मशीन लर्निंग ने सैंटोरिनी संकट में 60,000 से अधिक भूकंपों का मानचित्रण किया

एक ज्वालामुखीय भूकंपीय संकट और अधिक स्पष्टता से सामने आया

2024 के अंत से 2025 के मध्य के बीच सैंटोरिनी और आसपास के द्वीपों को प्रभावित करने वाली तीव्र भूकंपीय श्रृंखला, पारंपरिक निगरानी से दिखाई गई तस्वीर से कहीं अधिक बड़ी और अधिक संरचित थी। सिस्मोलॉजिकल सोसाइटी ऑफ़ अमेरिका की 2026 की वार्षिक बैठक में प्रस्तुत शोध के अनुसार, मशीन लर्निंग-आधारित विश्लेषण ने इस दौरान 60,000 से अधिक भूकंपों की पहचान की, जिससे एक उच्च-रिज़ॉल्यूशन कैटलॉग तैयार हुआ और वैज्ञानिकों को संकट के विकसित होने के साथ-साथ उसका अनुसरण करने में मदद मिली।

सिर्फ़ यह संख्या ही प्रभावशाली है, लेकिन इसका व्यापक महत्व इस बात में है कि ऐसी लगभग वास्तविक समय की विश्लेषण क्षमता क्या संभव बनाती है। महीनों बाद डेटा की समीक्षा करने के बजाय, शोध दल ने घटना के जारी रहने के दौरान ही मशीन लर्निंग टूल्स का उपयोग किया, भूकंपीय गतिविधि में उछालों का पता लगाया, यह ट्रैक किया कि गतिविधि फॉल्ट नेटवर्क के भीतर कैसे स्थानांतरित हुई, और ऐसे विवरण पकड़े जिन्हें मानक कार्यप्रवाह संभवतः चूक जाते या ऑपरेशनल निर्णयों के लिए बहुत देर से उपलब्ध कराते।

सैंटोरिनी श्रृंखला को ट्रैक करना क्यों कठिन था

सैंटोरिनी का भूकंपीय संकट असामान्य रूप से तीव्र था। शोधकर्ताओं ने कहा कि कुछ अवधियों में एक ही घंटे में सैकड़ों भूकंप दर्ज हुए, और ऐसी स्थिति समय के दबाव में पारंपरिक कैटलॉगिंग को कठिन बना देती है। यह मात्रा इसलिए महत्वपूर्ण है क्योंकि जब भूकंप घने समूहों में आते हैं, तब चुनौती केवल तीव्रता या स्थान मापने की नहीं होती, बल्कि ओवरलैप होते वेवफॉर्म्स से अलग-अलग घटनाओं को अलग करने की भी होती है, और यह सब इतनी तेजी से करना होता है कि सूचना उपयोगी बनी रहे।

समानांतर रूप से चल रही मशीन लर्निंग पाइपलाइनों का उपयोग करते हुए, स्टैनफोर्ड-नेतृत्व वाली टीम संकट के दौरान ही बड़ी मात्रा में वेवफॉर्म डेटा संसाधित कर सकी और हजारों-हजार घटनाओं की पहचान कर सकी। तैयार हुआ डेटासेट दिसंबर 2024 से जून 2025 तक फैला था और इसने यह बहुत अधिक विस्तृत तस्वीर दी कि यह श्रृंखला समय के साथ कैसे विकसित हुई।

यह एक महत्वपूर्ण परिचालन बदलाव है। सिस्मोलॉजी में मशीन लर्निंग का उपयोग अक्सर बाद में, संकट समाप्त होने के बाद, पुनरावलोकन के रूप में किया जाता है। सैंटोरिनी में, इन तरीकों को लगभग वास्तविक समय निगरानी के अनुरूप तरीके से तैनात किया गया। इसलिए यह काम केवल एक भूकंपीय श्रृंखला के अध्ययन के रूप में नहीं, बल्कि इस प्रदर्शन के रूप में भी उल्लेखनीय है कि भविष्य में ज्वालामुखी-संबंधित भूकंपीय संकटों को अलग ढंग से कैसे संभाला जा सकता है।

उछाल, प्रवासन और मैग्मा की गति की ओर इशारा करने वाले संकेत

कैटलॉग में भूकंपीय गतिविधि के 46 आवर्ती उछाल पहचाने गए, जिनमें से प्रत्येक में एक से दो घंटे के दौरान सैकड़ों भूकंप शामिल थे। कुछ उछालों के दौरान, भूकंपीय प्रवासन फॉल्ट ज़ोन के साथ 2 किलोमीटर प्रति घंटे तक की गति से आगे बढ़ा। ऐसे पैटर्न केवल वर्णनात्मक जिज्ञासा नहीं हैं। वे वैज्ञानिकों को उस अंतर्निहित प्रक्रिया का आकलन करने में मदद करते हैं जो इस झुंड को चला रही है।

शोधकर्ताओं के अनुसार, गति और प्रवासन का पैटर्न दोनों इस व्याख्या को मजबूत करते हैं कि यह श्रृंखला क्षेत्र के ज्वालामुखियों से जुड़ी मैग्मा अंतःस्थापना/अंतःप्रवेश (magma intrusion) से संबंधित थी। दूसरे शब्दों में, ये भूकंप केवल बिखरा हुआ टेक्टोनिक शोर नहीं थे। वे सक्रिय ज्वालामुखीय प्रणाली के भीतर पदार्थ और तनाव की गति का पता लगाते हुए प्रतीत होते हैं।

यह अंतर जोखिम आकलन के लिए महत्वपूर्ण है। ज्वालामुखीय परिवेश में, यदि कोई झुंड मुख्यतः फॉल्ट स्लिप, द्रव गति या मैग्मा अंतःप्रवेश से संचालित हो रहा हो, तो वैज्ञानिकों के त्वरित बढ़ने के जोखिम और सार्वजनिक संचार के बारे में सोचने का तरीका बदल जाता है। अधिक समृद्ध कैटलॉग अनिश्चितता को समाप्त नहीं करता, लेकिन वह संभावित व्याख्याओं की सीमा को संकीर्ण कर सकता है और अधिकारियों को स्थिति की अधिक स्पष्ट तस्वीर बनाने में मदद कर सकता है।

शोध उपकरण से ऑपरेशनल अपेक्षा तक

अध्ययन का सबसे मजबूत संदेशों में से एक भूवैज्ञानिक के बजाय संस्थागत है: शोधकर्ताओं का तर्क है कि इन तरीकों को सीमित उपयोग से आगे बढ़कर नियमित ऑपरेशनल अभ्यास का हिस्सा बनना चाहिए। यह एक महत्वपूर्ण दावा है। निगरानी एजेंसियां अक्सर वास्तविक समय कार्यप्रवाह में नए विश्लेषणात्मक तरीकों को अपनाने में सावधानी बरतती हैं, क्योंकि सार्वजनिक सुरक्षा से जुड़े मामलों में विश्वसनीयता, गति और व्याख्येयता, तीनों मायने रखते हैं।

लेकिन सैंटोरिनी जैसी घटनाएँ मौजूदा दृष्टिकोण की सीमाएँ उजागर करती हैं। जब कोई संकट तेजी से विकसित हो रहा हो, तब विश्लेषण में देरी केवल अकादमिक असुविधा नहीं होती। वे पूर्वानुमान, चेतावनियों और आपातकालीन योजना को प्रभावित कर सकती हैं। शोधकर्ताओं का मत है कि मशीन लर्निंग अब पर्याप्त परिपक्व हो चुकी है कि वह मानक निगरानी टूलकिट का हिस्सा बन सके, खासकर उन उच्च-तीव्रता वाले ज्वालामुखीय संकटों में जहाँ अकेले मानव विश्लेषक घटनाओं की मात्रा के साथ कदम मिलाकर चलने में संघर्ष कर सकते हैं।

यदि यह परिवर्तन होता है, तो इसके व्यावहारिक प्रभाव एजियन क्षेत्र से कहीं आगे तक जा सकते हैं। दुनिया भर के ज्वालामुखी वेधशाला और भूकंपीय निगरानी नेटवर्क झुंडों, अंतःप्रवेशों और भूकंप-श्रृंखलाओं के दौरान समान चुनौतियों का सामना करते हैं। तेज़ और अधिक घने घटना कैटलॉग एजेंसियों को उभरते खतरों की व्याख्या करने और सार्वजनिक रूप से अनिश्चितता को संप्रेषित करने के तरीके में सुधार कर सकते हैं।

यह अध्ययन क्या बदलता है

सैंटोरिनी श्रृंखला इस बात का केस स्टडी बन गई है कि एक लाइव घटना के दौरान गणना प्रेक्षणात्मक विज्ञान को कैसे बदल सकती है। मूल्य सिर्फ़ यह नहीं था कि मशीन लर्निंग ने अधिक भूकंप पाए। इसने संरचना पाई: दोहराए जाने वाले उछाल, प्रवासी गतिविधि, और फॉल्ट-नेटवर्क का वह विवरण, जिसने मिलकर यह बताने वाली अधिक सुसंगत कहानी बनाई कि भूमिगत क्या हो रहा था।

यही गहरा सबक है। जोखिम विज्ञान में, बेहतर रिज़ॉल्यूशन घटना के अर्थ को ही बदल सकता है। एक फैला हुआ और भारी-भरकम झुंड लय, मार्गों और संभावित चालक बलों वाली एक मानचित्रित प्रक्रिया बन जाता है। इससे पूर्वानुमान आसान नहीं हो जाता, और न ही आश्चर्य की संभावना समाप्त होती है। लेकिन यह उन परिस्थितियों में उपलब्ध सूचना की गुणवत्ता सुधार देता है, जब निर्णय वास्तविक समय में लेने होते हैं।

सैंटोरिनी के लिए, इसका परिणाम एक उल्लेखनीय भूकंपीय संकट का अधिक स्पष्ट रिकॉर्ड है। व्यापक क्षेत्र के लिए, यह संकेत है कि परिचालन सिस्मोलॉजी एक नए चरण में प्रवेश कर सकती है, जिसमें मशीन लर्निंग अब घटना के बाद की शोध सहायक नहीं, बल्कि अग्रिम पंक्ति का विश्लेषणात्मक उपकरण होगी।

मुख्य बिंदु

• शोधकर्ताओं ने मशीन लर्निंग का उपयोग करके 2025 की सैंटोरिनी श्रृंखला के दौरान 60,000 से अधिक भूकंपों की पहचान की।
• अध्ययन में भूकंपीय गतिविधि के 46 आवर्ती उछाल और फॉल्ट ज़ोन के साथ 2 किलोमीटर प्रति घंटे तक की गति से प्रवासन पाया गया।
• देखे गए पैटर्न इस व्याख्या का समर्थन करते हैं कि संकट में मैग्मा अंतःप्रवेश ने केंद्रीय भूमिका निभाई।
• टीम का कहना है कि ऐसे मशीन लर्निंग तरीके भविष्य की ज्वालामुखीय आपात स्थितियों में नियमित वास्तविक समय निगरानी का हिस्सा बनने चाहिए।

यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.