इंडियन इंस्टीट्यूट ऑफ टेक्नोलॉजी (आईआईटी) दिल्ली के सिविल इंजीनियरिंग विभाग के शोधकर्ताओं ने सैटेलाइट डेटा का उपयोग करके भूस्खलन की सीमा का मानचित्रण करने के लिए एक ग्राउंड-ब्रेकिंग क्लाउड कंप्यूटिंग और मशीन लर्निंग-आधारित टूल, एमएल-कैस्केड विकसित किया है।
इस उपयोग में आसान और सार्वजनिक रूप से उपलब्ध टूल (टूल लिंक) को केवल दो इनपुट की आवश्यकता होती है, यानी भूस्खलन की घटना की अनुमानित तारीख और स्थान। उसके बाद यह टूल 5 मिनट के भीतर भूस्खलन के जटिल समूह और 2 मिनट के भीतर एक साधारण भूस्खलन का सटीक मानचित्रण करता है, जो आपदा के बाद के नुकसान के आकलन के लिए महत्वपूर्ण है। इस मॉडल को बड़ी मात्रा में उपग्रह, भूभाग, वनस्पति और मिट्टी के डेटा पर प्रशिक्षित किया गया है।
पीएचडी स्कॉलर निर्देश कुमार शर्मा और सिविल इंजीनियरिंग विभाग के हाइड्रोसेंस लैब के प्रो. मनबेंद्र सहारिया द्वारा एक शोध पत्र इंटरनेशनल कंसोर्टियम ऑन लैंडस्लाइड्स (आईसीएल) द्वारा प्रतिष्ठित 'लैंडस्लाइड्स' जर्नल में प्रकाशित किया गया है।
एक प्रेस बयान में आईआईटी, दिल्ली के सिविल इंजीनियरिंग विभाग के मनबेंद्र सहारिया ने कहा, "अब तक भूस्खलन को उपग्रह इमेजरी पर मैन्युअल रूप से डिजिटाइज़ करके मैप किया जाता है, जो महंगा, गलत और समय लेने वाला है। इससे बड़े और दूरदराज के क्षेत्रों में फील्ड सर्वेक्षण और भूवैज्ञानिक डेटा संग्रह नहीं किया जा सकता है। वनस्पति सूचकांक की दहलीज का उपयोग करके विकसित मौजूदा सरल मॉडल न्यूनतम वनस्पति वाले क्षेत्रों में विफल हो जाते हैं। भू-स्थानिक डेटा पर मशीन लर्निंग सूचकांक-आधारित विधियों की कमियों को दूर करने और उच्च सटीकता के साथ भूस्खलन को मैप करने के लिए कई अलग-अलग डेटासेट को इकट्ठा करने का अवसर प्रदान करता है"।
भूस्खलन की समस्या को बाइनरी इमेज सेगमेंटेशन समस्या के रूप में माना जाता है। मॉडल को विकसित करने के लिए 19 विशेषताओं का उपयोग किया गया, जिसमें सेंटिनल-2 बैंड (भूस्खलन से पहले और बाद में), नासा डिजिटल एलिवेशन मॉडल डेटा से ढलान, नॉर्मलाइज्ड डिफरेंट वेजीटेशन इंडेक्स (एनडीवीआई) और डिफरेंशियल बेर सॉयल इंडेक्स शामिल हैं, जो ताजा भूस्खलन विकास का पता लगा सकते हैं।
इस उपकरण की नई एवं खास बात यह है कि यह एक गतिशील मशीन लर्निंग मॉडल है जो पूर्व-प्रशिक्षित मॉडल पर निर्भर नहीं करता है जिसके लिए भूस्खलन के लिए अनुपलब्ध बड़े एनोटेटेड प्रशिक्षण डेटा के साथ-साथ नए क्षेत्रों में सीमित हस्तांतरण की आवश्यकता होती है।
इसके बजाय, यह यूजर्स के इनपुट और उपग्रह इमेजरी के आधार पर एक कस्टम मॉडल बनाता है। आखिरी आउटपुट कई छवि प्रारूपों में आसानी से डाउनलोड करने योग्य है, जिसे जीआईएस में आगे की प्रक्रिया के लिए प्रसारित या उपयोग किया जा सकता है।
बैकएंड के रूप में गूगल अर्थ इमेजिन के साथ, इसमें डेटा डाउनलोड करने की आवश्यकता नहीं होती है, और समानांतर प्रसंस्करण का उपयोग करते हुए, आउटपुट को उत्पन्न होने में केवल कुछ मिनट लगते हैं, जो स्थानीय कंप्यूटर पर घंटों लगेंगे।
इस उपकरण को हजारों भूस्खलनों पर व्यापक रूप से मान्य किया गया है, जिसमें हिमालय (कोटरूपी भूस्खलन, 2017) और पश्चिमी घाट (कोडागु भूस्खलन, 2018) में दो प्रमुख घटनाएं पेपर में केस स्टडी के रूप में प्रदान की गई हैं।
अधिकांश भूस्खलन मानचित्रित नहीं होते हैं क्योंकि वे दूरदराज के स्थानों पर होते हैं, और एक व्यापक सूची विकसित करने के लिए महत्वपूर्ण डोमेन विशेषज्ञता, समय और प्रयास की आवश्यकता होती है। इस उपकरण का उपयोग अब आईआईटी दिल्ली के शोधकर्ताओं द्वारा स्थानिक विस्तार के साथ एक राष्ट्रीय ऐतिहासिक भूस्खलन सूची विकसित करने के लिए किया जा रहा है।