Flood Susceptibility Mapping in Yola Metropolis, Nigeria, Using Random Forest, Terrain-Derived Predictors, and Nested Spatial Cross-Validation
यह अध्ययन स्थलाकृतिक और भूमि-उपयोग संकेतकों के साथ नेस्टेड स्थानिक क्रॉस-वैलिडेशन का उपयोग करके योला मेट्रोपोलिस, नाइजीरिया के लिए एक रैंडम फॉरेस्ट-आधारित बाढ़ संवेदनशीलता मानचित्र विकसित करता है, जो ऊंचाई को प्रमुख कारक के रूप में पहचानने और 92.24% क्षेत्र को निम्न-से-मध्यम जोखिम के रूप में वर्गीकृत करने के साथ-साथ डेटा-सीमित शहरी परिवेशों में आपदा नियोजन के लिए एक पुनरुत्पादनीय स्क्रीनिंग टूल प्रदान 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
तेजी से बढ़ते शहरों में बाढ़ एक निरंतर खतरा है, विशेष रूप से उन क्षेत्रों में जहाँ विस्तृत मौसम रिकॉर्ड और जल निकासी मानचित्रों की कमी है। जब भारी बारिश होती है या नदियाँ उफनती हैं, तो पानी सबसे निचले स्थान की ओर जाता है, लेकिन तेजी से फैलते शहरी क्षेत्रों में, नई इमारतें और पक्की सड़कें अक्सर उन प्राकृतिक रास्तों को अवरुद्ध कर देती हैं जिनसे पानी बाहर निकल जाता है। लोगों और संपत्ति की रक्षा करने के लिए, योजनाकारों को यह जानने की आवश्यकता है कि शहर के कौन से हिस्से बाढ़ के प्रति सबसे अधिक संवेदनशील हैं। यहीं पर 'बाढ़ संवेदनशीलता मानचित्रण' (flood susceptibility mapping) काम आता है। यह अनुमान लगाने के बजाय कि बाढ़ कब होगी या पानी कितना गहरा होगा, ये मानचित्र उन क्षेत्रों की पहचान करते हैं जिनमें वे भौतिक विशेषताएं हैं—जैसे कम ऊंचाई या विशिष्ट प्रकार का भूमि आवरण—जो उन्हें बाढ़ के प्रति संवेदनशील बनाती हैं। उपग्रह चित्रों और कंप्यूटर मॉडल का उपयोग करके, वैज्ञानिक इन मानचित्रों को उन स्थानों पर भी बना सकते हैं जहाँ जमीनी स्तर का डेटा एकत्र करना कठिन होता है, जो आपदा नियोजन के लिए एक महत्वपूर्ण पहला कदम प्रदान करता है।
नाइजीरिया के उत्तर-पूर्वी क्षेत्र में स्थित योला (Yola) शहर में, शोधकर्ताओं ने हाल ही में बाढ़ के जोखिम का एक विस्तृत मानचित्र बनाने के लिए इस दृष्टिकोण को लागू किया। योला बेन्यू नदी के पास एक निचले इलाके में स्थित है, जो बढ़ते जल स्तर के प्रति संवेदनशील है, फिर भी इसमें सटीक इंजीनियरिंग अध्ययन के लिए आवश्यक विस्तृत स्थानीय डेटा की कमी है। प्रिटोरिया विश्वविद्यालय और अन्य संस्थानों के वैज्ञानिकों की एक टीम ने केवल उपग्रह चित्रों और डिजिटल मानचित्रों से उपलब्ध जानकारी का उपयोग करके बाढ़ की आशंका वाले क्षेत्रों की पहचान करने के लिए एक मॉडल बनाने का लक्ष्य रखा। उनका लक्ष्य केवल एक मानचित्र बनाना नहीं था, बल्कि यह सुनिश्चित करने के लिए एक कठोर पद्धति का परीक्षण करना था कि मानचित्र सटीक और विश्वसनीय हो, भले ही डेटा सीमित हो। उन्होंने तीन मुख्य कारकों पर ध्यान केंद्रित किया जो बाढ़ को प्रभावित करते हैं: जमीन कितनी ऊँची है, जमीन का ढलान कैसा है, और सतह पर क्या ढका हुआ है, जैसे कि पेड़, फसलें या इमारतें।
अपने मॉडल को बनाने के लिए, शोधकर्ताओं ने 'रैंडम फॉरेस्ट' (Random Forest) नामक एक शक्तिशाली कंप्यूटर लर्निंग तकनीक का उपयोग किया। यह विधि हजारों 'डिसीजन ट्री' (निर्णय वृक्ष) बनाकर काम करती है जो पैटर्न पहचानने के लिए डेटा के विभिन्न संयोजनों को देखती है। टीम ने कंप्यूटर को एक डिजिटल एलिवेशन मॉडल (डिजिटल ऊंचाई मॉडल) से डेटा दिया, जो जमीन की ऊंचाई का एक 3D मानचित्र है, साथ ही 2022 का एक लैंड-यूज़ मैप (भूमि उपयोग मानचित्र) भी दिया, जो दिखाया गया था कि उस वर्ष जमीन पर क्या था। उन्होंने 2022 में देखे गए 832 विशिष्ट स्थानों का रिकॉर्ड भी शामिल किया जहाँ बाढ़ देखी गई थी, और उन स्थानों के साथ भी जहाँ स्थिति सूखी रही थी। यह रिकॉर्ड कंप्यूटर के सीखने के लिए एक "उत्तर कुंजी" (answer key) के रूप में कार्य करता था। शोधकर्ताओं ने मानचित्रण में होने वाली एक आम गलती से बचने के लिए सावधानी बरती: उन्होंने यह सुनिश्चित किया कि कंप्यूटर उन डेटा बिंदुओं का उपयोग न करे जो परीक्षण के लिए पहले से सीखे जा चुके बिंदुओं के ठीक बगल में हों। इसके बजाय, उन्होंने शहर को बड़े ब्लॉकों में विभाजित किया और मॉडल का परीक्षण भूमि के उन पूरे ब्लॉकों पर किया जिन्हें उसने पहले कभी नहीं देखा था, जो एक ऐसी विधि है जो इस बात की कहीं अधिक सच्ची तस्वीर देती है कि वास्तविक दुनिया में मॉडल कितनी अच्छी तरह काम करेगा।
परिणामों से पता चला कि बाढ़ की भविष्यवाणी करने वाला सबसे महत्वपूर्ण कारक केवल जमीन की ऊंचाई थी। कंप्यूटर मॉडल ने निर्धारित किया कि ऊंचाई जानना, जमीन के सटीक ढलान या नदी से दूरी जानने की तुलना में कहीं अधिक महत्वपूर्ण था। हालांकि ढलान डेटा जोड़ने से मॉडल में थोड़ा सुधार हुआ, लेकिन नदियों से दूरी जोड़ने से वास्तव में मॉडल की बाढ़ वाले क्षेत्रों को सही ढंग से पहचानने की क्षमता थोड़ी कम हो गई। सबसे अच्छा प्रदर्शन करने वाला मॉडल, जिसने ऊंचाई, ढलान और भूमि आवरण को मिलाया, ने बाढ़ वाले और बिना बाढ़ वाले क्षेत्रों को उच्च सटीकता के साथ पहचाना। इसने बाढ़ के 91.7 प्रतिशत वास्तविक स्थानों को उच्च-जोखिम के रूप में और 93.1 प्रतिशत सूखे स्थानों को सुरक्षित के रूप में सफलतापूर्वक वर्गीकृत किया। यह स्तर की सटीकता यह सुझाव देती है कि इस विशिष्ट परिदृश्य में, जमीन का आकार ही वह प्रमुख बल है जो नियंत्रित करता है कि पानी कहाँ जमा होगा।
इन निष्कर्षों का उपयोग करते हुए, टीम ने एक अंतिम मानचित्र बनाया जो योला को तीन श्रेणियों में विभाजित करता है: कम, मध्यम और उच्च संवेदनशीलता। उन्होंने इन श्रेणियों के लिए सीमाएँ मनमाने ढंग से तय करने के बजाय अपने परीक्षण चरण के दौरान मॉडल के प्रदर्शन के आधार पर निर्धारित कीं। मानचित्र से पता चला कि शहर का एक बड़ा हिस्सा, यानी मॉडल द्वारा भविष्यवाणी किए जाable क्षेत्र का 82.8 प्रतिशत, 'कम-संवेदनशीलता' की श्रेणी में आता है। इसका अर्थ है कि अधिकांश शहर सामान्य परिस्थितियों में सूखा रहने के लिए पर्याप्त ऊँचाई पर है। लगभग 9.4 प्रतिशत क्षेत्र 'मध्यम' के रूप में वर्गीकृत है, और एक छोटा हिस्सा, लगभग 7.8 प्रतिशत, 'उच्च संवेदनशीलता' के रूप में चिह्नित है। ये उच्च-जोखिम वाले क्षेत्र निचले इलाकों में केंद्रित हैं, जो पानी के बहाव के भौतिक वास्तविकता के अनुरूप है। हालांकि, शोधकर्ताओं ने एक छोटे क्षेत्र का भी उल्लेख किया, लगभग 5.26 वर्ग किलोमीटर, जिसे वे मैप नहीं कर सके। ऐसा इसलिए था क्योंकि उस विशिष्ट स्थान पर भूमि आवरण वनस्पति का एक ऐसा प्रकार था जिसे कंप्यूटर ने अपने प्रशिक्षण डेटा में कभी नहीं देखा था, इसलिए उसने अनुमान लगाने के बजाय बुद्धिमानी से उत्तर देने से इनकार कर दिया।
अध्ययन यह निष्कर्ष निकालता है कि यह मानचित्र नियोजन के लिए एक शक्तिशाली उपकरण है, लेकिन यह एक पूर्ण समाधान नहीं है। यह एक स्क्रीनिंग टूल के रूप में कार्य करता है ताकि अधिकारी यह तय कर सकें कि कहाँ अधिक बारीकी से देखना है। यदि कोई डेवलपर उच्च-संवेदनशीलता वाले क्षेत्र में निर्माण करना चाहता है, तो यह मानचित्र संकेत देता है कि जल निकासी और पानी की गहराई की जांच करने के लिए एक विस्तृत इंजीनियरिंग अध्ययन की आवश्यकता है। शोधकर्ता सावधानीपूर्वक यह स्पष्ट करते हैं कि उनका मानचित्र यह भविष्यवाणी नहीं करता है कि पानी कितना गहरा होगा या बाढ़ कितनी बार आएगी; यह केवल यह दिखाता है कि उनके भौतिक परिवेश के आधार पर किन स्थानों के भीगने की सबसे अधिक संभावना है। यह सिद्ध करके कि ऊंचाई और भूमि आवरण का एक सरल संयोजन एक स्पष्ट चित्र प्रदान कर सकता है, यह अध्ययन अन्य डेटा-विहीन क्षेत्रों के शहरों के लिए एक विश्वसनीय कार्यप्रवाह (workflow) प्रदान करता है। यह प्रदर्शित करता है कि जटिल स्थानीय मापों के बिना भी, उपग्रह डेटा का एक सावधानीपूर्वक विश्लेषण बदलते जलवायु के बीच बढ़ती लहरों से समुदायों की रक्षा के लिए आवश्यक मार्गदर्शन प्रदान कर सकता 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।