Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

दुनिया के कई हिस्सों में, शहर उस जमीन की तुलना में अधिक तेजी से बढ़ रहे हैं जो उन्हें संभाल सकती है। जब कंक्रीट और डामर (एस्फाल्ट) से ढकी सतह पर भारी बारिश होती है, तो पानी उस तरह से जमीन में नहीं समा पाता जैसा पहले हुआ करता था। इसके बजाय, यह सतह पर तेजी से बहता है, अपनी गति और आयतन बढ़ाता जाता है, जब तक कि यह सड़कों और बेसमेंट को जलमग्न न कर दे। यही शहरी बाढ़ का सार है, एक ऐसा संकट जो जलवायु परिवर्तन के कारण होने वाली तीव्र तूफानों और तेजी से होते निर्माण कार्यों द्वारा प्राकृतिक जल निकासी को बंद करने के कारण अधिक बार होता जा रहा है। लोगों और संपत्ति की सुरक्षा के लिए, शहर योजनाकारों को यह सटीक रूप से जानने की आवश्यकता है कि पानी कहाँ जमा होगा और यह कितना गहरा हो सकता है। दशकों तक, विशेषज्ञों ने इन जोखिमों का अनुमान लगाने के लिए मानचित्रों और ऐतिहासिक रिकॉर्ड पर भरोसा किया है, लेकिन एक नया दृष्टिकोण इस खेल को बदल रहा है। बादलों के पार देख सकने वाली सैटेलाइट आँखों को शक्तिशाली कंप्यूटर प्रोग्रामों के साथ जोड़कर, जो पैटर्न से सीखते हैं, वैज्ञानिक अब बाढ़ के जोखिमों की भविष्यवाणी उस सटीकता के साथ कर सकते हैं जो पहले असंभव थी। यह बदलाव समुदा팡ों को आपदाओं पर प्रतिक्रिया देने के बजाय उन्हें रोकने की ओर ले जाता है।

रियाद, सऊदी अरब के पश्चिमी भाग में, एक शोधकर्ता ने इस आधुनिक टूलकिट को एक विशिष्ट चुनौती पर लागू किया: वादी हनीफा बेसिन। यह घाटी, जो शहर के पश्चिमी और मध्य जिलों से होकर गुजरती है, पास के पहाड़ों से बहने वाले पानी के लिए एक प्राकृतिक मार्ग है। हालांकि ऐतिहासिक रूप से इसने कृषि और बसावट का समर्थन किया है, रियाद के तीव्र विस्तार ने इस घाटी के बड़े हिस्से को एक घने शहरी क्षेत्र में बदल दिया है। शहर के विकास ने ऐसी स्थिति पैदा कर दी है जहाँ दुर्लभ लेकिन तीव्र वर्षा, तेजी से खतरनाक फ्लैश फ्लड (अचानक आई बाढ़) में बदल सकती है। शोधकर्ता ने एक विस्तृत मानचित्र बनाने का लक्ष्य रखा जिसमें यह स्पष्ट दिखाया जा सके कि कौन से मोहल्ले सबसे अधिक डूबने की संभावना रखते हैं। उन्होंने इसके लिए किसी अनुमान या साधारण नियमों पर भरोसा नहीं किया। इसके बजाय, उन्होंने पूरे बेसिन का एक डिजिटल मॉडल बनाया, जिसमें अंतरिक्ष और जमीन से एकत्र की गई सूचनाओं का एक विशाल संग्रह डाला।

शोधकर्ता ने एक पूर्ण परिदृश्य बनाने के लिए पांच अलग-अलग स्रोतों से डेटा एकत्र किया। उन्होंने जमीन को ढकने वाली सतहों को देखने के लिए सैटेलाइट छवियों का उपयोग किया, जिससे हरियाली, नंगी मिट्टी और इमारतों तथा सड़कों की कठोर, अभेद्य सतहों के बीच अंतर किया जा सके। उन्होंने रडार छवियों को शामिल किया जो बादलों वाले आसमान में भी पानी का पता लगा सकती हैं, जिससे वे पिछले बाढ़ के वास्तविक विस्तार को देख सकें। उन्होंने स्थलाकृति (टेरेन) के विस्तृत 3D मानचित्र को भी शामिल किया ताकि जमीन के ढलान और आकार को समझा जा सके, साथ ही दशकों के वर्षा रिकॉर्ड को भी लिया ताकि देखा जा सके कि सबसे भारी तूफान कहाँ आए हैं। अंत में, उन्होंने सड़क नेटवर्क का मानचित्रण किया, जो पानी के लिए बाधा या मार्ग दोनों के रूप में कार्य कर सकते हैं। इस सारी जानकारी को संकलित करने के बाद, वे एक मशीन लर्निंग एल्गोरिदम की ओर मुड़े, जो एक प्रकार का कंप्यूटर प्रोग्राम है जो उदाहरणों से सीखता है। उन्होंने कंप्यूटर को अतीत में बाढ़ प्रभावित क्षेत्रों के हजारों उदाहरण और सूखे रहे क्षेत्रों के हजारों उदाहरण दिखाए। कंप्यूटर ने इन उदाहरणों का विश्लेषण किया ताकि उन छिपे हुए पैटर्न को खोजा जा सके जो परिदृश्य को पानी से जोड़ते हैं।

कंप्यूटर ने सीखा कि इस क्षेत्र में बाढ़ का जोखिम कुछ प्रमुख कारकों द्वारा संचालित होता है। सबसे महत्वपूर्ण कारक ड्रेनेज नेटवर्क (जल निकासी तंत्र) का घनत्व निकला। जिन क्षेत्रों में धाराओं और चैनलों का उच्च संकेंद्रण होता है, वहां बाढ़ आने की अधिक संभावना होती है क्योंकि भारी बारिश के दौरान पानी वहीं केंद्रित हो जाता है। दूसरा सबसे महत्वपूर्ण कारक भूमि आवरण (लैंड कवर) का प्रकार है। वे मोहल्ले जहाँ बहुत सारी इमारतें और पक्की सड़कें हैं, जहाँ पानी नहीं समा पाता, वे मिट्टी या वनस्पति वाले क्षेत्रों की तुलना में बहुत अधिक जोखिम का सामना करते हैं। वर्षा की तीव्रता तीसरा प्रमुख कारक थी, जिसने पुष्टि की कि कम समय में गिरने वाले पानी की विशाल मात्रा समस्या का प्राथमिक कारण है। कंप्यूटर ने यह भी सीखा कि भूभाग की खुरदरापन (रफनेस) मायने रखती है; चिकने, समतल क्षेत्र पानी को फैलने और जमा होने की अनुमति देते हैं, जबकि ऊबड़-खाबड़ जमीन इसे धीमा कर सकती है। अन्य कारकों, जैसे कि जमीन का ढलान या उसकी सटीक ऊंचाई ने भूमिका निभाई लेकिन वे ड्रेनेज और भूमि उपयोग पैटर्न की तुलना में कम निर्णायक थे।

एक बार जब कंप्यूटर ने इन पैटर्न को सीख लिया, तो उसने पूरे वादी हनीफा बेसिन पर बाढ़ के जोखिमों की भविष्यवाणी करने के लिए उन्हें लागू किया। परिणाम आश्चर्यजनक रूप से सटीक थे। जब शोधकर्ता ने वास्तविक दुनिया के डेटा के विरुद्ध मॉडल का परीक्षण किया, तो इसने 90 प्रतिशत बार बाढ़ प्रभावित क्षेत्रों की सही पहचान की। मॉडल ने सफलतापूर्वक उन स्थानों के बीच अंतर किया जो बाढ़ ग्रस्त होंगे और जो नहीं होंगे, जिससे यह सिद्ध हुआ कि सैटेलाइट डेटा और मशीन लर्निंग का संयोजन शहरी बाढ़ की जटिल वास्तविकता को पकड़ सकता है। परिणामी मानचित्र बेसिन को पांच जोखिम श्रेणियों में विभाजित करता है, जो बहुत कम से लेकर बहुत उच्च तक है। विश्लेषण से पता चला कि बेसिन का लगभग 6.1 प्रतिशत हिस्सा बहुत उच्च जोखिम पर है, जबकि अन्य 14.2 प्रतिशत हिस्सा उच्च जोखिम का सामना कर रहा है। ये खतरनाक क्षेत्र बेतरतीब ढंग से बिखरे हुए नहीं हैं; वे विशिष्ट, घनी आबादी वाले मोहल्लों में केंद्रित हैं।

मानचित्र ने कई समुदायों की पहचान की जिन्हें तत्काल ध्यान देने की आवश्यकता है। सेंटर उराइजा, उराइजा, डेराब, उकाज़, मरवाह, उराइड, तवीक-एतगा और हेजरत वादी लेबन जैसे क्षेत्रों को शहरी बाढ़ के प्रति बहुत उच्च संवेदनशीलता के रूप में चिह्नित किया गया है। ये मोहल्ले निचले इलाकों में स्थित हैं जहाँ पानी स्वाभाविक रूप से जमा होता है, और वे सड़कों और इमारतों के व्यापक नेटवर्क से घिरे हुए हैं जो पानी को निकलने से रोकते हैं। अध्ययन इस बात पर प्रकाश डालता है कि ये केवल सैद्धांतिक जोखिम नहीं हैं; मॉडल की भविष्यवाणियां वास्तव में उन स्थानों के अनुरूप हैं जहाँ बाढ़ आई है। उदाहरण के लिए, जब अप्रैल 2026 में एक बड़ी बाढ़ की घटना हुई, तो देखे गए बाढ़ के अधिकांश बिंदु ठीक उन्हीं क्षेत्रों में पाए गए जिन्हें मॉडल ने उच्च या बहुत उच्च जोखिम वाले क्षेत्रों के रूप में चिह्नित किया था। यह सत्यापन नगर अधिकारियों को निर्णय लेने के लिए एक शक्तिशाली उपकरण प्रदान करता है। अब वे देख सकते हैं कि ड्रेनेज सिस्टम को कहाँ मजबूत करना है, कहाँ नए निर्माण को प्रतिबंधित करना है, और कहाँ आपातकालीन प्रतिक्रिया योजनाओं को प्राथमिकता देनी है।

यह शोध प्रदर्शित करता है कि बाढ़ प्रबंधन का भविष्य उन्नत तकनीक को स्थानीय ज्ञान के साथ एकीकृत करने में निहित है। मशीन लर्निंग का उपयोग करके बारिश, स्थलाकृति और मानव विकास के जटिल अंतर्संबंधों का विश्लेषण करके, वैज्ञानिक बढ़ते शहरों की रक्षा के लिए स्पष्ट, कार्रवाई योग्य अंतर्दृष्टि प्रदान कर सकते हैं। अध्ययन यह दावा नहीं करता है कि इसने बाढ़ की समस्या को हमेशा के लिए हल कर दिया है, लेकिन इसने सबसे संवेदनशील स्थानों की पहचान करने के लिए एक विश्वसनीय तरीका प्रदान किया है। रियाद और अन्य तेजी से शहरीकृत होते शहरों के निवासियों के लिए, इसका अर्थ है कि अब वे केवल 'अच्छे की उम्मीद करने' के बजाय 'आत्मविश्वास के साथ बुरे के लिए तैयार होने' की ओर बढ़ रहे हैं। यह मानचित्र एक मार्गदर्शक के रूप में कार्य करता है, जो दिखाता है कि पानी कहाँ जाएगा ताकि लोग बेहतर निर्माण कर सकें, बेहतर योजना बना सकें और सुरक्षित रह सकें।