Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

In den zerklüfteten, regenverhangenen Bergen Nordmarokkos ist der Boden ein lebendiges, sich ständig veränderndes Gebilde. Steile Hänge, komplexe Geologie und heftige saisonale Regenfälle führen dazu, dass Erdrutsche eine häufige und gefährliche Realität sind. Für Planer und Sicherheitsbeamte besteht das Ziel darin, eine Karte zu erstellen, die zeigt, wo die Erde wahrscheinlich erneut nachgeben wird. Dies ist keine Angelegenheit des Ratens; es ist eine statistische Herausforderung. Um ein Modell zu bauen, das vorhersagt, wo Erdrutsche auftreten könnten, benötigen Wissenschaftler zwei Dinge: eine Liste von Orten, an denen bereits Erdrutsche aufgetreten sind, und eine Liste von Orten, an denen der Boden stabil ist. Die erste Liste ist leicht zu finden; die zweite ist eine Falle. Nur weil an einem bestimmten Ort kein Erdrutsch verzeichnet wurde, bedeutet das nicht, dass der Boden sicher ist. Es könnte schlichtweg bedeuten, dass der Erdrutsch übersehen wurde, durch Vegetation verborgen ist oder zu alt ist, um gesehen zu werden. Diese unregistrierten Stellen als bestätigte „sichere“ Zonen zu behandeln, ist so, als würde man davon ausgehen, dass ein Raum leer ist, nur weil man niemanden darin gesehen hat, während man die Möglichkeit ignoriert, dass jemand im Schrank steht. Diese Ungewissheit macht es unglaublich schwierig, einem Computer beizubringen, zwischen stabilem Boden und Boden, der lediglich darauf wartet, abzurutschen, zu unterscheiden.

Ein Forscherteam aus Marokko hat dieses Problem angegangen, indem sie einen neuen Weg entwickelt haben, mit diesen „fehlenden“ Erdrutschen umzugehen. Anstatt einen Computer zu zwingen, eine einzige, starre Entscheidung darüber zu treffen, welche unregistrierten Stellen sicher sind, haben sie eine Methode entwickelt, die die Ungewissheit zulässt. Sie testeten diesen neuen Ansatz, genannt MC-PU-2S, gegen zwei bestehende Methoden in den Rif-Bergen, einer Region, die für ihr steiles Gelände und häufige Hanginstabilitäten bekannt ist. Die Studie nutzte eine Datenbank von fast 6.000 Beobachtungen, einschließlich über 2.300 bekannter Erdrutschstandorte und tausender anderer Punkte, an denen der Status des Bodens unbekannt war. Durch das Durchlaufen eines strengen Testprozesses, der verhinderte, dass der Computer die Testdaten auswendig lernte (Overfitting), fanden die Forscher heraus, dass ihre neue Methode ein viel klareres und zuverlässigeres Bild des Risikos lieferte. Während die älteren Methoden dazu neigten, fast die gesamte Landschaft als gefährlich zu kennzeichnen und damit die Linien zwischen hohem und niedrigem Risiko verwischt zu, gelang es dem neuen Ansatz erfolgreich, diese zu trennen und bot nicht nur eine Karte der Gefahr, sondern eine Karte der Konfidenz.

Der Kern des Problems liegt darin, wie traditionelle Modelle mit der „negativen“ Klasse umgehen – also den Stellen, die als sicher angenommen werden. In vielen Studien wählen Forscher einfach zufällige Punkte abseits bekannter Erdrutsche aus und sagen dem Computer: „Dies ist sicher.“ Die neue Studie argumentt, dass dies eine fehlerhafte Annahme ist. Wenn ein Ort tatsächlich instabil ist, aber nur noch nicht kartiert wurde, lernt der Computer die falsche Lektion. Die Forscher verglichen drei verschiedene Strategien für den Umgang damit. Die erste, bekannt als die Enhanced Information Value Methode, versucht, die sichersten Stellen herauszufiltern, indem sie ein vorläufiges Modell betrachtet und die absolut risikoärmsten Gebiete auswählt. Die zweite, die PU Two-Step Methode, verwendet einen strengen Grenzwert: Wenn ein Punkt laut einem spezifischen Score sicher genug aussieht, wird er als sicher deklariert; ist er auch nur ein wenig weniger sicher, wird er verworfen. Beide Methoden erzwingen eine binäre Entscheidung und schaffen eine scharfe Linie zwischen sicher und unsicher, die es in der realen Welt möglicherweise gar nicht gibt.

Die neue Methode der Forscher, MC-PU-2S, wählt einen anderen Weg. Anstatt eine harte Linie zu ziehen, weist sie jedem unbekannten Punkt eine Wahrscheinlichkeit zu. Sie fragt: „Wie wahrscheinlich ist es, dass dieser Punkt wirklich sicher ist?“ und erlaubt es, dass die Antwort eher ein Graustufenwert als Schwarz oder Weiß ist. Um dies zu erreichen, führt der Computer hunderte von Simulationen durch. In jeder Simulation entscheidet er zufällig, ob ein bestimmter unbekannter Punkt als sicher oder unsicher zu behandeln ist, basierend auf dieser Wahrscheinlichkeit. Er erstellt dann für jedes dieser Szenarien ein Vorhersagemodell. Schließlich mittelt er all diese hunderte von Modellen zusammen. Dieser Prozess glättet die Fehler und offenbart, welche Vorhersagen solide und welche wackelig sind. Das Ergebnis ist nicht nur eine einzige Karte der Anfälligkeit, sondern eine Reihe von Produkten: eine Karte, die das durchschnittliche Risiko zeigt, eine Karte, die zeigt, wie stark die Vorhersage über die Simulationen hinweg variiert, und eine Karte, die Gebiete hervorhebt, in denen sich das Modell schlichtweg nicht entscheiden kann.

Als die Forscher die Ergebnisse verglichen, war der Unterschied frappierend. Die älteren Methoden erzeugten Karten, auf denen fast jeder einzelne Punkt im Untersuchungsgebiet als hochriskant eingestuft wurde. Der Computer schrie im Grunde überall „Gefahr“, was für die Planung nicht hilfreich ist. Die neue Methode lieferte jedoch eine viel ausgewogenere Sicht. Sie identifizierte korrekt, dass viele Gebiete zwar riskant sind, ein erheblicher Teil der Landschaft jedoch stabil ist. Das neue Modell war weita viel besser darin, zwischen den beiden zu unterscheiden, wobei seine Vorhersagen viel enger mit den tatsächlichen Daten übereinstimmten. Es behob auch einen schwerwiegenden Fehler der älteren Modelle: Ihre Wahrscheinlichkeitsschätzungen waren komprimiert und verzerrt, was bedeutete, dass sie nicht präzise zwischen einem AUC von 0,9 und einem AUC von 0,6 unterscheiden konnten. Die neue Methode verteilte diese Wahrscheinlichkeiten breiter und ermöglichte so ein nuancierteres Verständnis des Geländes.

Vielleicht das wertvollste Ergebnis dieses neuen Ansatzes ist die Fähigkeit, die Ungewissheit zu identifizieren. Die Studie ergab, dass das Modell bei etwa 23 Prozent der Fläche nicht mit Sicherheit sagen konnte, ob der Boden sicher oder unsicher sei. Dies sind die Stellen, an denen die Klassifizierung direkt an der Entscheidungslinie schwankt. In einer traditionellen Karte würden diese Gebiete genauso aussehen wie der Rest und eine kritische Wissenslücke verbergen. In den neuen Karten werden diese Bereiche explizit markiert. Dies ist ein Wendepunkt für Entscheidungsträger. Ein Hochrisikogebiet mit hoher Konfidenz kann sofort für Sicherheitsmaßnahmen ins Visier genommen werden. Ein Hochrisikogebiet mit geringer Konfidenz signalisiert, dass erst weitere Feldarbeit geleistet werden muss, bevor Geld für Bau oder Prävention ausgegeben wird. Es sagt den Beamten genau, wo sie als Nächstes suchen müssen, und verwandelt eine vage Warnung in einen spezifischen Aktionsplan.

Die Studie bestätigte auch, dass die wichtigsten Faktoren, die Erdrutsche in dieser Region antreiben, konsistent mit dem sind, was Geologen bereits wissen: die Steilheit des Hangs, die Entfernung zu Straßen, die Gesteinsart und die Regenmenge. Die Art und Weise, wie diese Faktoren interpretiert werden, ändert sich jedoch, wenn die Ungewissheit berücksichtigt wird. Die neue Methode zeigte, dass die Beziehung zwischen diesen Faktoren und dem Risiko kein einfacher Schalter ist, sondern ein komplexer Gradient. Durch das Herausfiltern des Rauschens der „fehlenden“ Erdrutsche konnte das Modell diese Muster klarer erkennen. Die Forscher merkten an, dass ihre Methode zwar mehr Rechenleistung erfordert als die älteren Techniken, der Austausch jedoch lohnenswert ist. Die Fähigkeit, Ungewissheit zu quantifizieren und eine Karte zu erstellen, die zugibt, was sie nicht weiß, ist ein bedeutender Fortschritt im Management natürlicher Gefahren.

Diese Arbeit beansprucht nicht, das Problem der Vorhersage von Erdrutschen vollständig gelöst zu haben. Die Forscher merken vorsichtig an, dass ihre Methode empfindlich gegenüber der Qualität der ursprünglichen Daten ist und dass die Anzahl der in ihrer Studie verwendeten Simulationen ein Pilotversuch war. Sie schlagen vor, dass zukünftige Arbeiten noch mehr Simulationen durchführen sollten, um sicherzustellen, dass die Ergebnisse stabil sind. Sie weisen auch darauf hin, dass ihre Methode nur eine Art von Ungewissheit misst: die Ungewissheit darüber, welche Stellen wirklich sicher sind. Sie berücksichtigt nicht Fehler in den Karten selbst oder Veränderungen des Wetters im Zeitverlauf. Dennoch zeigt die Studie, dass der Übergang von einem starren Schwarz-Weiß-Denken hin zu einem probabilistischen Ansatz bessere Ergebnisse liefert. In einer Welt, in der sich der Boden ständig verschiebt, ist ein Modell, das seine eigenen Zweifel eingestehen kann, weitaus nützlicher als eines, das voller Selbstvertrauen falsch liegt. Die neuen Karten aus Nordmarokko bieten einen klareren, ehrlicheren Leitfaden für den Schutz der Gemeinschaften, die am Rande des Abgrunds leben.