Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

In den zerklüfteten, gebirgigen Landschaften im Südwesten Chinas verschiebt sich die Erde manchmal mit plötzlicher, zerstörerischer Kraft. Erdrutsche sind eine ständige Bedrohung für das Leben, die Häuser und die Infrastruktur der Menschen, die in diesen steilen Tälern leben. Seit Jahrzehnten verlassen sich Wissenschaftler und Ingenieure auf Computermodelle, um vorherzusagen, wo diese Katastrophen als Nächstes zuschlagen könnten. Diese Modelle sind exzellent darin, Muster zu erkennen; sie können eine Karte eines Hangs betrachten und sagen: „Dieser Punkt sieht gefährlich aus“, indem sie Faktoren wie die Steilheit des Hangs, die Regenmenge vor Ort oder die Art des Gesteins unter dem Boden analysieren. Es gibt jedoch einen entscheidenden Unterschied zwischen dem Erkennen eines Musters und dem Verständnis der Ursache. Zu wissen, dass ein Erdrutsch oft dort auftritt, wo der Boden steil ist, sagt uns nicht automatisch, was passieren würde, wenn wir die Steilheit irgendwie ändern könnten oder wenn wir die Wassermenge im Boden verändern würden. Um Risiken wirklich zu bewältigen, müssen wir nicht nur wissen, was mit einem Erdrutsch assoziiert ist, sondern was tatsächlich das Risiko erhöhen oder senken würde, wenn wir eingreifen würden.

Dies ist die Herausforderung, der sich ein Team von Forschern der Chongqing Polytechnic University of Electronic Technology, der Chongqing University of Education und der Peking University gewidmet hat. Sie konzentrierten ihre Studie auf Chongqing, eine Stadt, die für ihre dramatische Topografie und ihr schnelles Stadtwachstum bekannt ist, wo die Schnittstelle zwischen Natur und menschlicher Aktivität ein perfektes Labor darstellt, um neue Wege zum Verständnis geologischer Gefahren zu testen. Anstatt lediglich zu fragen, welche Faktoren einen Erdrutsch vorhersagen, stellten sie eine andere, schwierigere Frage: Wenn wir einen spezifischen Umweltfaktor ändern könnten, wie würde sich das Risiko eines Erdrutsches verändern? Um dies zu beantworten, gingen sie über Standard-Vorhersagewerkzeuge hinaus und wandten eine Methode an, die als T-Learner bekannt ist. Dieser Ansatz ermöglicht es Forschern, ein „Was-wäre-wenn“-Szenario zu simulieren und die Differenz des Risikos zwischen einem hohen Niveau eines Faktors, wie etwa starkem Niederschlag, und einem niedrigen Niveau abzuschätzen, während alle anderen Bedingungen der Landschaft sorgfältig berücksichtigt werden.

Die Forscher begannen mit einem massiven Datensatz, der über 30.000 Datensätze enthielt, wovon die Hälfte Orte waren, an denen Erdrutsche aufgetreten waren, und die andere Hälfte Orte, an denen sie nicht aufgetreten waren. Sie sammelten 17 verschiedene Informationen für jeden Standort, die von der Höhe des Geländes und dem Neigungswinkel des Hangs bis hin zur Menge des Wassers, die aus dem Boden in die Luft verdunstet, der Entfernung zu Flüssen und der Art des Gesteins unter der Erde reichten. Mithunter einem leistungsstarken Lernalgorithmus trainierten sie zunächst ein Modell, um die Muster zu erkennen, die einen Erdrutschort von einem sicheren Standort unterscheiden. Dieses Modell war sehr genau und identifizierte Erdrutschstandorte in seinen Testdaten mit einem hohen Grad an Erfolg. Das Team wusste jedoch, dass hohe Genauigkeit allein noch keine Ursache offenbart. Ein Modell könnte lernen, dass Erdrutsche in der Nähe von Straßen auftreten, einfach weil Straßen auf steilen Hängen gebaut werden, und nicht, weil die Straßen selbst den Rutsch auslösen. Um dies zu entwirren, verwendeten sie den T-Learner, um den durchschnittlichen Effekt der Änderung jedes Faktors abzuschätzen.

Die Ergebnisse boten eine nuancierte Sicht darauf, was das Erdrutschrisiko in dieser Region antreibt. Die Analyse deutete darauf hin, dass die drei Faktoren mit den größten geschätzten kontrafaktischen Risikodifferenzen die Evapotranspiration, der Niederschlag und die Höhenlage waren. Die Evapotranspiration ist ein Maß dafür, wie viel Wasser sich aus dem Boden und den Pflanzen in die Luft bewegt; in dieser Studie waren Gebiete mit höheren Wachstumsraten dieses Prozesses mit einem geringeren vorhergesagten Erdrutschrisiko assoziiert. Ähnlich waren höhere Höhenlagen und höhere Gesamtniederschläge in ihrem spezifischen Modell auch mit einem geringeren Risiko verbunden. Die Forscher warnten jedoch davor, dass dieses Ergebnis bezüglich des Niederschlags nicht direkt als Empfehlung für eine Intervention zur Erhöhung des Niederschlags übersetzt werden sollte. Sie erklärten, dass dieses Ergebnis wahrscheinlich langfristige Bedingungen widerspiegelt und keine unmittelbaren Auslöser; vielleicht ist die Vegetation in Gebieten mit hohem Jahresniederschlag besser daran angepasst, den Boden festzuhalten, oder die Daten erfassen einen anderen Aspekt des Wasserkreislaufs als die plötzlichen Stürme, die einen unmittelbaren Versagen verursachen. Im Gegensatz dazu zeigte die Intensität des Niederschlags – die Geschwindigkeit, mit der Regen fällt – einen positiven Effekt, was bedeutet, dass schnellerer, intensiverer Regen mit einem höheren Risiko assoziiert war, was dem allgemeinen Verständnis darüber entspricht, wie Erdrutsche ausgelöst werden.

Die Studie hob auch einen kritischen Unterschied zwischen dem hervor, was ein Computermodell als wichtig erachtet und was tatsächlich eine Änderung des Risikos verursacht. Die Forscher verglichen ihre neuen „Was-wäre-wenn“-Schätzungen mit einer Standardmethode namens SHAP, die Faktoren einfach danach rankt, wie sehr sie helfen, eine Vorhersage zu treffen. In der Standardrangliste war die Evapotranspiration der wichtigste Faktor, gefolgt von Niederschlag und Höhenlage. Die Reihenfolge war ähnlich, aber die Bedeutung war anders. Die Standardmethode besagte, dass diese Faktoren am besten darin sind, vorherzusagen, wo ein Erdrutsch stattfinden wird. Die neue Methode deutete darauf an, dass sich das Risiko signifikant verschieben würde, wenn man diese Faktoren ändern könnte. Beispielsweise fand die Studie, dass die geschätzte Risikodifferenz für die Evapotranspiration größer war als die für die Hangneigung, ein Faktor, der traditionell als der kritischste in der Erdrutschwissenschaft gilt. Die Forscher merkten jedoch ausdrücklich an, dass dieses Muster nicht impliziert, dass diese Variablen bewiesen wurden, eine stärkere direkte kausale Wirkung als die Hangneigung zu haben. Die Definitionen der Behandlungen, die räumliche Kovarianz und nicht gemessene Störfaktoren (Confounding) können alle die relative Rangfolge beeinflussen, was bedeutet, dass diese Ergebnisse als Hypothesen zur weiteren Verifizierung und nicht als definitiver Beweis für die kausale Stärke zu betrachten sind.

Trotz dieser interessanten Erkenntnisse waren die Forscher sorgfältig darin, die Grenzen ihrer Arbeit zu definieren. Sie betonten, dass ihre Studie eine Momentaufnahme war, die auf Daten basierte, die alle gleichzeitig erhoben wurden, anstatt Veränderungen über Jahre hinweg zu verfolgen. Aus diesem Grund konnten sie nicht beweisen, dass ein Faktor definitiv einen anderen verursacht, noch konnten sie die Möglichkeit ausschließen, dass ein verborgener Faktor, wie die Bodenart oder vergangene menschliche Ingenieursleistungen, sowohl die Umweltbedingungen als als auch das Erdrutschrisiko beeinflusst hat. Sie merkten auch an, dass ihre Ergebnisse spezifisch für die bergige, feuchte Umgebung von Chongqing sind und sich möglicherweise nicht auf trockene Wüsten oder flache Ebenen übertragen lassen. Die Studie dient als leistungsstarker explorativer Rahmen, der zeigt, dass wir über die einfache Vorhersage hinausgehen und tiefere Fragen über Ursache und Wirkung stellen können. Sie legt nahe, dass zukünftige Bemühungen zur Vermeidung von Erdrutschen den Wasserkreislauf und die Vegetation genauer betrachten sollten, bleibt aber mit der Aussage zurück, Ingenieuren genau zu sagen, was sie bauen oder wo sie graben sollen. Stattdessen liefert sie einen neuen Satz von Hypothesen zum Testen und fordert Wissenschaftler auf, zukünftige Studien zu entwerfen, die Veränderungen im Zeitverlauf verfolgen und bestätigen können, ob diese geschätzten Effekte in der realen Welt Bestand haben.

Der ultimative Wert dieser Forschung liegt in ihrer Fähigkeit, das Signal der Vorhersage vom Signal der Ursache zu trennen. Durch die Anwendung dieser fortgeschrittenen statistischen Werkzeuge auf ein reales Problem haben die Forscher demonstriert, dass die Faktoren, die wir zur Vorhersage einer Katastrophe verwenden, nicht immer dieselben Faktoren sind, die wir zur Vermeidung derselben anvisieren sollten. Sie zeigten, dass ein Computer zwar mit großer Präzision lernen kann, einen gefährlichen Hang zu erkennen, aber das Verständnis darüber, warum dieser Hang gefährlich ist, eine andere Art des Denkens erfordert. Die Studie kommt zu dem Schluss, dass wir zwar noch nicht behaupten können, das Rätsel der Erdrutschursache in Chongqing gelöst zu haben, wir aber einen bedeutenden Schritt zum Verständnis der komplexen Beziehungen zwischen Regen, Boden und Hang gemacht haben. Diese neue Perspektive bietet eine Roadmap für die zukünftige Forschung, die eine Verifizierung dieser kausalen Zusammenhänge durch bessere Daten und strengere Tests priorisiert und letztendlich zu sichereren Gemeinschaften in diesen herausfordernden Landschaften führt.