Impacts of Urban Three-Dimensional Morphology on Seismic Vulnerability and its Driving Mechanisms: A XGBoost-SHAP Explainable Analysis in Jiangyou City, Southwestern China

Städte sind nicht nur flache Karten aus Straßen und Blocks; sie sind dreidimensionale Landschaften aus aufstrebenden Wänden und überfüllten Räumen. Wenn der Boden bebt, kommt es bei der Art und Weise, wie eine Stadt in der Höhe und Dichte gebaut ist, ebenso sehr auf die Qualität der Ziegel und des Mörtels an wie auf die Struktur selbst. Seit Jahrzehnten versuchen Wissenschaftler vorherzusagen, welche Gebäude im Falle eines Erdbebens am wahrscheinlichsten versagen werden, wobei sie sich oft auf einzelne Bauwerke oder einfache Faktoren wie das Alter eines Gebäudes konzentrieren. Diese traditionellen Methoden erfassen jedoch oft die komplexen, verborgenen Beziehungen zwischen der allgemeinen Form eines Viertels und der Art und Weise, wie es einem Beben standhält. Es fällt ihnen schwer, die nicht-linearen Wege zu erfassen, auf denen ein Cluster von Hochhäusern mit einem Cluster von niedrigen Gebäuden interagieren könnte, oder wie die schiere Überfüllung eines Distrikts das Risiko für alle darin befindlichen Menschen verändert. Das Verständnis dieser räumlichen Muster ist entscheidend für Stadtplaner, die Städte entwerfen wollen, die Katastrophen standhalten können, doch die Werkzeuge, um diese Muster klar zu sehen, waren bisher begrenzt.

In einer kürzlich durchgeführten Studie mit Fokus auf die Stadt Jiangyou im Südwesten Chinas widmete sich ein Forscherteam dieser Herausforderung, indem es fortschrittliches maschinelles Lernen mit einer tiefgehenden Analyse der physischen Form der Stadt kombinierte. Jiangyou ist ein Ort, an dem die Erdbebengefahr real und präsent ist; die Stadt liegt an einer großen Verwerfungslinie und erlitt während eines massiven Erdbebens im Jahr 2008 verheerende Verluste. Die Stadt ist vorwiegend durch niedrige und mittelhohe Mauerwerksbauten geprägt, was einen deutlichen Kontrast zu den Wolkenkratzern der Megastädte darstellt. Die Forscher wollten verstehen, wie die spezifische dreidimensionale Anordnung dieser Gebäude – ihre Dichte, ihre Höhenvariationen und wie eng sie zusammengedrängt sind – ihren Widerstand gegen seismische Erschütterungen beeinflusst. Zu diesem Zweck verließen sie sich nicht auf bloßes Raten oder lineare Gleichungen, die einen geradlinigen Zusammenhang zwischen Ursache und Wirkung voraussetzen. Stattdessen bauten sie ein hochentwickeltes digitales Modell, das aus Daten lernen konnte, um die subtilen, komplexen Regeln zu entschlüsseln, die bestimmen, wie urbane Formen auf Belastungen reagieren.

Das Team begann mit der Sammlung detaillierter Informationen über fast 3.000 Gebäude der Stadt, wobei Höhe, Grundfläche, Gebäudetyp und Alter erfasst wurden. Da die Anzahl der tatsächlichen Gebäude zu gering war, um ein leistungsstarkes Computermodell allein darauf zu trainieren, nutzten sie eine Technik, um tausende realistische, synthetische Beispiele zu generieren, die die Merkmale der realen Stadt widerspiegelten. Dies ermöglichte es ihnen, eine massive Menge an Daten in einen Machine-Learning-Algorithmus namens XGBoost einzuspeisen, der darauf ausgelegt ist, Muster in komplexen, hochdimensionalen Daten zu finden. Nachdem das Modell gelernt hatte, die seismische Vulnerabilität mit hoher Genauigkeit vorherzusagen, nutzten die Forscher ein spezielles Werkzeug namens SHAP, um die „Black Box“ des Algorithmus zu öffnen. Dieses Werkzeug fungierte wie ein Scheinwerfer, der enthüllte, welche Merkmale der Stadtgestalt die Vorhersagen vorantrieben und wie viel jedes einzelne davon bedeutete. Sie kartierten die Ergebnisse zudem, um zu sehen, ob vulnerable Gebiete zusammen gruppiert oder zufällig über die Landschaft verteilt waren.

Die Ergebnisse zeichneten ein klares und überraschendes Bild davon, wie die Stadtform die Sicherheit diktiert. Der einflussreichste Faktor für die Vulnerabilität eines Gebäudes war nicht seine Höhe oder sein Alter, sondern etwas, das die Forscher als „räumlichen Verdichtungsgrad“ bezeichneten. Diese Metrik misst, wie dicht Gebäude in den dreidimensionalen Räumen um sie herum gepackt sind. Die Studie fand heraus, dass eine höhere Verdichtung im Allgemeinen die Vulnerabilität verringerte, was darauf hindeutet, dass dichte, kompakte Nachbarschaften eine Art gegenseitige strukturelle Unterstützung bieten, die Gebäuden hilft, Erschütterungen standzuhalten. Im Gegensatz dazu zeigten Merkmale wie die Variation der Gebäudehöhen und das Verhältnis von Grundfläche zu Landfläche komplexe, nicht-lineare Effekte. Beispielsweise kann das Vorhandensein einer Mischung aus Gebäudehöhen manchmal helfen, seismische Energie zu verteilen, doch extreme Variationen oder spezifische Kombinationen von hohen und niedrigen Gebäuden könnten das Risiko tatsächlich erhöhen. Die Forscher entdeckten, dass die Beziehung zwischen der Gestalt einer Stadt und ihrer Sicherheit keine einfache Regel ist, bei der „mehr besser“ oder „weniger besser“ gilt. Stattdessen hängt es davon ab, ein Gleichgewicht zu finden; extreme Konfigurationen, wie etwa eine sehr hohe Dichte kombente mit einer sehr geringen Volumenvariation, neigten dazu, das Risiko zu verstärken, während koordiniertere und ausgewogenere Layouts das Risiko eher senkten.

Als die Forscher die Karte von Jiangyou betrachteten, sahen sie, dass diese Risiken nicht gleichmäßig verteilt waren. Sie identifizierten deutliche Zonen, in denen Hochrisikogebiete von Niedrigrisikogebieten umgeben waren und umgekehrt, was ein Muster des räumlichen Spillover-Effekts offenbarte. Einige Gebiete wiesen ein „Hoch-Niedrig“-Muster auf, bei dem ein dichtes, intensives Entwicklungszentrum neben dünn besiedelten Gebieten mit geringer Dichte lag, was einen scharfen Übergang schuf, der gefährlich sein konnte. Andere Bereiche waren „Niedrig-Hoch“, wo kleine, einfache Gebäude von größeren, komplexeren Strukturen umgeben waren, was einen Gradienten des Risikos erzeugte. Die Studie bestätigte, dass die vulnerabelsten Stellen oft jene mit unausgewogenen oder extremen morphologischen Merkmalen waren, wie etwa Gebiete mit sehr hoher Bebauungsdichte bei gleichzeitig geringer struktureller Varianz oder Regionen, in denen die Gebäudehöhen extrem inkonsistent waren. Das von den Forschern entwickelte Computermodell war weitaus genauer als bisherige Methoden und sagte das Vulnerabilitätsniveau mit hoher Präzision voraus, was darauf hindeutet, dass diese komplexen räumlichen Beziehungen in der Tat der Schlüssel zum Verständnis des Erdbebenrisikos sind.

Letztendlich bietet diese Forschung eine neue Sichtweise auf die urbane Sicherheit. Sie geht über die Vorstellung hinaus, dass wir nur einzelne Gebäude schützen können, und legt nahe, dass die kollektive Form eines Viertels ein entscheidender Faktor für die katastrophenbedingte Resilienz ist. Die Studie zeigt auf, dass Städte durch die sorgfältige Steuerung der Anordnung ihrer Gebäude in drei Dimensionen – indem sie eine ausgewogene Mischung aus Dichte, Höhe und Volumen sicherstellen – ihr Risiko für Erdbebenschäden natürlich reduzieren können. Die Erkenntnisse bieten eine wissenschaftliche Grundlage für Stadtplaner, um Nachbarschaften zu gestalten, die nicht nur funktional, sondern von Natur aus sicherer sind. Durch das Verständnis der spezifischen Art und Weise, wie räumliche Verdichtung und Höhenvariationen interagieren, können Städte die extremen Konfigurationen vermeiden, die zu Katastrophen führen, und statsdessen Layouts fördern, die die Energie der Erdbewegungen absorbieren und verteilen, um die Menschen, die darin leben, zu schützen.