Einleitung

Künstliche Intelligenz (KI) wird zunehmend als transformative Kraft in wissenschaftlichen Disziplinen anerkannt, und die Geowissenschaften sind keine Ausnahme. Zu den wirkungsvollsten KI-Anwendungen in diesem Bereich gehört die Erfassung der Erdrutschanfälligkeit (LSM), ein Prozess, der anfällige Bereiche identifiziert. Erdrutsche stellen erhebliche Bedrohungen für menschliches Leben, Infrastruktur und Ökosysteme dar, die jährlich Schäden in Milliardenhöhe und Tausende von Todesfällen verursachen. Traditionelle Methoden zur Anfälligkeitskartierung, die oft auf Expertenheuristiken oder einfachen statistischen Modellen basieren, kämpfen darum, die komplexen, nichtlinearen Wechselwirkungen zwischen prädisponierenden Faktoren wie Topographie, Geologie und Hydrologie zu erfassen. KI bietet eine leistungsstarke Alternative, indem sie direkt aus Daten lernen, subtile Muster aufdecken und probabilistische Risikooberflächen mit hoher räumlicher Auflösung erzeugen. Dieser Artikel untersucht, wie KI, insbesondere maschinelles Lernen und Deep Learning, die Erfassung der Erdrutschanfälligkeit revolutioniert, die damit verbundenen Techniken und Daten, die Vorteile und Herausforderungen und die zukünftige Entwicklung dieses sich schnell entwickelnden Gebiets.

Erdrutsch-Szeptibilitäts-Mapping verstehen

Erdrutschanfälligkeitskartierung ist der Prozess der Schätzung, wo Erdrutsche in Zukunft wahrscheinlich auftreten werden, basierend auf der räumlichen Verteilung vergangener Erdrutsche und einer Reihe von Konditionierungsfaktoren. Er unterscheidet sich von Gefahrenkartierung, die auch die zeitliche Wahrscheinlichkeit einschließt, und von Risikokartierung, die Exposition und Vulnerabilität einschließt. Die Kernidee besteht darin, für jedes Pixel oder jede Geländeeinheit in einem Untersuchungsgebiet einen kontinuierlichen Anfälligkeits-Score oder eine kategorische Risikoklasse zu erstellen.

Herkömmliche LSM-Ansätze umfassen heuristische (Expertenmeinung), statistische (z. B. logistische Regression, Frequenzverhältnis) und deterministische (physikalisch basierte) Modelle. Heuristische Methoden sind subjektiv und nicht leicht reproduzierbar. Statistische Modelle gehen von linearen Beziehungen aus und erfordern oft eine sorgfältige Auswahl von Variablen. Deterministische Modelle erfordern detaillierte geotechnische Parameter, die auf regionaler Ebene selten verfügbar sind. Diese Einschränkungen haben die Forscher zu datengesteuerten KI-Methoden getrieben, die hochdimensionale, nichtlineare Beziehungen ohne starke vorherige Annahmen handhaben können.

Zu den allgemeinen Konditionierungsfaktoren, die in LSM verwendet werden, gehören:

  • Topographische Attribute: Steigungswinkel, Aspekt, Krümmung, Höhe, topografischer Feuchteindex (TWI), Stromstärkeindex (SPI).
  • Geologische Faktoren: Lithologie (Felstyp), Verwerfungsdichte, Verwitterungsgrad.
  • Landbedeckung: Vegetationstyp, Landnutzung, Normalized Difference Vegetation Index (NDVI).
  • Hydrologische Faktoren: jährliche Niederschlagsmenge, Niederschlagsintensität, Entfernung zur Entwässerung.
  • Anthropogene Faktoren: Straßennetzdichte, Schnitthänge, Bergbautätigkeit.

Jeder Faktor trägt je nach lokaler Geologie und Klima unterschiedlich bei. KI-Modelle lernen diese Beiträge automatisch aus Trainingsdaten, die typischerweise aus Erdrutsch-Inventarkarten (Punkte oder Polygone) und den entsprechenden Faktorschichten bestehen.

Die Rolle der künstlichen Intelligenz

KI, insbesondere Machine Learning (ML) und Deep Learning (DL), befasst sich mit den Kernherausforderungen von LSM: hochdimensionale Feature Spaces, nichtlineare Interaktionen und die Notwendigkeit einer skalierbaren, automatisierten Verarbeitung über große Bereiche. Anstatt Entscheidungsregeln manuell zu definieren, werden KI-Modelle auf gekennzeichneten Beispielen trainiert - Erdrutsch- und Nicht-Erdrutsch-Pixel - um eine Zuordnung von Konditionierungsfaktoren bis hin zu Erdrutschwahrscheinlichkeit zu lernen. Dieser datengesteuerte Ansatz hat mehrere Vorteile:

  • Musterentdeckung: AI kann komplexe Wechselwirkungen zwischen Faktoren erkennen, die menschliche Analysten möglicherweise übersehen.
  • Skalierbarkeit: Einmal trainiert, können Modelle auf ganze Regionen oder Nationen ohne zusätzlichen Experteneintrag angewendet werden.
  • Quantifizierung der Unsicherheit: Probabilistische Outputs ermöglichen es Entscheidungsträgern, das Konfidenzniveau zu verstehen.
  • Integration von Multi-Source-Daten: AI kann Satellitenbilder, digitale Höhenmodelle (DEMs), Bodenkarten und Niederschlagsgitter zu einer einheitlichen Vorhersage zusammenführen.

Key Insight: Der Erfolg von KI in LSM hängt von der Qualität und Repräsentativität von Trainingsdaten ab. Müll in, Müll aus bleibt der wichtigste Vorbehalt.

Wichtige Algorithmen des maschinellen Lernens

Zahlreiche ML-Algorithmen wurden auf LSM angewendet, jeder mit unterschiedlichen Stärken und Schwächen, darunter:

  • Logistische Regression (LR): Ein einfacher linearer Klassifikator, der die Wahrscheinlichkeit eines Erdrutsches schätzt. Er dient als Basis, ist aber bei komplexen Datensätzen oft zu niedrig.
  • Entscheidungsbäume (DT): Ein baumähnliches Modell, bei dem Merkmale verwendet werden, um die Daten in homogene Gruppen aufzuteilen.
  • Random Forest (RF): Ein Ensemble aus vielen Entscheidungsbäumen, das auf Bootstrap-Proben und zufälligen Feature-Subsets trainiert wird. RF ist robust, verarbeitet fehlende Daten gut und bietet Feature-Bedeutungswerte. Es zählt durchweg zu den Top-Performern in LSM-Benchmarks.
  • Unterstützung von Vektormaschinen (SVM): Ein diskriminierender Klassifikator, der die optimale Hyperebene findet, die Erdrutsch- und Nicht-Erdrutsch-Klassen trennt. SVM funktioniert gut in hochdimensionalen Räumen, erfordert jedoch eine sorgfältige Kernelauswahl (z. B. radiale Basisfunktion).
  • Gradient Boosting Machines (GBM): Sequenzielles Ensemble, das Bäume baut, um Fehler früherer Bäume zu korrigieren. XGBoost und LightGBM sind beliebte Varianten, die eine hohe Genauigkeit und Geschwindigkeit bieten, obwohl sie empfindlicher auf Hyperparameter reagieren.
  • Künstliche neuronale Netzwerke (ANN): Mehrschicht-Perzeptrone (MLP) mit einer oder mehreren versteckten Schichten. ANNs können nichtlineare Beziehungen modellieren, erfordern jedoch große Datensätze und sorgfältiges Tuning, um Überanpassungen zu vermeiden.

In vergleichenden Studien erreichen HF und Gradientenverstärkung oft die höchste Vorhersagegenauigkeit (AUC > 0,85–0,95) in verschiedenen Gebieten.

Deep Learning Ansätze

Deep Learning erweitert neuronale Netze mit vielen versteckten Schichten und spezialisierten Architekturen für räumliche oder sequentielle Daten. In LSM sind konvolutionale neuronale Netze (CNNs) besonders vielversprechend, weil sie Rasterbilder (z. B. DEM, Satellitenbänder) ohne manuelle Merkmalsextraktion direkt verarbeiten können. Ein CNN lernt hierarchische räumliche Merkmale - Kanten, Texturen und Landformmuster -, die für die Vorhersage von Erdrutschen sehr relevant sind. Jüngste Studien berichten, dass CNNs traditionelle ML-Methoden übertreffen können, insbesondere bei der Verwendung hochauflösender Fernerkundungsdaten (z. B. 1-10 m/Pixel).

Rezidivierende neuronale Netze (RNN) und Netzwerke für das lange Kurzzeitgedächtnis (LSTM) wurden auch auf Zeitreihendaten angewendet, wie Niederschlagssequenzen, die zu einem Erdrutschereignis führen. Die Kombination von CNN und LSTM in einem Hybridmodell ermöglicht die gleichzeitige Analyse räumlicher und zeitlicher Faktoren, wodurch die Suszeptibilitätsprognosen über saisonale Zeitskalen verbessert werden. Ein weiterer aufkommender Ansatz ist die Verwendung von generativen gegnerischen Netzwerken (GANs), um begrenzte Erdrutschbestände durch die Erzeugung synthetischer Proben zu erweitern und dadurch das Klassenungleichgewicht zu bekämpfen.

Trotz ihrer Leistungsfähigkeit erfordern Deep-Learning-Modelle umfangreiche gekennzeichnete Daten (zehntausende von Proben) und erhebliche Rechenressourcen. Für viele Regionen sind solche Inventare nicht verfügbar, was Transfer Learning - wo ein Modell, das auf einem Gebiet vortrainiert ist, auf einem anderen Bereich fein abgestimmt ist - zu einem aktiven Forschungsbereich macht.

Datenquellen und Vorverarbeitung

Hochwertige Inputdaten bilden die Grundlage für jedes KI-basierte LSM-Projekt.

  • Digitale Höhenmodelle (DEMs): SRTM (30 m), ALOS World 3D (30 m) oder LiDAR-abgeleitete DEMs (1–5 m) liefern Topographie-Derivate.
  • Erdrutschinventare: Historische Ereigniskarten aus der Luftbildinterpretation, Satellitenbildänderungserkennung oder Felduntersuchungen. Unvollständige Inventare führen zu verzerrten Modellen.
  • Geologische Karten: Lithologieeinheiten sind oft der stärkste Kontrollfaktor. Diskrete Einheiten werden normalerweise als kategorische Variablen codiert.
  • Satellitenbilder: Landsat 8/9, Sentinel-2 oder sehr hochauflösende (VHR) Bilder bieten Landbedeckung, NDVI und Schadenserkennung nach einem Ereignis.
  • Rainfall-Daten: Gridded Niederschlagsprodukte (z.B. CHIRPS, TRMM, GPM) bieten langfristige Durchschnittswerte oder antecedent Niederschlagsindizes.

Die Schritte zur Vorverarbeitung umfassen:

  1. Resampling: Alle Raster müssen auf die gleiche räumliche Auflösung (z.B. 30 m) und das Koordinatensystem ausgerichtet sein.
  2. Normalisierung oder Standardisierung: Kontinuierliche Merkmale werden auf den Mittelwert und die Einheitsvarianz skaliert, um ML-Algorithmen bei der Konvergenz zu helfen.
  3. Der Umgang mit fehlenden Werten: K-nächste Nachbarn oder Interpolation können Lücken füllen, aber große fehlende Bereiche können einen Ausschluss erfordern.
  4. Klassenungleichgewicht:Erdrutsche sind seltene Ereignisse (typischerweise <5% des Gebiets). Es werden Techniken wie zufälliges Unterabtasten von Nicht-Erdrutschen, Überabtasten von Erdrutschen (SMOTE) oder das Anpassen von Klassengewichten in der Verlustfunktion verwendet.
  5. Feature selection: Multikollinearität (z. B. hohe Korrelation zwischen Steigung und TWI) kann einigen Modellen schaden. Varianz-Inflationsfaktor-Analyse (VIF) oder rekursive Merkmals-Eliminierung wird empfohlen.

Modellschulung und Validierung

Der Aufbau eines zuverlässigen KI-Modells für LSM erfordert strenge Schulungs- und Validierungsprotokolle.

  1. Sampling: Landslide-Pixel werden als 1 bezeichnet; Nicht-Landslide-Pixel als 0. Die gängige Praxis ist es, nach dem Zufallsprinzip eine gleiche Anzahl von Nicht-Landrutschpunkten aus Gebieten mit geringer Anfälligkeit (z. B. flaches Gelände) auszuwählen, um einen ausgewogenen Datensatz zu erstellen.
  2. Train-Test Split: Der markierte Datensatz ist in Trainings (70-80%) und Testing (20-30%)-Sets unterteilt, wobei häufig eine räumliche Kreuzvalidierung (z. B. k-fold oder Leave-one-area-out) verwendet wird, um räumliche Autokorrelationsverzerrungen zu vermeiden.
  3. Hyperparameter Tuning: Gittersuche, Zufallssuche oder Bayessche Optimierung finden optimale Parameter (z.B. Baumtiefe, Lernrate).
  4. Evaluationsmetriken:
    • Bereich Unter der Empfänger-Betriebskennlinie (AUC-ROC): misst die allgemeine Unterscheidungsfähigkeit. AUC > 0.9 zeigt eine hervorragende Leistung an.
    • Verwirrungsmatrix: Genauigkeit, Präzision, Rückruf, F1-Score. Rückruf (wahre positive Rate) ist besonders wichtig, um verpasste Erdrutsche zu minimieren.
    • Kappa-Koeffizient: Vereinbarung jenseits des Zufalls.
  5. Räumliche Vorhersage: Das trainierte Modell wird auf das gesamte Raster des Untersuchungsgebiets angewendet und erzeugt eine Suszeptibilitätskarte (Wahrscheinlichkeit von 0 bis 1). Die Karte wird oft in Suszeptibilitätsklassen (z. B. sehr niedrig bis sehr hoch) unter Verwendung natürlicher Brüche oder Quantile umklassifiziert.

Die Verwendung von zu vielen Funktionen oder zu komplexen Modellen (z. B. tiefe Netzwerke mit unzureichenden Daten) kann eine hohe Trainingsgenauigkeit, aber eine schlechte Generalisierung ergeben.

Fallstudien

1. Himalaya-Region (Indien/Nepal)

Die Forscher wandten Random Forest und SVM an, um die Anfälligkeit im Garhwal Himalaya mithilfe von Hang, Aspekt, Lithologie, Landnutzung und Niederschlag zu kartieren. RF erreichte AUC = 0,92, übertraf SVM (0,88). Die resultierende Karte zeigte, dass über 30% der Region in eine hohe oder sehr hohe Anfälligkeit fällt, was den Straßenbau und die Siedlungsplanung anleitet.

2. Kalifornien, USA

In der San Francisco Bay Area wurde ein tiefes, sich windendes neuronales Netzwerk auf 1 m LiDAR DEM und Orthofotos trainiert, um durch Stürme ausgelöste flache Erdrutsche vorherzusagen. Das CNN identifizierte 85% der bekannten Ausfälle und reduzierte die falsch positiven Werte um 40% im Vergleich zu einer logistischen Regressionsbasislinie.

3. Süditalien (Kammern)

XGBoost in Kombination mit Daten über die von Satelliten abgeleitete Bodenfeuchte verbesserte die Erfassung der Anfälligkeit in Gebieten mit rascher Landnutzung. Das Modell erfasste saisonale Schwankungen, die zeigen, dass Waldbrände im Sommer die Anfälligkeit im folgenden Herbst signifikant erhöhen. Die Studie hob die Bedeutung dynamischer Konditionierungsfaktoren hervor (Guzzetti et al., 2021)).

Diese Fallstudien zeigen, dass KI-basiertes LSM nicht nur mit herkömmlichen Methoden in ihrer Genauigkeit übereinstimmt, sondern diese oft übertrifft, insbesondere wenn hochauflösende Eingangsdaten verfügbar sind.

Vorteile und Einschränkungen

Vorteile

  • Genauigkeit: AI-Modelle erreichen routinemäßig AUC-Werte über 0,85 und übertreffen damit herkömmliche statistische Methoden.
  • Automatisierung: Nach dem Training können Modelle auf ganze Kontinente angewendet werden, wodurch Bewertungen beschleunigt werden, die zuvor Monate gedauert haben.
  • Multi-Source-Integration: AI verschmilzt Raster-, Vektor- und Zeitdaten nahtlos in einem einzigen Framework.
  • Probabilistische Ausgaben: Kontinuierliche Wahrscheinlichkeitskarten ermöglichen eine flexible Schwellenwertung basierend auf Risikotoleranz.
  • Transferabilität: Vortrainierte Modelle können durch Transfer Learning an neue Regionen mit begrenzten Daten angepasst werden.

Beschränkungen

  • Datenabhängigkeit: Die Leistung ist direkt an die Vollständigkeit des Bestands und die Qualität der Faktorkarten gebunden. Biased Inventars führen zu voreingenommenen Modellen.
  • Blackbox-Natur: Viele KI-Modelle (insbesondere tiefe Netzwerke) bieten wenig Interpretierbarkeit. Erklärbare KI-Techniken (XAI) wie SHAP oder LIME sind erforderlich, um zu verstehen, welche Faktoren Vorhersagen antreiben.
  • Überholendes Risiko: Komplexe Modelle können sich Rauschen merken, anstatt zu verallgemeinern, insbesondere in kleinen Datensätzen.
  • Rechenkosten: Deep Learning erfordert GPU-Ressourcen und ein umfangreiches Hyperparameter-Tuning.
  • Vorübergehende Stabilität: Anfälligkeitskarten sind statisch, aber Erdrutschauslöser (z.B. Regenfälle) sind dynamisch. Die Kopplung von KI mit Echtzeitüberwachung bleibt eine Herausforderung.

Zukünftige Richtungen

Das Feld bewegt sich schnell in Richtung robuster und operativer AI-gesteuerter LSM.

  • Ensemble Learning: Die Kombination mehrerer Algorithmen (z. B. RF + XGBoost + neuronales Netzwerk) liefert oft bessere und stabilere Vorhersagen als jedes einzelne Modell.
  • Transfer Learning and Domain Adaptation: Mithilfe von Modellen, die in datenreichen Regionen (z.B. Europa) trainiert wurden, um eine Bootstrap-Zuordnung in datenarmen Gebieten (z.B. Zentralafrika) durchzuführen.
  • Integration mit Echtzeitsensoren: AI-Modelle, die durch IoT-Daten (z. B. Tiltmeter, Regenmessgeräte) aktualisiert werden, könnten sich von statischer Anfälligkeit zu dynamischer Gefahrenvorhersage verschieben.
  • Erklärbare KI (XAI): Tools wie Feature-Bedeutung, partielle Abhängigkeits-Plots und Salienz-Maps werden das Vertrauen und die regulatorische Akzeptanz erhöhen.
  • Cloud-basierte Plattformen: Dienste wie Google Earth Engine hosten jetzt ML-Bibliotheken (z.B. TensorFlow, XGBoost), die globale Datensätze verarbeiten können, ohne Terabytes an Daten herunterzuladen. Dies demokratisiert LSM für Entwicklungsländer (Google Earth Engine)).
  • Multi-Hazard Frameworks: AI-Modelle, die gleichzeitig Erdrutsche, Überschwemmungen und Erdbeben vorhersagen, könnten eine integrierte Katastrophenrisikominderung besser unterstützen.

Schlussfolgerung

Künstliche Intelligenz hat die Zuordnung der Erdrutschanfälligkeit grundlegend vorangetrieben und ermöglicht so genauere, skalierbare und automatisierte Bewertungen als je zuvor. Machine-Learning-Algorithmen, von Random Forest bis hin zu tiefen Faltungsnetzwerken, lernen direkt aus Umweltdaten, um probabilistische Risikooberflächen zu erzeugen, die die Landnutzungsplanung, Frühwarnsysteme und Infrastrukturentwicklung leiten können. Die Qualität dieser Karten bleibt jedoch an die zugrunde liegenden Daten und Modellierungsentscheidungen gebunden. Praktizierende müssen in vollständige Erdrutschinventare, sorgfältige Vorverarbeitung und strenge Validierung investieren. Da KI-Techniken weiter ausgereift sind - mit verbesserter Interpretierbarkeit, Übertragbarkeit und Echtzeitintegration - wird ihre Rolle beim Schutz von Gemeinschaften vor Erdrutschgefahren nur noch stärker werden. Für Geowissenschaftler und Bauingenieure ist die Einbeziehung von KI-basiertem LSM nicht nur eine Option, sondern wird zu einem notwendigen Schritt in Richtung einer sichereren, belastbarer gebauten Umgebung.

Zum weiteren Lesen erkunde das USGS Landslide Hazards Program und Peer-Review-Studien in Zeitschriften wie Landslides und Engineering Geology