शोधकर्ताओं ने भारत में बाढ़ के दौरान गहराई और जलभराव क्षेत्रों की भविष्यवाणी करने के लिए एआई प्रणाली विकसित की

बड़े पैमाने पर बाढ़, जिसके कारण लोगों की मौत होती है और हजारों लोग विस्थापित होते हैं, पानी की अप्रत्याशित और विनाशकारी शक्ति की एक कठोर याद दिलाती है। इस भेद्यता ने बॉम्बे के भारतीय प्रौद्योगिकी संस्थान (IIT) के शोधकर्ताओं को एक जटिल दो-ऑपरेशनल आर्टिफिशियल इंटेलिजेंस (AI) प्रणाली बनाने के लिए प्रेरित किया। यह प्रणाली न केवल यह निर्धारित करने के लिए डिज़ाइन की गई है कि अगली बड़ी बाढ़ कहाँ आ सकती है, बल्कि पानी के स्तर में वृद्धि की सटीक भविष्यवाणी करने के लिए भी है।

प्रणाली की कार्यप्रणाली और सटीकता

टीम ने उच्च-विस्तृत मानचित्र बनाने के लिए उपग्रह रडार डेटा को उन्नत मशीन लर्निंग के साथ जोड़ा, जो 93% से अधिक सटीकता के साथ बाढ़ संभावित क्षेत्रों की पहचान करता है। यह प्रणाली 55,000 वर्ग किलोमीटर के क्षेत्र को कवर करती है, जो कर्नाटक राज्य के उत्तरी कन्नड़ जिले में तद्रि से लेकर दक्षिणी भारत में पश्चिमी घाट के किनारे कोन्याकुमारी तक फैली हुई है। यह नया उपकरण भारत के सबसे कमजोर तटीय क्षेत्रों में रहने वाले लाखों लोगों के लिए एक शक्तिशाली सुरक्षा साधन बनने का लक्ष्य रखता है।

पारंपरिक रूप से, बाढ़ की भविष्यवाणी वर्षा के व्यापक ऐतिहासिक डेटा और भौतिक सेंसर पर निर्भर करती थी। हालांकि, आईआईटी बॉम्बे की टीम, जिसमें डॉ. काशीश साधवानी और प्रोफेसर टी.आई. एल्डहो जैसे शोधकर्ता शामिल हैं, ने कई प्रमुख कारकों का विश्लेषण करके पैटर्न पहचानने पर ध्यान केंद्रित किया। यह उल्लेखनीय है कि अध्ययन से पता चला कि सतही अपवाह स्वयं वर्षा की मात्रा की तुलना में अधिक महत्वपूर्ण भविष्यवक्ता था।

एआई मॉडल के कार्य सिद्धांत

जैसा कि डॉ. साधवानी बताते हैं, हालांकि वर्षा बाढ़ के लिए मुख्य प्रेरक है, लेकिन यह हमेशा किसी विशेष स्थान पर जलभराव का कारण नहीं बनती है। सतही अपवाह परिदृश्य की समग्र जलीय प्रतिक्रिया को दर्शाता है, जिसमें वर्षा की तीव्रता, मिट्टी की नमी, भूमि उपयोग, अंतःस्रवण क्षमता और जल निकासी विशेषताओं के संयुक्त प्रभाव को ध्यान में रखा जाता है।

इन डेटा को संसाधित करने के लिए एक दो-चरणीय प्रक्रिया का उपयोग किया गया था। पहले, एक वर्गीकरण मॉडल यह निर्धारित करता है कि क्या कोई क्षेत्र जोखिम क्षेत्र में है। फिर, एक प्रतिगमन मॉडल जमा हुए पानी की अनुमानित गहराई का आकलन करता है, जिससे संभावित जलभराव का एक निरंतर मानचित्र बनता है। इस मॉडल को प्रशिक्षित करने के लिए यूरोपीय अंतरिक्ष एजेंसी (ESA) के सेंटिनल-1 उपग्रह की सिंथेटिक एपर्चर रडार (SAR) मोड में छवियों का उपयोग किया गया था, जो मानसून के बादलों के माध्यम से भेदने और अवलोकन दर्ज करने में सक्षम हैं। मॉडल ने पिछली बाढ़ों से पहले और दौरान ली गई छवियों की तुलना करके स्थिर पानी का संकेत देने वाले गहरे रंगों को पहचानने के लिए प्रशिक्षण लिया।

सीमाएं और व्यावहारिक अनुप्रयोग

अंततः, मॉडल 30 मीटर ग्रिड तक रिज़ॉल्यूशन वाला एक उच्च-विस्तृत मानचित्र प्रदान करता है, हालांकि वर्तमान में इसमें लगभग 0.99 मीटर की त्रुटि (RMSE) है। हालांकि एक मीटर का विचलन शहरी नियोजन के लिए महत्वपूर्ण हो सकता है, डॉ. साधवानी बताते हैं कि प्रणाली का वर्तमान मूल्य इसकी व्यापकता और गति में निहित है। डॉ. साधवानी इस बात पर जोर देते हैं कि मॉडल को बाढ़ के त्वरित क्षेत्रीय विश्लेषण के लिए डिज़ाइन किया गया है, जो उच्च कम्प्यूटेशनल दक्षता और बड़े क्षेत्रों में जलभराव के क्षेत्रफल और गहराई की जानकारी को तेज़ी से उत्पन्न करने की क्षमता प्रदान करता है। यह प्रारंभिक चरणों में योजना बनाने, कमजोर क्षेत्रों को प्राथमिकता देने और आपातकालीन प्रतिक्रिया का समर्थन करने के लिए विशेष रूप से उपयोगी है।

वर्तमान में, प्रणाली 7% से कम ढलान वाले इलाके पर केंद्रित है। यह एक सचेत पद्धतिगत विकल्प था, क्योंकि अध्ययन में उल्लेख किया गया है कि SAR छवियों का उपयोग करके जलभराव का सटीक मानचित्रण सुनिश्चित करने के लिए जलभराव की गहराई की गणना 7% से कम ढलान वाले क्षेत्रों तक सीमित थी, जिसमें शूटिंग के दौरान पानी की संभावित गति को ध्यान में रखा गया था। इसके अलावा, अधिक खड़ी ढलानों पर रडार सिग्नल छाया और ओवरलैप जैसी ज्यामितीय विकृतियों से विकृत हो जाते हैं, और डेटा संग्रह के दौरान पानी की गति सीमा और गहराई के निर्धारण में अशुद्धियाँ पैदा कर सकती है। इस प्रकार, ढलान थ्रेशोल्ड स्थापित करना प्राप्त जलभराव गहराई डेटा की विश्वसनीयता और भौतिक संगति सुनिश्चित करने में मदद करता है।

दक्षिण भारत के तट के लिए महत्व

केरल और कर्नाटक के लिए यह उपकरण स्थिति को मौलिक रूप से बदल सकता है। उन क्षेत्रों में 30 मीटर रिज़ॉल्यूशन वाले मानचित्र जहां चिकनी मिट्टी पानी को रोकती है और निचले तटीय मैदान हावी हैं, स्थानीय अधिकारियों को सटीक रूप से यह निर्धारित करने की अनुमति देंगे कि कौन सा अस्पताल, स्कूल या सड़क संभवतः जलमग्न होगी। डॉ. साधवानी इस बात पर जोर देते हैं कि यह संरचना 'बाढ़ संभावित क्षेत्रों की पहचान करने, शहरी नियोजन और भूमि उपयोग प्रबंधन को निर्देशित करने' में सक्षम है और 'आपदा तैयारी और प्रतिक्रिया में महत्वपूर्ण भूमिका निभाती है, जिससे अधिकारियों को संसाधनों का प्रभावी ढंग से वितरण करने और निकासी और सहायता के लिए कमजोर क्षेत्रों को प्राथमिकता देने की अनुमति मिलती है'।

हालांकि वर्तमान अध्ययन दक्षिण भारत के पश्चिमी तट के हिस्से पर केंद्रित था, शोधकर्ताओं का मानना है कि यह आधार मुंबई या पूर्वी तट जैसे जटिल शहरी केंद्रों पर विस्तारित होने के लिए तैयार है। हालांकि, इन क्षेत्रों में संक्रमण के लिए नए चर पर विचार करने और संभवतः मॉडल को पुन: कैलिब्रेट और पुनः प्रशिक्षित करने की आवश्यकता होगी। डॉ. साधवानी बताते हैं कि 'तटीय स्थितियां ज्वारीय उतार-चढ़ाव, तूफानी लहरों, समुद्र के स्तर में परिवर्तन और बैकफ्लो प्रभावों जैसी अतिरिक्त जटिलताएं लाती हैं। मौजूदा संरचना में इन तटीय विशिष्ट मापदंडों को शामिल करके पद्धति को प्रभावी ढंग से अनुकूलित किया जा सकता है'।

चूंकि जलवायु परिवर्तन चरम मौसम की घटनाओं की आवृत्ति को बढ़ा रहा है, इसलिए यह एआई प्रणाली सिर्फ एक पूर्वानुमान से कहीं अधिक प्रदान करती है; यह आपदा प्रबंधन समूहों को नुकसान को कम करने और क्षेत्र की लचीलापन बढ़ाने के लिए उपयुक्त उपाय तैयार करने और योजना बनाने में मदद करती है।