Evaluating disaster triggers and spatial susceptibility of retrogressive thawing slumps in permafrost regions Hoh Xil, Qinghai-Tibet Plateau

किंगहाई-तिब्बत पठार के ऊंचे, हवा से भरे मैदानों पर, जमीन केवल मिट्टी और चट्टान नहीं है; यह एक जमी हुई पुरालेख (आर्काइव) है। हजारों वर्षों से, इस परिदृश्य का अधिकांश हिस्सा स्थायी ठंड की स्थिति में रहा है, जिसे वैज्ञानिक पर्माफ्रॉस्ट (permafrost) कहते हैं। यह जमी हुई धरती इस क्षेत्र के विशाल पारिस्थितिक तंत्रों और इसके महत्वपूर्ण बुनियादी ढांचे, जिसमें दुनिया की सबसे ऊंची रेलवे और राजमार्ग शामिल हैं, के लिए एक ठोस आधार के रूप में कार्य करती है। हालांकि, जैसे-जैसे वैश्विक जलवायु गर्म हो रही है, यह जमी हुई नींव नरम होने लगी है। जब मिट्टी के भीतर की बर्फ पिघलती है, तो जमीन अपनी मजबूती खो देती है और अचानक ढह सकती है। इस तरह के ढहने का सबसे नाटकीय और विनाशकारी रूप 'रेट्रोग्रेसिव थॉ स्लमप' (retrogressive thaw slump) है। ये साधारण धंसाव नहीं हैं; ये परिदृश्य पर सक्रिय, पीछे हटते हुए निशान हैं जहाँ बर्फ से भरपूर मिट्टी की एक खड़ी दीवार ढह जाती है, पीछे की ओर खिसक जाती है और पीछे कीचड़ और मलबे का एक अराजक ढेर छोड़ देती है। जैसे-जैसे ये स्लमप बढ़ते हैं, वे सड़कों, रेलवे और नाजुक अल्पाइन पर्यावरण को निगलने का खतरा पैदा करते हैं, जिससे यह समझना महत्वपूर्ण हो जाता है कि वे अगली बार कहाँ दिखाई दे सकते हैं।

होह शिल (Hoh Xil) क्षेत्र पर केंद्रित एक हालिया अध्ययन में, जो पठार का एक दूरस्थ और दुर्गम हिस्सा है, शोधकर्ताओं ने इन पिघलते भूस्खलनों के भविष्य के खतरे वाले क्षेत्रों का मानचित्रण करने का लक्ष्य रखा। चुनौती बहुत बड़ी थी। परिदृश्य विशाल है, डेटा जटिल है, और स्लमप को ट्रिगर करने वाले कारक आपस में गहराई से जुड़े हुए हैं। एक स्लमप किसी एक कारण से नहीं होता; यह गर्मी, पानी, मिट्टी के प्रकार और जमीन के आकार के एक विशिष्ट संयोजन का परिणाम है। इस जाल को सुलझाने के लिए, टीम ने समस्या को देखने का एक नया तरीका विकसित किया, जो सरल अवलोकनों से आगे बढ़कर एक परिष्कृत डिजिटल विश्लेषण की ओर बढ़ा जो मानव मस्तिष्क द्वारा पैटर्न पहचानने के तरीके की नकल करता है।

शोधकर्ताओं ने होह शिल क्षेत्र के बारे में भारी मात्रा में जानकारी एकत्र करना शुरू किया। उन्होंने हवा के तापमान, वर्षा की मात्रा, ढलानों की ढलान और सतह के नीचे की मिट्टी के प्रकार को देखा। उन्होंने जमीन के भीतर छिपी बर्फ की मात्रा और उसे ढकने वाली वनस्पतियों के घनत्व का भी परीक्षण किया। उपग्रह चित्रों और क्षेत्रीय सर्वेक्षणों का उपयोग करके, उन्होंने क्षेत्र में मौजूद 1,825 मौजूदा थॉ स्लमप का एक विस्तृत रिकॉर्ड तैयार किया। यह इन्वेंट्री 'ग्राउंड ट्रुथ' (ground truth) के रूप में कार्य करती थी, जो उस मानचित्र की तरह थी जहाँ क्षति पहले ही हो चुकी है। लक्ष्य कंप्यूटर को उस विशिष्ट पर्यावरणीय रेसिपी को पहचानना सिखाना था जो एक स्लमप की ओर ले जाती है, ताकि वह भविष्यवाणी कर सके कि अगले स्लमप कहाँ बनेंगे।

डेटा के इस पहाड़ को समझने के लिए, टीम को पहले शोर (noise) को फ़िल्टर करना था। उन्होंने यह पहचानने के लिए एक सांख्यिकीय पद्धति का उपयोग किया कि कौन से कारक वास्तव में स्लमप को संचालित कर रहे थे और कौन से केवल पृष्ठभूमि का शोर मात्र थे। उन्होंने पाया कि सबसे शक्तिशाली ट्रिगर पानी और गर्मी से संबंधित थे। विशेष रूप से, अत्यधिक वर्षा की घटनाएं और गर्मियों के महीनों के दौरान जमने और पिघलने का तीव्र चक्र प्राथमिक चालक थे। ये स्थितियां मिट्टी को संतृप्त करती हैं और जमीन को थामे रखने वाले जमे हुए बंधनों को कमजोर करती हैं। हालांकि जमीन के आकार और मिट्टी के प्रकार का महत्व था, लेकिन उन्होंने हाइड्रोथर्मल स्थितियों के भारी प्रभाव के सामने एक सहायक भूमिका निभाई। अध्ययन ने पुष्टि की कि उच्च बर्फ सामग्री और महीन कणों वाली मिट्टी वाले क्षेत्र, जो स्पंज की तरह पानी को सोख लेते हैं, गर्म और नम मौसम होने पर विशेष रूप से संवेदनशील होते हैं।

अध्ययन का मुख्य भाग एक कंप्यूटर सिस्टम को पैटर्न सीखने के लिए प्रशिक्षित करना था। शोधकर्ताओं को इस प्रकार के शोध में एक आम समस्या का सामना करना पड़ा: यह पता लगाना आसान है कि स्लमप कहाँ हुए हैं, लेकिन यह विश्वसनीय उदाहरण ढूंढना कठिन है कि वे कहाँ नहीं हुए हैं। यदि कंप्यूटर को केवल वही दिखाया जाता है जहाँ खतरा है, तो वह अनुमान लगा सकता है कि पूरी दुनिया खतरनाक है। इसे हल करने के लिए, टीम ने एक स्मार्ट सैंपलिंग रणनीति बनाई। उन्होंने क्लस्टरिंग तकनीक का उपयोग करके ऐसे क्षेत्र खोजे जो अपने वातावरण के मामले में स्लमप क्षेत्रों के बिल्कुल समान दिखते थे लेकिन स्थिर रहे थे। इन "सुरक्षित" स्थानों को सावधानीपूर्वक चुनकर, उन्होंने यह सुनिश्चित किया कि कंप्यूटर एक संभावित आपदा क्षेत्र और एक स्थिर ढलान के बीच के अंतर को सीखे, न कि केवल यादृच्छिक स्थानों को याद रखे।

एक बार डेटा तैयार हो जाने के बाद, टीम ने कई अलग-अलग कंप्यूटर लर्निंग मॉडल का परीक्षण किया। उन्होंने मानक एल्गोरिदम का प्रयास किया, लेकिन उन्होंने पाया कि 'कन्वोल्यूशनल न्यूरल नेटवर्क' (convolutional neural network) नामक एक विशिष्ट डीप लर्निंग सिस्टम परिदृश्य को समझने में कहीं अधिक बेहतर था। यह प्रणाली डेटा को उसी तरह देखने के लिए डिज़ाइन की गई है जैसे मनुष्य एक तस्वीर को देखता है, जो विशेषताओं के बीच स्थानिक संबंधों को पहचानता है। यह देख सकता था कि कैसे एक खड़ी ढलान, गीली मिट्टी का एक पैच और एक गर्म गर्मी का दिन मिलकर एक जोखिम पैदा करते हैं। शोधकर्ताओं ने फिर इस शक्तिशाली पैटर्न-पहचान टूल को एक 'एन्सेम्बल लर्निंग' (ensemble learning) दृष्टिकोण के साथ जोड़ा। यह तकनीक विशेषज्ञों के एक पैनल की तरह काम करती है: एक एकल मॉडल पर निर्भर रहने के बजाय, उन्होंने कई अलग-अलग मॉडलों के भविष्यवाणियों को मिलाया, जिससे उन्हें अंतिम उत्तर पर मतदान करने दिया। इस पद्धति ने त्रुटियों को कम किया और भविष्यवाणियों को बहुत अधिक विश्वसनीय बना दिया।

परिणामस्वरूप होह शिल क्षेत्र के लिए एक अत्यधिक सटीक संवेदनशीलता मानचित्र प्राप्त हुआ। मानचित्र ने दिखाया कि उच्चतम जोखिम वाले क्षेत्र बेतरतीब ढंग से बिखरे हुए नहीं हैं, बल्कि विशिष्ट संक्रमण क्षेत्रों में केंद्रित हैं जहाँ भूमि खड़ी ढलानों से घाटियों में बदलती है, और उन क्षेत्रों में जहाँ तीव्र थर्मोकार्स्ट गतिविधि है। सबसे सफल मॉडल, जिसने डीप लर्निंग फीचर एक्सट्रैक्शन को स्मार्ट सैंपलिंग रणनीति के साथ जोड़ा, ने एक ऐसी सटीकता दर हासिल की जो पिछले तरीकों से कहीं अधिक थी। इसने ज्ञात स्लमपों के विशाल बहुमत की सही पहचान की और स्थिर क्षेत्रों में गलत अलार्म से बचा। मानचित्र ने दिखाया कि क्षेत्र के लगभग 15,000 वर्ग किलोमीटर क्षेत्र उच्च या बहुत उच्च-जोखिम वाली श्रेणियों में आते हैं, जिनमें सबसे खतरनाक क्षेत्र प्रमुख परिवहन मार्गों के गलियारों के किनारे स्थित हैं।

यह अध्ययन केवल एक मानचित्र नहीं बनाता है; यह आपदा के तंत्र को स्पष्ट करता है। यह पुष्टि करता है कि हालांकि इन क्षेत्रों में जमीन स्वाभाविक रूप से अस्थिर है, लेकिन अंतिम ट्रिगर अक्सर एक विशिष्ट मौसम की घटना होती है, जैसे कि बर्फ से भरपूर ढलान पर भारी गर्मी की बारिश। अनुसंधान प्रदर्शित करता है कि जलवायु, मिट्टी और स्थलाकृति के बीच जटिल अंतःक्रियाओं का विश्लेषण करने के लिए उन्नत कंप्यूटर लर्निंग का उपयोग करके, वैज्ञानिक इन खतरों की भविष्यवाणी उस स्तर की सटीकता के साथ कर सकते हैं जो पहले असंभव थी। यह क्षमता योजनाकारों और इंजीनियरों के लिए एक शक्तिशाली उपकरण प्रदान करती है। यह जानकर कि जमीन कहाँ सबसे अधिक ढहने की संभावना है, वे बुनियादी ढांचे को मजबूत कर सकते हैं, सड़कों का मार्ग बदल सकते हैं, या ढहने से पहले विशिष्ट क्षेत्रों की निगरानी कर सकते हैं। एक ऐसे क्षेत्र में जहाँ जलवायु पृथ्वी के लगभग किसी भी अन्य स्थान की तुलना में तेजी से बदल रही है, इस तरह की दूरदर्शिता केवल एक शैक्षणिक अभ्यास नहीं है; यह उस जमी हुई पठार की स्थिरता पर निर्भर जीवन और आजीविका की रक्षा करने की दिशा में एक आवश्यक कदम है।