गुवाहाटी: इंडियन इन्स्टिट्यूट ऑफ टेक्नॉलॉजी गुवाहाटी (IIT-G) च्या संशोधकांच्या चमूने हिमालयात हिमनद्यांची सरोवरे कोठे निर्माण होण्याची शक्यता आहे हे ओळखण्याचा एक नवीन मार्ग विकसित केला आहे, ज्यामुळे जलद हवामान बदलाचा सामना करणाऱ्या पर्वतीय प्रदेशांसाठी आपत्तीच्या तयारीत एक संभाव्य यश मिळू शकते. त्यांचा अभ्यास पूर्व हिमालयावर केंद्रित आहे, ज्याने संपूर्ण पर्वतराजीमध्ये हिमनदी सरोवराच्या उद्रेक पूर किंवा GLOFs ची सर्वाधिक वारंवारता नोंदवली आहे.
हे अचानक पूर तेव्हा उद्भवतात जेव्हा हिमनदी तलावांना धरून ठेवणारी नैसर्गिक धरणे कोसळतात, ज्यामुळे मोठ्या प्रमाणात पाणी, मलबा आणि गाळ खाली सोडला जातो. या संशोधनाचे निष्कर्ष नेचर सायंटिफिक रिपोर्ट्स जर्नलमध्ये प्रकाशित करण्यात आले आहेत. IIT-G च्या स्थापत्य अभियांत्रिकी विभागाचे अजय दशोरा, त्यांचे संशोधन अभ्यासक अनुष्का वशिष्ठ आणि ब्रुनेई दारुस्सलम विद्यापीठाचे अफरोज अहमद शाह यांच्यासह या पेपरचे सह-लेखक आहेत.
GLOF मुळे रस्ते, पूल, जलविद्युत प्रकल्प आणि शेतजमिनी यासह भूतकाळात मोठ्या प्रमाणात जीवितहानी आणि पायाभूत सुविधांचे नुकसान झाले आहे. GLOF मुळे झालेली शेवटची मोठी आपत्ती ऑक्टोबर 2023 मध्ये सिक्कीममध्ये होती, ज्यात 94 लोकांचा मृत्यू झाला, 1,835 घरांचे नुकसान झाले, 2,563 लोक विस्थापित झाले आणि 1,200-मेगावॅटचे धरण वाहून गेले.
संशोधकांच्या मते, वाढत्या तापमानामुळे हिमनद्या जलद गतीने माघारल्यामुळे हिमनदी सरोवरांची संख्या आणि आकार वाढत आहे, ज्यामुळे डाउनस्ट्रीम समुदायांना धोका वाढतो. हिमनदी सरोवराच्या धोक्यांचे मूल्यांकन करण्यासाठी पूर्वीचे अभ्यास मुख्यत्वे हवामान डेटावर अवलंबून असताना, नवीन संशोधन भिन्न दृष्टीकोन घेते. हे भू-आकृतिविज्ञान-जमिनीचा भौतिक आकार आणि संरचना-भाडिवानाच्या केंद्रस्थानी ठेवते.
जेथे वितळलेले पाणी साचते तेथे विशिष्ट भूस्वरूपांचा कसा प्रभाव पडतो याचे अभ्यासात परीक्षण केले जाते. यामध्ये हिमनद्या, U-आकाराच्या खोऱ्या, वितळलेल्या पाण्याच्या प्रवाहाच्या वाहिन्या, मागे हटणारे हिमनदीचे मोर्चे आणि शेजारील तलावांनी कोरलेल्या वाडग्याच्या आकाराचे अवसाद आहेत. एकत्रितपणे, ही वैशिष्ट्ये निर्धारित करतात की लँडस्केप एक हिमनदी तलाव तयार होण्यासाठी पुरेसे पाणी अडकवू शकते.
उच्च-रिझोल्यूशन उपग्रह प्रतिमा आणि डिजिटल एलिव्हेशन मॉडेल वापरून ग्रिड स्थानांचे विश्लेषण केले, संशोधकांनी पूर्व हिमालयातील 12,000 पेक्षा जास्त ग्रिड स्थानांचे विश्लेषण केले. त्यानंतर त्यांनी प्रत्येक साइटवर हिमनदी तलाव निर्मितीच्या संभाव्यतेचा अंदाज घेण्यासाठी मशीन लर्निंग तंत्र लागू केले.
चाचणी केलेल्या मॉडेल्सपैकी, बायेसियन न्यूरल नेटवर्कने सर्वात विश्वासार्ह परिणाम दिले. पारंपारिक मॉडेल्सच्या विपरीत, हा दृष्टिकोन केवळ तलाव कोठे तयार होण्याची शक्यता आहे याचा अंदाज लावत नाही तर त्या अंदाजांमधील अनिश्चिततेचे प्रमाण देखील देतो.
हे विशेषतः दुर्गम पर्वतीय प्रदेशांमध्ये महत्वाचे आहे, जेथे फील्ड डेटा मर्यादित आहे आणि भूप्रदेशाची परिस्थिती कमी अंतरावर झपाट्याने बदलते. परिणामी संभाव्यता नकाशे भविष्यातील तलाव निर्मितीच्या उच्च संभाव्यतेसह झोन हायलाइट करतात. यापैकी बरेच क्षेत्र सक्रिय ग्लेशियर रिट्रीट आणि सौम्य उतार असलेल्या प्रदेशांशी जुळतात जे पाणी साठण्यास अनुकूल असतात.
काही विद्यमान वसाहती आणि पायाभूत सुविधांच्या वरच्या बाजूला आहेत, संभाव्य जोखीम अधोरेखित करतात. “उच्च-जोखीम क्षेत्रे दर्शवून, फ्रेमवर्क GLOFs साठी पूर्व-चेतावणी प्रणालींना मार्गदर्शन करू शकते, रस्ते, जलविद्युत प्रकल्प आणि वसाहतींसाठी सुरक्षित स्थानांचे नियोजन करण्यात मदत करू शकते आणि दीर्घकालीन जल-संसाधन व्यवस्थापनास समर्थन देऊ शकते,” प्रा. दशोरा म्हणाले.
“धोका व्यवस्थापनाच्या पलीकडे, ही पद्धत हिमनद्या मागे सरकत असताना जलप्रणाली कशा बदलू शकतात हे समजून घेण्यात मदत करू शकते. महत्त्वाचे म्हणजे, फ्रेमवर्क जगभरातील इतर हिमनदी असलेल्या पर्वतीय प्रदेशांना अनुकूल आहे, ज्यामुळे ते जागतिक स्तरावर हवामान-लवचिक नियोजन आणि आपत्ती-जोखीम कमी करण्यासाठी एक मौल्यवान साधन बनते,” तो म्हणाला. केवळ हवामान हिमनदी सरोवराची निर्मिती ठरवते या गृहीतकालाही हा अभ्यास आव्हान देतो.
तापमान वितळलेल्या पाण्याच्या पुरवठ्यावर नियंत्रण ठेवत असताना, संशोधनात असे दिसून आले आहे की भूस्वरूप मुख्यत्वे पाणी कोठे गोळा करते हे ठरवते. EOM.