Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru

Überschwemmungen gehören zu den gewaltigsten und zerstörerischsten Kräften der Natur, die in der Lage sind, Landschaften in nur wenigen Stunden umzugestalten und Leben zu erschüttern. Für Gemeinschaften, die in tiefer gelegenen Gebieten oder in Flusstälern leben, ist die Bedrohung allgegenwärtig, doch die Gefahr ist nicht gleichmäßig über das Land verteilt. Einige Stellen sind von Natur aus dazu neigen, Wasser zu halten, während andere selbst bei schweren Stürmen trocken bleiben. Traditionell haben Wissenschaftler diese Risiken mit statischen Bildern kartiert, die zeigen, welche Gebiete aufgrund ihrer Form, Höhe und Bodenbeschaffenheit generell anfällig sind. Diese Karten erfassen jedoch oft eine entscheidende Realität nicht: Das Risiko ändert sich, wenn sich das Wetter ändert. Ein Hang, der bei leichtem Nieselregen sicher ist, kann bei einer Woche mit starkem Regen zu einem reißenden Strom werden, und eine flache Ebene kann nur dann überschwemmt werden, wenn der Niederschlag intensiv genug ist, um den Boden zu überfordern. Das Verständnis darüber, wo Menschen und Gebäude im Verhältnis zu diesen wechselnden Risiken liegen, ist entscheidend, um Gemeinschaften zu schützen, doch die meisten bestehenden Karten aktualisieren sich nicht von selbst, wenn sich das Wetter ändert.

In der ariden Küstenprovinz Trujillo in Peru ist diese Herausforderung besonders akut. Die Region ist im Allgemeinen trocken, wird aber periodisch von intensiven Regenfällen getroffen, die mit dem El-Niño-Phänomen zusammenhängen – einem Klimamuster, das den Pazifischen Ozean erwärmt und das Wetter weltweit verändert. Diese seltenen Stürme können trockene Schluchten in reißende Flüsse verwandeln, Stadtviertel überschwemmen und die Infrastruktur beschädigen. Forscher der Nationalen Universität von Trujillo und der Nationalen Universität von Altiplano setzten sich zum Ziel, das Problem der statischen Kartierung durch die Schaffung einer neuen Methode zur Verfolgung des Hochwasserrisikos, das sich mit dem Wetter ändert, zu lösen. Sie wollten ein System entwickeln, das nicht nur identifizieren kann, welche Teile der Stadt von Natur aus anfällig sind, sondern das Risiko auch in Echtzeit aktualisiert, wenn neuer Regen fällt, während es gleichzeitig genau anzeigt, wo sich die Menschen und Gebäude innerhalb dieser Gefahrenzonen befinden.

Um dies zu erreichen, blickte das Team auf drei große Flutereignisse zurück, die Trujillo in den Jahren 2017, 2023 und 2025 trafen. Anstatt sich auf herkömmliche Kameras zu verlassen, die nicht durch Wolken sehen können, verwendeten sie Radarbilder von Satelliten, die den Boden unabhängig von Tag oder Nacht und ungeachtet des Wetters scannen können. Durch den Vergleich von Bildern, die vor und nach jedem Sturm aufgenommen wurden, konnten sie die exakten Fußabdrücke des Wassers nachzeichnen, während es sich über das Land ausbreitete. Sie kombinierten diese historischen Daten mit detaillierten Informationen über das Gelände, wie etwa der Neigung des Landes, der Höhe des Bodens und der Lage von Entwässerungskanälen, sowie mit geologischen Daten über Gestein und Boden. Sie speisten zudem Daten über den Niederschlag selbst ein, indem sie die Stürme in verschiedene Dauern unterteilten, um zu sehen, wie sich kurze, intensive Regengüsse im Vergleich zu längeren, stetigen Regenfällen verhielten.

Die Forscher nutzten dann eine Form des maschinellen Lernens, um die Muster zu finden, die Landschaft und Wetter mit den tatsächlichen Überschwemmungen verbinden. Sie testeten verschiedene Computermodelle, um herauszufinden, welches am besten vorhersagen kann, wohin das Wasser fließen wird. Ein Modell, bekannt als Random Forest, erwies sich als das genaueste. Es lernte zu erkennen, dass bestimmte Kombinationen von Faktoren – wie etwa eine spezifische Ausrichtung des Landes, die Steilheit eines Hanges und die Menge des Regens – starke Indikatoren für Überschwemmungen waren. Dieses Modell memorierte nicht einfach die vergangenen Ereignisse, sondern lernte die zugrunde liegenden Regeln dafür, wie Wasser über die Landschaft von Trujillo fließt. Die Analyse ergab, dass die Ausrichtung des Landes, die Regenmenge, die Höhenlage und die Hangneigung die wichtigsten Faktoren zur Bestimmung der Gebiete waren, die überflutet würden.

Was diese Studie auszeichnet, ist ihre Fähigkeit, über eine einzige, unveränderliche Karte hinauszugehen. Sobald der Computer die Regeln aus den vergangenen Stürmen gelernt hatte, zeigten die Forscher, dass sie die Risikokarte allein durch das Einspielen neuer Niederschlagsdaten aktualisieren konnten, ohne den Computer erneut trainieren zu müssen. Das bedeutet: Wenn ein neuer Sturm aufzieht, kann das System sofort eine frische Karte erstellen, die zeigt, wo das Risiko im Moment am höchsten ist. Sie testeten dies durch die Erstellung eines Szenarios für September 2026. In dieser aktualisierten Ansicht war das Risiko nicht gleichmäßig verteilt; stattdessen zeigte ein großer Teil des Territoriums ein moderates Risikoniveau, was mehr als die Hälfte der Fläche abdeckte. Die Gebiete mit dem höchsten Risiko waren jedoch kleiner, aber dennoch signifikant, und sie überschnitten sich mit spezifischen Teilen der Stadt, in denen viele Menschen leben.

Die Studie brachte auch eine menschliche Dimension in die Zahlen ein, indem sie Bevölkerungsdaten und Bebauungsdichte über die Hochwasserkarten legte. Dies ermöglichte es dem Team zu sehen, nicht nur wohin das Wasser fließen könnte, sondern wer betroffen wäre. Bei dem Ereignis im Jahr 2017 befand sich beispielsweise mehr als die Hälfte der exponierten Bevölkerung in Gebieten mit hohem oder sehr hohem Risiko. Im Gegensatz dazu verschob sich die Verteilung beim Ereignis im Jahr 2025, wobei ein größerer Anteil der Bevölkerung in Gebieten mit moderatem Risiko saß. Beim Blick auf die dynamische Aktualisierung für September 2026 stellten die Forscher fest, dass, während die Zone mit moderatem Risiko den Großteil des Landes und den weitaitsen Teil der Bevölkerung abdeckte, die kleineren Zonen mit hohem Risiko immer noch fast 18 Prozent der Menschen und fast 20 Prozent der bebauten Fläche enthielten. Dies verdeutlicht, dass selbst ein kleines Gebiet mit hohem Risiko kritisch sein kann, wenn es dicht mit Häusern und Geschäften bebaut ist.

Die Forscher kamen zu dem Schluss, dass ihr Ansatz ein leistungsstarkes Werkzeug für Entscheidungsträger darstellt. Durch die Kombination von Satellitenradar, maschinellem Lernen und Echtzeit-Wetterdaten schufen sie ein System, das die Hochwasseranfälligkeit verfolgen kann, während sie sich entwickelt. Diese dynamische Sicht hilft dabei, Prioritätsgebiete für die Prävention und Reaktion zu identifizieren, und bewegt sich weg von der Vorstellung, dass das Hochwasserrisiko ein festes Merkmal der Landschaft ist. Obwohl die Studie auf Computersimulationen und historischen Daten statt auf realen hydraulischen Messungen basiert, bietet sie eine robuste Methode, um zu verstehen, wie das Zusammenspiel zwischen Gelände und Wetter die Gefahr für die Gemeinschaften formt. Für eine Stadt wie Trujillo, in der die Bedrohung durch plötzliche, intensive Regenfälle eine wiederkehrende Realität ist, bietet eine Karte, die sich selbst aktualisieren kann, einen klareren Weg zum Schutz von Leben und Eigentum.