Integrated debris-flow susceptibility assessment along the Karakoram highway using statistical, multi- criteria, and explainable machine-learning models

ऊंचे, ऊबड़-खाबड़ पहाड़ों में जहाँ धरती लगातार खिसकती रहती है और मौसम पल भर में हिंसक हो सकता है, वहाँ एक विशिष्ट प्रकार की आपदा जीवन और बुनियादी ढांचे के लिए निरंतर खतरा पैदा करती है। यह है मलबे का बहाव (डेब्रिस फ्लो), जो मिट्टी, चट्टानों और पानी की एक तीव्र, उथल-पुथल भरी नदी है जो ढलान से विनाशकारी बल के साथ नीचे की ओर दौड़ती है। एक साधारण भूस्खलन के विपरीत, जो कुछ सौ मीटर के बाद रुक सकता है, मलबे का बहाव मीलों तक जा सकता है, अपने रास्ते में आने वाली हर चीज़ को बहा ले जाता है और सड़कों, पुलों और गाँवों को टन मलबे के नीचे दबा देता है। ये घटनाएँ विशेष रूप से उन क्षेत्रों में खतरनाक होती हैं जहाँ मानव विकास, जैसे कि सड़क निर्माण, अस्थिर पहाड़ियों को काटता है, या जहाँ जलवायु परिवर्तन भारी बारिश और बर्फ के तेजी से पिघलने का कारण बनता है। यह समझना कि ये बहाव कहाँ होने की सबसे अधिक संभावना है, केवल एक अकादमिक अभ्यास नहीं है; यह उन समुदायों और महत्वपूर्ण व्यापार मार्गों के अस्तित्व का मामला है जो इन खतरनाक परिदृश्यों से होकर गुजरते हैं।

शोधकर्ता लंबे समय से इन आपदाओं की भविष्यवाणी करने के लिए विभिन्न उपकरणों का उपयोग करने का प्रयास करते रहे हैं। कुछ विशेषज्ञ निर्णय पर भरोसा करते हैं, जहाँ भूविज्ञानी मानचित्र देखते हैं और अपने अनुभव के आधार पर तय करते हैं कि कौन से क्षेत्र खतरनाक दिखते हैं। अन्य सांख्यिकीय विधियों का उपयोग करते हैं जो इस बात की गणना करती हैं कि एक निश्चित प्रकार के भूभाग में अतीत में कितनी बार आपदाएँ हुईं। हाल ही में, वैज्ञानिकों ने उन्नत कंप्यूटर प्रोग्रामों का उपयोग करना शुरू कर दिया है, जिन्हें मशीन लर्निंग कहा जाता है, जो जटिल पैटर्न खोजने के लिए डेटा की विशाल मात्रा से सीख सकते हैं जिन्हें मनुष्य शायद छोड़ दें। हालाँकि, ये कंप्यूटर मॉडल अक्सर एक "ब्लैक बॉक्स" की तरह कार्य करते हैं, जो यह स्पष्ट किए बिना भविष्यवाणियाँ करते हैं कि उन्होंने किसी निश्चित निष्कर्ष तक पहुँचने के लिए ऐसा क्यों किया। काराकोरम हाईवे पर केंद्रित एक नए अध्ययन ने, जो चीन और पाकिस्तान को दुनिया के सबसे भूगर्भीय रूप से सक्रिय क्षेत्रों में से एक के माध्यम से जोड़ने वाला एक महत्वपूर्ण 1,200 किलोमीटर का मार्ग है, इन विभिन्न दृष्टिकोणों की तुलना करने का प्रयास किया। टीम यह देखना चाहती थी कि कौन सी विधि सबसे अच्छी काम करती है और, महत्वपूर्ण रूप से, इन घातक बहावों को समझने के लिए "ब्लैक बॉक्स" को खोलने के लिए आधुनिक तकनीकों का उपयोग करना चाहती थी कि वास्तव में कौन से कारक इन बहावों को संचालित करते हैं।

काराकोरम हाईवे इस क्षेत्र की जीवन रेखा है, लेकिन यह अत्यधिक खतरे का स्थान भी है। सड़क एक ऐसे क्षेत्र से होकर गुजरती है जहाँ तीन प्रमुख पर्वत श्रृंखलाएं आपस में टकराती हैं, जिससे खड़ी चट्टानें, गहरी घाटियाँ और एक ऐसा परिदृश्य बनता है जो भूकंप और कटाव द्वारा लगातार नया आकार ले रहा है। हाईवे का मलबे के बहाव द्वारा बाधित होने का इतिहास रहा है, जिससे कभी-कभी व्यापार रुक जाता है और यात्रियों को हफ्तों तक फंसना पड़ता है। जोखिम को समझने के लिए, चीन, पाकिस्तान और सऊदी अरब के विश्वविद्यालयों के वैज्ञानिकों के नेतृत्व में शोध टीम ने हाईवे के साथ 104 पिछले मलबे के बहाव की घटनाओं का एक विस्तृत रिकॉर्ड तैयार किया। उन्होंने फील्ड विजिट के माध्यम से 62 स्थलों का सत्यापन किया और शेष 42 की पहचान उच्च-रिज़ॉल्यूशन वाली सैटेलाइट छवियों का उपयोग करके की, जिससे एक विश्वसनीय मानचित्र तैयार हुआ कि अतीत में ये आपदाएँ कहाँ लगी थीं।

इस सूची के साथ, शोधकर्ताओं ने परीक्षण किया कि भविष्य में मलबे के बहाव कहाँ हो सकते हैं, इसके लिए पाँच अलग-अलग विधियों का उपयोग किया। उन्होंने विशेषज्ञ राय और सांख्यिकीय नियमों पर आधारित दो पारंपरिक तरीकों की तीन उन्नत कंप्यूटर मॉडलों के विरुद्ध तुलना की। पारंपरिक विधियों में एक प्रक्रिया शामिल थी जहाँ विशेषज्ञ ढलान की तीव्रता या वर्षा जैसे विभिन्न कारकों के महत्व को रैंक करते हैं, और दूसरी विधि जो विशिष्ट भूभाग विशेषताओं और पिछले आयोजनों के बीच सरल संबंध को देखती है। कंप्यूटर मॉडलों में 'रैंडम फॉरेस्ट' और 'XGBoost' नामक दो शक्तिशाली मशीन लर्निंग एल्गोरिदम शामिल थे, जिन्हें डेटा में जटिल, गैर-रेखीय संबंधों को खोजने के लिए डिज़ाइन किया गया है जिन्हें सरल विधियाँ अनदेखा कर सकती हैं। टीम ने इन सभी मॉडलों को परिदृश्य के बारे में तेरह सूचनाएँ दीं, जिनमें ऊंचाई, ढलान, सड़कों से दूरी, मिट्टी का प्रकार, वर्षा, और वनस्पति आवरण तथा बर्फ की मात्रा शामिल थी।

परिणामों ने सटीकता के मामले में एक स्पष्ट विजेता दिखाया। मशीन लर्निंग मॉडल पारंपरिक तरीकों की तुलना में काफी बेहतर रहे। रैंडम फॉरेस्ट मॉडल सुरक्षित क्षेत्रों और खतरनाक क्षेत्रों के बीच अंतर करने में सबसे सटीक साबित हुआ, जिसने उच्च विश्वसनीयता के साथ पिछले मलबे के बहाव के स्थानों की सही पहचान की। XGBoost मॉडल भी इसके ठीक पीछे रहा, जिसने विशेषज्ञ-आधारित और सांख्यिकीय दृष्टिकोणों की तुलना में बेहतर प्रदर्शन दिखाया। पारंपरिक विधियाँ, उपयोगी होने के बावजूद, या तो कुछ क्षेत्रों में खतरे को बढ़ा-चढ़ाकर बताती थीं या उन विशिष्ट, स्थानीय स्थानों को चूक जाती थीं जहाँ बहाव शुरू होने की सबसे अधिक संभावना होती है। कंप्यूटर मॉडल यह पहचानने में बेहतर थे कि जोखिम पूरे परिदृश्य में समान रूप से फैला हुआ नहीं है, बल्कि विशिष्ट, उच्च-जोखिम वाले क्षेत्रों में केंद्रित है जहाँ खड़ी ढलानें सक्रिय जल चैनलों से मिलती हैं।

संभवतः इस अध्ययन का सबसे मूल्यवान योगदान केवल सबसे अच्छा मॉडल खोजना नहीं था, बल्कि यह समझाना था कि यह कैसे काम करता है। क्योंकि मशीन लर्निंग मॉडल अक्सर व्याख्या करने में कठिन होते हैं, शोधकर्ताओं ने SHAP नामक एक तकनीक का उपयोग किया, जो एक स्पॉटलाइट की तरह कार्य करता है ताकि यह दिखाया जा सके कि प्रत्येक कारक ने कंप्यूटर के निर्णय को कितना प्रभावित किया। उन्होंने पाया कि मलबे के बहाव के सबसे महत्वपूर्ण चालक केवल एक चीज नहीं थे, बल्कि मिलकर काम करने वाले कारकों का एक संयोजन थे। मिट्टी में जमा होने वाले पानी की मात्रा, ढलान की तीव्रता और धाराओं से निकटता शीर्ष योगदानकर्ता थे। हालाँकि, अध्ययन ने एक महत्वपूर्ण अंतःक्रिया का खुलासा किया: सड़कों की उपस्थिति ने जोखिम को काफी बढ़ा दिया। जब सड़कें खड़ी ढलानों को काटती हैं, तो वे प्राकृतिक जल निकासी को बाधित करती हैं और मिट्टी को अस्थिर करती हैं, जिससे भारी बारिश या बर्फ के पिघलने के समय ढलान के विफल होने की संभावना बहुत बढ़ जाती है। कंप्यूटर मॉडलों ने दिखाया कि उच्चतम जोखिम वाले क्षेत्र वे हैं जहाँ ये प्राकृतिक स्थितियाँ—खड़ी ढलानें और पानी का संकेंद्रण—मानवीय हस्तक्षेप से मिलते हैं।

अध्ययन ने इस क्षेत्र में जलवायु और भूविज्ञान की विशिष्ट भूमिका पर भी प्रकाश डाला। यह क्षेत्र तीव्र मौसमी वर्षा और बर्फ के तेजी से पिघलने के प्रति संवेदनशील है, जो मिट्टी को बहने वाली मलबे की नदी में बदलने के लिए आवश्यक पानी प्रदान करते हैं। ज़मीन स्वयं प्रमुख फॉल्ट लाइनों द्वारा खंडित है, जिससे चट्टान और मिट्टी स्वाभाविक रूप से अस्थिर हो जाती है। जब पानी इन दरारों में रिसता है और जमता है, तो यह चट्टान को और अधिक तोड़ देता है, जिससे ढीले मलबे की आपूर्ति होती है जिसे आसानी से बहाया जा सकता है। शोधकर्ताओं ने पाया कि मशीन लर्निंग मॉडलों ने इन जटिल अंतःक्रियाओं को सफलतापूर्वक पकड़ा, यह पहचानते हुए कि खतरा संकरी घाटियों और सहायक धाराओं के मुहानों पर सबसे अधिक होता है जहाँ पानी और मलबा आपस में मिलते हैं।

अध्ययन द्वारा बनाए गए मानचित्र काराकोरम हाईवे के जोखिम प्रबंधन के लिए एक व्यावहारिक उपकरण प्रदान करते हैं। मलबे के बहाव की उच्चतम संभावना वाले क्षेत्रों की पहचान करके, इंजीनियर और योजनाकार अपना ध्यान उन जगहों पर केंद्रित कर सकते हैं जहाँ उनकी सबसे अधिक आवश्यकता है। पूरे सड़क को मजबूत करने के बजाय, संसाधनों को विशिष्ट "पिंच पॉइंट्स" की ओर निर्देशित किया जा सकता है, जैसे कि पुल और नालियाँ, जहाँ सड़क के अवरुद्ध होने या नष्ट होने की सबसे अधिक संभावना होती है। अध्ययन सुझाव देता है कि इन पहचाने गए उच्च-जोखिम वाले क्षेत्रों में जल निकासी प्रणाली को अपग्रेड करना, सुरक्षात्मक बाधाएं बनाना और खड़ी ढलानों को सुदृढ़ करना राजमार्ग के लचीलेपन में महत्वपूर्ण सुधार कर सकता है। इसके अलावा, इन घटनाओं की अधिक सटीकता के साथ भविष्यवाणी करने की क्षमता का अर्थ है कि प्रारंभिक चेतावनी प्रणालियों को बेहतर ढंग से कैलिब्रेट किया जा सकता है, जिससे यात्रियों और स्थानीय समुदायों को आपदा आने से पहले प्रतिक्रिया करने के लिए अधिक समय मिल सके।

यह शोध जटिल वातावरण में प्राकृतिक खतरों के प्रति हमारे दृष्टिकोण में आए बदलाव को रेखांकित करता है। जबकि विशेषज्ञ ज्ञान और बुनियादी सांख्यिकी का अपना स्थान है, डेटा की विशाल मात्रा को संसाधित करने और छिपे हुए पैटर्न को प्रकट करने की मशीन लर्निंग की क्षमता जोखिम को समझने का एक अधिक सटीक तरीका प्रदान करती है। अध्ययन इस बात की पुष्टि करता है कि काराकोरम हाईवे उच्च संवेदनशीलता वाला गलियारा है, लेकिन यह आगे बढ़ने का एक स्पष्ट मार्ग भी प्रदान करता है। खड़ी ढलान, जल प्रवाह और मानवीय गतिविधि के उस विशिष्ट संयोजन को समझकर, जो इन आपदाओं को जन्म देते हैं, एक सुरक्षित और अधिक लचीला बुनियादी ढांचा बनाना संभव है जो प्रकृति की शक्तिशाली शक्तियों का सामना कर सके। ये निष्कर्ष न केवल इस महत्वपूर्ण व्यापार मार्ग के लिए, बल्कि दुनिया के अन्य पहाड़ी क्षेत्रों के लिए भी एक ब्लूप्रिंट के रूप में कार्य करते हैं जहाँ इसी तरह की चुनौतियाँ मौजूद हैं।