Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru
इस अध्ययन ने ट्रुहिलो, पेरू में बाढ़ की संवेदनशीलता और जोखिम का मानचित्रण करने के लिए रैंडम फॉरेस्ट मशीन लर्निंग और सेंटिनल-1 इमेजरी का उपयोग करके एक गतिशील भू-स्थानिक ढांचा विकसित किया है, जो यह प्रदर्शित करता है कि मॉडल बिना पुन: प्रशिक्षण (रिट्रेनिंग) के, विभिन्न अल नीनो वर्षा स्थितियों के तहत प्राथमिकता वाले क्षेत्रों की प्रभावी ढंग से पहचान 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
बाढ़ प्रकृति के सबसे शक्तिशाली और विनाशकारी बलों में से एक है, जो कुछ ही घंटों में परिदृश्य को बदलने और जीवन को तहस-नहस करने में सक्षम है। निचले इलाकों या नदी घाटियों के पास रहने वाले समुदायों के लिए, यह खतरा निरंतर बना रहता है, लेकिन खतरा पूरे क्षेत्र में एक समान नहीं होता है। कुछ स्थान स्वाभाविक रूप से पानी रोकने के प्रति संवेदनशील होते हैं, जबकि अन्य भारी तूफ़ानों के दौरान भी सूखे रहते हैं। पारंपरिक रूप से, वैज्ञानिक इन जोखिमों का मानचित्रण आकार, ऊंचाई और मिट्टी के आधार पर यह दिखाने के लिए करते हैं कि कौन से क्षेत्र आम तौर पर संवेदनशील हैं, लेकिन ये स्थिर चित्र (static pictures) होते हैं। हालाँकि, ये मानचित्र एक महत्वपूर्ण वास्तविकता को पकड़ने में विफल रहते हैं: मौसम बदलने पर जोखिम भी बदल जाता है। एक पहाड़ी जो हल्की बूंदाबांदी के दौरान सुरक्षित हो सकती है, वह एक सप्ताह की भारी बारिश के दौरान उफनती धारा बन सकती है, और एक मैदानी इलाका केवल तभी बाढ़ की चपेट में आ सकता है जब वर्षा इतनी तीव्र हो कि वह जमीन की क्षमता को पार कर जाए। लोगों और इमारतों का इन बदलते जोखिमों के संबंध में कहाँ स्थित है, इसे समझना समुदायों को सुरक्षित रखने के लिए आवश्यक है, फिर भी अधिकांश मौजूदा मानचित्र मौसम के साथ खुद को अपडेट नहीं करते हैं।
पेरू के शुष्क तटीय प्रांत ट्रूजिलो (Trujillo) में, यह चुनौती विशेष रूप से गंभीर है। यह क्षेत्र आम तौर पर शुष्क है, लेकिन समय-समय पर अल नीनोो (El Niño) घटना से जुड़ी तीव्र वर्षा की घटनाओं से प्रभावित होता है, जो एक ऐसी जलवायु पैटर्न है जो प्रशांत महासागर को गर्म करती है और दुनिया भर में मौसम को बदल देती है। ये दुर्लभ तूफान शुष्क घाटियों को बहती नदियों में बदल सकते हैं, जिससे शहरी पड़ोस में बाढ़ आ सकती है और बुनियादी ढांचे को नुकसान पहुँच सकता है। ट्रूजिलो नेशनल यूनिवर्सिटी और अल्टीप्लानो नेशनल यूनिवर्सिटी के शोधकर्ताओं ने स्थिर मानचित्रण की इस समस्या को हल करने के लिए बाढ़ के जोखिम को ट्रैक करने का एक नया तरीका बनाने का प्रयास किया, जो मौसम के साथ बदलता रहे। वे एक ऐसा सिस्टम बनाना चाहते थे जो न केवल यह पहचान सके कि शहर के कौन से हिस्से स्वाभाविक रूप से संवेदनशील हैं, बल्कि नई बारिश होने पर वास्तविक समय (real time) में उस जोखिम को अपडेट भी कर सके, और साथ ही यह भी दिखा सके कि उन खतरे वाले क्षेत्रों में लोग और इमारतें वास्तव में कहाँ स्थित हैं।
इसे हासिल करने के लिए, टीम ने 2017, 2023 और 2025 में ट्रूजिलो में आई तीन प्रमुख बाढ़ घटनाओं का अध्ययन किया। बादलों के पार न देख पाने वाले पारंपरिक कैमरों पर निर्भर रहने के बजाय, उन्होंने उपग्रहों से प्राप्त रडार छवियों का उपयोग किया जो मौसम की परवाह किए बिना दिन या रात में जमीन को स्कैन कर सकते हैं। प्रत्येक तूफान से पहले और बाद में ली गई छवियों की तुलना करके, वे पानी के उन सटीक पदचिह्नों का पता लगाने में सक्षम हुए जो जमीन पर फैले थे। उन्होंने इस ऐतिहासिक डेटा को स्थलाकृति (terrain) की विस्तृत जानकारी के साथ जोड़ा, जैसे कि जमीन का ढलान, जमीन की ऊंचाई और जल निकासी चैनलों का स्थान, साथ ही चट्टानों और मिट्टी के बारे में भूवैज्ञानिक डेटा। उन्होंने वर्षा के डेटा को भी शामिल किया, जिसमें तूफानों को अलग-अलग अवधियों में विभाजित किया गया ताकि यह देखा जा सके कि कम समय की तीव्र बारिश, लंबे समय तक चलने वाली लगातार बारिश की तुलना में कैसी होती है।
इसके बाद शोधकर्ताओं ने मशीन लर्निंग नामक कंप्यूटर लर्निंग का उपयोग किया ताकि परिदृश्य और मौसम के बीच के वास्तविक बाढ़ के पैटर्न को खोजा जा सके। उन्होंने यह परीक्षण करने के लिए कई अलग-अलग कंप्यूटर मॉडल का परीक्षण किया कि कौन सा मॉडल यह बेहतर भविष्यवाणी कर सकता है कि पानी कहाँ जाएगा। 'रैंडम फॉरेस्ट' (Random Forest) नामक एक मॉडल सबसे सटीक साबित हुआ। इसने सीखा कि कारकों का कुछ विशिष्ट संयोजन—जैसे कि जमीन किस दिशा में है, ढलान की तीव्रता और बारिश की मात्रा—बाढ़ के मजबूत संकेतक थे। इस मॉडल ने केवल पिछली घटनाओं को याद नहीं किया; इसने उस अंतर्निहित नियमों को सीखा कि कैसे पानी ट्रूजिलो के परिदृश्य में चलता है। विश्लेषण से पता चला कि जमीन की दिशा, बारिश की मात्रा, ऊंचाई और ढलान सबसे महत्वपूर्ण कारक थे जो यह निर्धारित करते थे कि किन क्षेत्रों में बाढ़ आएगी।
इस अध्ययन को जो चीज़ विशिष्ट बनाती है, वह है एक एकल, अपरिवस्त मानचित्र से आगे बढ़ने की इसकी क्षमता। एक बार जब कंप्यूटर ने पिछले तूफानों से नियम सीख लिए, तो शोधकर्ताओं ने दिखाया कि वे केवल नए वर्षा डेटा को डालकर जोखिम मानचित्र को अपडेट कर सकते हैं, बिना कंप्यूटर को दोबारा सिखाए। इसका मतलब है कि यदि कोई नया तूफान आता है, तो सिस्टम तुरंत एक नया मानचित्र तैयार कर सकता है जो दिखा सकता है कि अभी जोखिम सबसे अधिक कहाँ है। उन्होंने सितंबर 2026 के लिए एक परिदृश्य बनाकर इसका परीक्षण किया। इस अपडेटेड दृश्य में, जोखिम समान रूप से वितरित नहीं था; इसके बजाय, एक बड़े क्षेत्र में मध्यम स्तर का जोखिम दिखाई दिया, जो आधे से अधिक क्षेत्र को कवर करता था। हालाँकि, उच्चतम जोखिम वाले क्षेत्र छोटे थे लेकिन फिर भी महत्वपूर्ण थे, और वे शहर के उन विशिष्ट हिस्सों के साथ ओवरलैप (overlap) करते थे जहाँ बहुत से लोग रहते हैं।
अध्ययन ने बाढ़ मानचित्रों पर जनसंख्या डेटा और इमारतों के घनत्व को जोड़कर आंकड़ों में मानवीय आयाम भी लाया। इससे टीम को न केवल यह देखने में मदद मिली कि पानी कहाँ जा सकता है, बल्कि यह भी कि कौन प्रभावित होगा। उदाहरण के लिए, 2017 की घटना में, उजागर आबादी का आधे से अधिक हिस्सा उच्च या बहुत उच्च जोखिम वाले क्षेत्रों में स्थित था। इसके विपरीत, 2025 की घटना में, वितरण बदल गया, जिसमें आबादी का एक बड़ा हिस्सा मध्यम जोखिम वाले क्षेत्रों में बैठा था। सितंबर 2026 के लिए गतिशील अपडेट को देखते हुए, शोधकर्ताओं ने पाया कि जबकि मध्यम जोखिम वाला क्षेत्र अधिकांश भूमि और आबादी के विशाल बहुमत को कवर करता था, उच्च जोखिम वाले छोटे क्षेत्रों में अभी भी लगभग 18 प्रतिशत लोग और लगभग 20 प्रतिशत निर्मित सतह (built-up surface) शामिल थे। यह रेखांकित करता है कि भले ही उच्च जोखिम का क्षेत्र छोटा हो, लेकिन यदि वह घरों और व्यवसायों से भरा है, तो वह महत्वपूर्ण हो सकता है।
शोधकर्ताओं ने निष्कर्ष निकाला कि उनका दृष्टिकोण निर्णय लेने वालों के लिए एक शक्तिशाली उपकरण प्रदान करता है। उपग्रह रडार, मशीन लर्निंग और वास्तविक समय के मौसम डेटा को जोड़कर, उन्होंने एक ऐसा सिस्टम बनाया है जो विकसित होते हुए बाढ़ की संवेदनशीलता को ट्रैक कर सकता है। यह गतिशील दृश्य रोकथाम और प्रतिक्रिया के लिए प्राथमिकता वाले क्षेत्रों की पहचान करने में मदद करता है, जो बाढ़ के जोखिम को परिदृश्य की एक स्थिर विशेषता मानने के विचार से दूर ले जाता है। हालाँकि यह अध्ययन वास्तविक समय के हाइड्रोलिक माप के बजाय कंप्यूटर सिमुलेशन और ऐतिहासिक डेटा पर निर्भर करता है, यह समझने के लिए एक मजबूत पद्धति प्रदान करता है कि स्थलाकृति और मौसम के बीच की परस्पर क्रिया समुदायों के लिए खतरे को कैसे आकार देती है। ट्रूजिलो जैसे शहर के लिए, जहाँ अचानक, तीव्र वर्षा का खतरा एक आवर्ती वास्तविकता है, एक ऐसा मानचित्र होना जो खुद को अपडेट कर सके, जीवन और संपत्ति की रक्षा की दिशा में एक स्पष्ट मार्ग प्रदान करता 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।