माप का उपयोग किया गया जो इस बात के साथ अच्छा सहसंबंध रखता है कि मनुष्य भूकंप को कैसे महसूस करते हैं और संरचनाएं कैसे प्रतिक्रिया देती हैं। अध्ययन निष्कर्ष निकालता है कि जमीन की हलचल, भवन की आयु और ईंधन स्रोतों के सही संयोजन पर ध्यान केंद्रित करके, आग के जोखिम का एक विश्वसनीय मानचित्र बनाना संभव है। यह मानचित्र सटीक क्षण की भविष्यवाणी नहीं करता है कि आग कब शुरू होगी, लेकिन यह एक स्पष्ट, डेटा-संचालित मार्गदर्शिका प्रदान करता है कि आपातकालीन टीमों को अपना ध्यान कहां केंद्रित करना चाहिए। एक ऐसी दुनिया में जहां संसाधन हमेशा सीमित होते हैं, यह जानना कि सबसे पहले कहां देखना है, कंपन के बाद होने वाले विनाश को कम करने के लिए एक शक्तिशाली उपकरण 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।