An Interpretable Machine Learning Framework for Rainfall-Related Slope Instability Susceptibility Assessment in Aba Prefecture, China: Sampling Strategy, Spatial Validation, and Susceptibility Score Mapping

दक्षिण-पश्चिमी चीन के ऊबड़-खाबड़ और ऊंचे पहाड़ों में, ज़मीन हलचल से भरी रहती है। गर्मियों की भारी बारिश मिट्टी में समा जाती है, और पृथ्वी का भार खिसकने लगता है, जिससे कभी-कभी पहाड़ की ढलानें फिसलती हैं, टूटती हैं या तरल पदार्थ की तरह बहने लगती हैं। इन घटनाओं को भूस्खलन (लैंडस्लाइड) कहा जाता है, जो न केवल भूगर्भीय जिज्ञासाएं हैं; बल्कि उन लोगों और गांवों के लिए तत्काल खतरा भी हैं जो इन घाटियों में रहते हैं। दशकों से, वैज्ञानिक इस बात की भविष्यवाणी करने की कोशिश कर रहे हैं कि ये भूस्खलन अगली बार कहाँ हो सकते हैं। वे ऐसे मानचित्र बनाते हैं जो दिखाते हैं कि किन ढलानों के विफल होने की संभावना है, जिसमें कंप्यूटर मॉडल का उपयोग करके ढलान की तीव्रता, चट्टान का प्रकार और कितनी बारिश हुई है जैसे कारकों का आकलन किया जाता है। हालाँकि, एक निरंतर समस्या ने इन भविष्यवाणियों को बाधित किया है: डेटा अक्सर अधूरा होता है। हम सटीक रूप से जानते हैं कि भूस्खलन कहाँ हुए हैं, लेकिन हमें शायद ही कभी निश्चित रूप से पता होता है कि वे कहाँ नहीं हुए हैं। कंप्यूटर को खतरे को पहचानने के लिए प्रशिक्षित करने हेतु, शोधकर्ताओं को खतरनाक उदाहरणों की तुलना करने के लिए "सुरक्षित" उदाहरणों का आविष्कार करना पड़ता है। यदि ये सुरक्षित उदाहरण पहचानने में बहुत आसान हैं, तो कंप्यूटर एक सच्चाई के बजाय एक 'ट्रिक' सीख लेता है, यानी वह ढलती हुई पहाड़ी के भौतिक विज्ञान को समझने के बजाय दो सूचियों के बीच के अंतर को रट लेता है। इसके अलावा, यदि कंप्यूटर को यह देखने की अनुमति दी जाती है कि किसी क्षेत्र में कितने लोग रहते हैं, तो वह केवल इसलिए किसी जगह को "जोखिम भरा" मान सकता है क्योंकि वहां भीड़ है, न कि इसलिए कि ज़मीन अस्थिर है। भौतिक खतरे और मानवीय उपस्थिति के बीच का यह भ्रम ऐसे मानचित्रों की ओर ले जा सकता है जो दिखने में तो सटीक लगते हैं, लेकिन आपदा के वास्तविक कारणों को समझाने में विफल रहते हैं।

सिचुआन और गांसु विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने इन विशिष्ट समस्याओं से निपटने के लिए एक नए दृष्टिकोण के साथ काम किया है, जिसे भूमि की भौतिक अस्थिरता को मानवीय जोखिम से अलग करने के लिए डिज़ाइन किया गया है। तिब्बती पठार के पूर्वी किनारे पर स्थित अबा प्रान्त (Aba Prefecture) पर ध्यान केंद्रित करते हुए, जो अपने नाटकीय भूभाग और तीव्र मानसूनी वर्षा के लिए जाना जाता है, उन्होंने एक ऐसा मॉडल बनाने का लक्ष्य रखा जो वास्तव में यह समझ सके कि बारिश होने पर ढलानें क्यों विफल होती हैं। उनका हाल ही में प्रकाशित कार्य एक ऐसा ढांचा पेश करता है जो प्रशिक्षण के लिए उपयोग किए जाने वाले "सुरमान" उदाहरणों को सावधानीपूर्वक तैयार करता है, यह सुनिश्चित करते हुए कि वे पर्याप्त चुनौतीपूर्ण हों ताकि मॉडल वास्तविक अस्थिरता के संकेतों को सीख सके। उन्होंने अपनी प्रक्रिया को दो अलग चरणों में विभाजित किया है: पहले, वे केवल भूविज्ञान और मौसम के आधार पर यह गणना करते हैं कि किसी ढलान के फिसलने की कितनी संभावना है; दूसरे, वे आपातकालीन प्रतिक्रिया की वास्तविक प्राथमिकता निर्धारित करने के लिए जनसंख्या और संपत्ति के डेटा को ऊपर से जोड़ते हैं। यह अलगाव मॉडल को जनसंख्या घनत्व का उपयोग करके खतरे का अनुमान लगाने के शॉर्टकट लेने से रोकता है।

शोधकर्ताओं ने इस क्षेत्र में हुई अस्थिरता की घटनाओं के दस्तावेजीकरण वाले रिकॉर्डों का एक विशाल संग्रह, कुल 5,322 रिकॉर्ड्स से शुरुआत की। इन रिकॉर्ड्स में मलबे का बहाव (debris flows), भूस्खलन और अस्थिर ढलानें शामिल थीं, जिनकी पहचान भूवैज्ञानिक सर्वेक्षणों के दौरान की गई थी। उनके डेटा का एक महत्वपूर्ण विवरण यह है कि लगभग सभी घटनाएं वर्षा से जुड़ी थीं, चाहे वह एकमात्र कारण हो या पिछले भूकंपों के साथ मिलकर हुआ प्रभाव। अपने कंप्यूटर मॉडल को सिखाने के लिए, उन्हें समान संख्या में "कंट्रास्ट" (विपरीत) नमूने बनाने की आवश्यकता थी—ऐसे स्थान जहाँ कोई दर्ज भूस्खलन नहीं हुआ था। केवल दूर के यादृच्छिक स्थानों को चुनने के बजाय, जो कार्य को बहुत आसान बना देता, उन्होंने एक दोहरी रणनीति अपनाई। उनके कंट्रास्ट नमूनों का तीस प्रतिशत हिस्सा उसी क्षेत्र में दर्ज अन्य प्रकार की भूगर्भीय विफलताओं, जैसे कि चट्टानों के गिरने (rockfalls) से लिया गया था। ये उन फिसलती ढलानों से भिन्न हैं जिनका वे पूर्वानुमान लगाना चाहते थे, लेकिन ये समान पर्यावरणीय स्थितियों को साझा करते हैं, जो कंप्यूटर के लिए एक कठिन परीक्षण बनाता है। शेष सत्तर प्रतिशत कंट्रास्ट नमूने यादृच्छिक स्थानों से लिए गए थे, लेकिन एक सख्त नियम के साथ: वे किसी भी ज्ञात भूस्खलन से कम से कम 800 मीटर दूर होने चाहिए ताकि वे वास्तव में भिन्न हों। इस पद्धति ने 10,000 से अधिक नमूनों का एक संतुलित और चुनौतीपूर्ण डेटासेट तैयार किया, जिसने कंप्यूटर को स्पष्ट अंतरों के बजाय सूक्ष्म पैटर्न खोजने के लिए मजबूर किया।

उन्होंने साधारण सांख्यिकीय विधियों से लेकर जटिल, स्तरित प्रणालियों तक सत्रह अलग-अलग कंप्यूटर लर्निंग मॉडलों का परीक्षण किया, जो कई एल्गोरिदम को संयोजित करती हैं। परिणामों ने दिखाया कि सबसे परिष्कृत 'ट्री-बेस्ड' मॉडल, जो डेटा को फ्लोचार्ट की तरह शाखाओं में विभाजित करके निर्णय लेते हैं, सबसे अच्छा प्रदर्शन करते हैं। एक विशिष्ट मॉडल, जो एक प्रकार का 'ग्रेडिएंट बूस्टिंग मशीन' है, ने स्थिर और अस्थिर ढलानों के बीच अंतर करने में 0.973 का स्कोर प्राप्त किया, जो सटीकता का एक बहुत उच्च स्तर है। हालाँकि, शोधकर्ता केवल इन आंकड़ों पर भरोसा करने के प्रति सावधान थे। वे जानते थे कि यदि मॉडल का परीक्षण उस डेटा पर किया जाता है जो उसके प्रशिक्षण के स्थान के बहुत करीब है, तो यह केवल उस क्षेत्र को याद रखने के कारण अच्छा प्रदर्शन कर सकता है। इसका परीक्षण करने के लिए, उन्होंने एक विशेष सत्यापन चलाया जहाँ उन्होंने मॉडल को मानचित्र के एक हिस्से पर प्रशिक्षित किया और फिर उसे मानचित्र के पूरी तरह से अलग, गैर-अतिव्यापी (non-overlapping) हिस्से में खतरे की भविष्यवाणी करने के लिए कहा। इस सख्त परीक्षण के बावजूद, मॉडल उल्लेखनीय रूप से प्रभावी रहा, जिसमें प्रदर्शन में केवल मामूली गिरावट आई। इसने पुष्टि की कि मॉडल ढलान की स्थिरता के वास्तविक नियमों को सीख रहे थे, न कि केवल भूस्खलन के स्थान को।

कंप्यूटर वास्तव में क्या "सोच" रहा था, इसे समझने के लिए, शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो निर्णय लेने की प्रक्रिया को तोड़कर यह देखती है कि कौन से कारक सबसे महत्वपूर्ण थे। उन्होंने पाया कि भूमि का भौतिक आकार प्रमुख कारक था, जो मॉडल के निर्णयों में लगभग 60 प्रतिशत योगदान देता था। विशेष रूप से, ढलान की तीव्रता और जमीन की वक्रता (curvature)—चाहे वह एक खोखली घाटी हो या एक गोल पहाड़ी—सबसे मजबूत संकेत थे। वर्षा अगला सबसे महत्वपूर्ण कारक था, जिसका योगदान लगभग 19 प्रतिशत था, जिसके बाद वनस्पति आवरण (vegetation cover) का स्थान था। दिलचस्प बात यह है कि स्थान निर्देशांक (latitude और longitude) स्वयं बहुत कम योगदान देते थे जब भौतिक विशेषताओं को ध्यान में रखा गया। यह सुझाव देता है कि मॉडल केवल मानचित्र निर्देशांकों के माध्यम से "खतरनाक स्थानों" को याद नहीं कर रहा था, बल्कि वास्तव में भूभाग और मौसम की स्थिति का विश्लेषण कर रहा था। शोधकर्ताओं ने सक्रिय भ्रंश रेखाओं (fault lines) से दूरी को भी एक विशेषता के रूप में शामिल किया, और पाया कि इसने एक छोटा लेकिन सार्थक भूमिका निभाई, क्योंकि ये रेखाएं उन क्षेत्रों को दर्शाती हैं जहाँ ज़मीन पहले से ही खंडित है और अधिक हिलने के प्रति संवेदनशील है।

उनके ढांचे का अंतिम चरण इन संभाव्यता स्कोर को आपदा प्रबंधन के लिए एक व्यावहारिक उपकरण में बदलना था। उन्होंने अध्ययन क्षेत्र को पांच स्तरों में विभाजित किया, जो बहुत कम से लेकर बहुत उच्च तक के संवेदनशीलता स्तरों में थे, और उन्हें मानचित्रित किया। परिणामों ने रेखांकित किया कि अबा प्रान्त का दक्षिण-पूर्वी भाग सबसे संवेदनशील क्षेत्र है। हालाँकि, शोधकर्ता इसे अंतिम जोखिम मानचित्र घोषित करने से रुके। उन्होंने इस बात पर जोर दिया कि एक उच्च संवेदनशीलता स्कोर स्वतः ही मानव जीवन के लिए उच्च जोखिम नहीं बन जाता यदि वहां कोई रहता नहीं है। इसलिए, उन्होंने एक दूसरा विश्लेषण स्तर बनाया जो ढलान स्थिरता स्कोर को जनसंख्या, घरों और संपत्ति के डेटा के साथ जोड़ता है। इससे एक "प्राथमिकता स्कोर" (priority score) प्राप्त हुआ जो अधिकारियों को बताता है कि उन्हें अपने संसाधनों पर कहाँ ध्यान केंद्रित करना चाहिए। महत्वपूर्ण बात यह है कि यह प्राथमिकता स्कोर केवल उन्हीं स्थानों के लिए निकाला जा सका जहाँ उनके पास लोगों और संपत्ति का विशिष्ट डेटा उपलब्ध था, जिसका अर्थ था कि यह ज्ञात भूस्खलन स्थलों और तंत्र-कंट्रास्ट नमूनों पर लागू होता था, न कि मानचित्र के प्रत्येक बिंदु पर। यह सीमा जानबूझकर रखी गई थी; इसने यह सुनिश्चित किया कि अंतिम जोखिम मूल्यांकन दस्तावेजी जोखिम (exposure) पर आधारित हो, न कि धारणाओं पर।

अध्ययन का निष्कर्ष यह है कि मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले डेटा को सावधानीपूर्वक डिजाइन करके और भौतिक खतरे को मानवीय जोखिम से अलग करके, भूस्खलन जोखिम के लिए अधिक विश्वसनीय और व्याख्या योग्य मानचित्र बनाना संभव है। मॉडल नए भौगोलिक क्षेत्रों के विरुद्ध परीक्षण किए जाने पर भी मजबूत साबित हुए, और विश्लेषण ने पुष्टि की कि इस क्षेत्र में अस्थिरता के प्राथमिक चालक भूमि की भौतिक विशेषताएं हैं। जबकि शोधकर्ताओं ने उल्लेख किया कि उनका डेटा ऐतिहासिक रिकॉर्ड पर आधारित था और कुछ पर्यावरणीय कारक जैसे चट्टान का प्रकार पूरी तरह से विस्तृत नहीं थे, उनका ढांचा एक स्पष्ट मार्ग प्रदान करता है। यह केवल भविष्यवाणी से आगे बढ़कर यह पारदर्शी समझ प्रदान करता है कि ढलानें क्यों विफल होती हैं, जिससे एक ऐसा उपकरण मिलता है जो पहाड़ी क्षेत्रों के समुदायों को अगली भारी बारिश के लिए तैयार होने में मदद कर सकता है। उनका कार्य इस बात की याद दिलाता है कि प्राकृतिक आपदाओं के सामने, सबसे शक्तिशाली उपकरण केवल एक भविष्यवाणी नहीं, बल्कि काम करने वाली शक्तियों की स्पष्ट समझ है।