Uneven Global Distribution and Machine Learning–Based Characterization of Landslide Events

Erdrutsche gehören zu den zerstörerischsten Kräften der Natur, die in der Lage sind, Straßen zu verschlingen, Häuser zu begraben und Leben zu fordern – sowohl in wohlhabenden Nationen als auch in Entwicklungsländern. Sie geschehen nicht durch Zufall; sie sind das Ergebnis eines spezifischen Zusammenkommens von Bedingungen. Steiles Gelände, instabile Gesteinsschichten und menschliche Aktivitäten wie Bauwesen oder Entwaldung schaffen ein fragiles Fundament. Wenn ein Auslöser eintritt, wie etwa heftige Regenfälle oder ein Erdbeben, gibt der Boden nach. Seit Jahrzehnten untersuchen Wissenschaftler diese Ereignisse, doch ein Großteil dieser Arbeit konzentrierte sich auf spezifische lokale Gebiete. Um das globale Bild wirklich zu verstehen, mussten Forscher einen Weg finden, die Muster zu erkennen, die entstehen, wenn Tausende von Ereignissen gemeinsam betrachtet werden. Dies erfordert eine massive Sammlung von Aufzeichnungen, ein globales Inventar, das nicht nur verfolgt, wo und wann ein Erdrutsch stattfand, sondern auch, wie groß er war und wie viele Menschen er betraf. Mit einem solchen Datensatz können Wissenschaftler über das bloße Vermuten hinausgehen und beginnen, die wahre Gestalt des Risikos zu erkennen.

Ein Team von Forschern von Universitäten aus den Vereinigten Staaten wandte sich dem Global Landslide Catalog zu, um diese großen Fragen zu beantworten. Dieser Katalog ist ein umfassendes Verzeichnis gemeldeter Erdrutschereignisse von 1996 bis 2016 und enthält 2.217 dokumentierte Vorfälle. Das Team verfolgte nicht das Ziel, den nächsten Erdrutsch vorherzusagen, sondern vielmehr zu verstehen, welche Geschichte diese Zahlen erzählten. Sie untersuchten, wie sich die Häufigkeit dieser Ereignisse im Laufe der Zeit veränderte, wo sie sich auf der Karte häuften und ob sich die Größe eines Erdrutsches basierend auf seinem Standort und der Jahreszeit vorhersagen ließ. Zu diesem Zweck wandten sie maschinelles Lernen an, eine Methode, bei der Computer lernen, Muster in Daten zu erkennen, ohne explizit mit Regeln programmiert zu werden. Sie testeten mehrere verschiedene Computermodelle, um zu sehen, ob sie Erdrutsche basierend auf den im Katalog verfügbaren Informationen – wie dem Jahr des Ereignisses, den geografischen Koordinaten und der Bevölkerungsdichte des Gebiets – in Größenkategorien – klein, mittel oder groß – einteilen konnten.

Die Ergebnisse zeichneten ein klares Bild einer ungleichen Verteilung. Erdrutsche sind nicht zufällig über den Globus verstreut; sie häufen sich dicht in bestimmten Regionen. Diese Hotspots stimmen perfekt mit Gebieten überein, die für steile Berge, heftige Regenfälle und aktive tektonische Bewegungen bekannt sind. Die Daten zeigten auch einen Anstieg der Anzahl gemeldeter Ereignisse über den Untersuchungszeitraum. Die Forscher vermuten, dass dieser Anstieg wahrscheinlich auf eine Kombination von Faktoren zurückzuführen ist: mehr Menschen, die in gefährlichen Gebieten leben, Veränderungen im Klima, die extremere Wetterlagen mit sich bringen, und Verbesserungen in der Art und Weise, wie diese Ereignisse gemeldet und aufgezeichnet werden. Als das Team die Größe der Rutschungen betrachtete, stellte es fest, dass mittelgroße Ereignisse den Großteil der Berichte ausmachten, während wirklich massive, katastrophale Rutschungen relativ selten waren. Dieses Ungleichgewicht ist entscheidend für das Verständnis des Risikos, da selbst weniger häufige große Ereignisse unverhältnismäßig viel Schaden und Todesopfer verursachen können.

Die Forscher stellten daraufhin eine schwierige Frage: Könnte ein Computermodell lernen, zwischen einem kleinen und einem großen Erdrutsch zu unterscheiden, indem es nur auf die Zeit und den Ort blickt? Sie fütterten vier verschiedene Systeme des maschinellen Lernens mit den Daten, darunter Random Forest und Support Vector Machines. Sie probierten auch eine Technik namens Hauptkomponentenanalyse aus, die komplexe Daten vereinfacht, indem sie viele Variablen zu wenigen Schlüsselmustern kombiniert, in der Hoffnung, die Modelle dadurch intelligenter zu machen. Die Ergebnisse waren bescheiden. Die besten Modelle konnten die Größe eines Erdrutsches nur etwa 58 bis 60 Prozent der Zeit korrekt klassifizieren. Das ist kaum besser als eine zufällige Schätzung für ein komplexes Problem. Die Computermodelle fanden heraus, dass das Jahr eines Ereignisses und sein Standort die nützlichsten Hinweise waren, während die Anzahl der gemeldeten Todesfälle nur wenig Hilfe bei der Vorhersage der Größe bot, was sinnvoll ist, da Todesfälle eine Folge des Ereignisses sind und nicht eine Ursache seiner Größe.

Vielleicht war der aufschlussreichste Befund, dass die Vereinfachung der Daten nicht half. Die Forscher hatten gehofft, dass die Reduzierung der Anzahl der Variablen die Muster klären würde, aber das Gegenteil trat ein. Die Modelle schnitten etwas besser ab, wenn sie die ursprünglichen, detaillierten Daten verwendeten, anstatt die vereinfachte Version. Dies deutet darauf hin, dass die spezifischen Details jedes Ereignisses wichtig sind und dass die Informationen, die zum Verständnis der Größe eines Erdrutsches benötigt werden, über viele verschiedene Faktoren verteilt sind, die verloren gehen, wenn die Daten komprimiert werden. Die Modelle hatten auch Schwierigkeiten, da sich die verschiedenen Größenkategorien in den Daten erheblich überschneiden; ein mittlerer Erdrutsch in einem Ort könnte einem großen Erdrutsch an einem anderen Ort sehr ähnlich sehen, wenn man nur nach dem grundlegenden Standort und der Zeit geht.

Die Studie kommt zu dem Schluss, dass wir zwar ein leistungsfähiges Werkzeug in Form des Global Landslide Catalog besitzen, dieser aber Grenzen hat. Der Katalog ist eine unschätzbare Ressource, um die groben Linien der globalen Erdrutschaktivität zu sehen, aber er es fehlt an den detaillierten Umweltdaten, die für präzise Vorhersagen über spezifische Ereignisse erforderlich sind. Die Daten sind unvollständig und die Berichterstattung ist ungleichmäßig, was es schwierig macht, für Computer die exakten Regeln des Spiels zu erlernen. Die Forscher betonen, dass die zukünftige Arbeit darauf abzielen muss, diese Lücken zu schließen. Um Risiken wirklich bewerten und bessere Modelle bauen zu können, benötigen wir vollständigere Aufzeichnungen, die detaillierte Informationen über den Boden, das Wetter und das lokale Gelände enthalten. Bis dahin wird unser Verständnis dieser gewaltigen Naturereignisse ein laufender Prozess bleiben, geleitet von den Mustern, die wir sehen können, aber begrenzt durch die Details, die wir noch nicht erfassen können.