Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

In vielen Teilen der Welt wachsen Städte schneller, als der Boden unter ihnen es bewältigen kann. Wenn schwerer Regen auf eine Landschaft fällt, die mit Beton und Asphalt bedeckt ist, kann das Wasser nicht mehr wie früher in den Boden einsickern. Stattdessen schießt es über die Oberfläche, gewinnt an Geschwindigkeit und Volumen, bis es Straßen und Keller überflutet. Dies ist das Wesen der städtischen Überschlemmung – eine Krise, die durch den Klimawandel, der intensivere Stürme mit sich bringt, und durch die schnelle Bebauung, die natürliche Entwässerungswege versiegelt, immer häufiger auftritt. Um Menschen und Eigentum zu schützen, müssen Stadtplaner genau wissen, wo sich Wasser sammeln wird und wie tief es werden könnte. Jahrzehntelang verließen sich Experten auf Karten und historische Aufzeichnungen, um diese Risiken zu erraten, aber ein neuer Ansatz verändert nun die Spielregeln. Durch die Kombination von Satellitenaugen, die Wolken durchdringen können, mit leistungsstarken Computerprogrammen, die aus Mustern lernen, können Wissenschaftler heute Hochwasserrisiken mit einer Präzision vorhersagen, die zuvor unmöglich war. Dieser Wandel ermöglicht es den Gemeinden, von einem bloßen Reagieren auf Katastrophen zu einem präventiven Handeln überzugehen.

Im westlichen Teil von Riad, Saudi-Arabien, wandte ein Forscher dieses moderne Werkzeug auf eine spezifische Herausforderung an: das Wadi-Hanifa-Becken. Dieses Tal, das sich durch die westlichen und zentralen Distrikte der Stadt zieht, ist ein natürlicher Kanal für das Wasser, das aus den nahegelegenen Bergen fließt. Obwohl es historisch gesehen Landwirtschaft und Besiedlung unterstützte, hat die rasante Expansion von Riad einen Großteil dieses Tals in ein dicht besiedeltes Stadtgebiet verwandelt. Das Wachstum der Stadt hat dazu geführt, dass heftige Regenfälle, die zwar selten, aber intensiv sind, schnell zu gefährlichen Sturzfluten werden können. Der Forscher setzte sich zum Ziel, eine detaillierte Karte zu erstellen, die genau zeigt, welche Stadtteile am ehest been durch Überschwemmungen gefährdet sind. Er verließ sich dabei nicht auf Schätzungen oder einfache Faustregeln. Stattdessen baute er ein digitales Modell des gesamten Beckens auf und fütterte es mit einer riesigen Menge an Informationen, die aus dem Weltraum und vom Boden gesammelt wurden.

Der Forscher sammelte Daten aus fünf verschiedenen Quellen, um ein vollständiges Bild der Landschaft zu erstellen. Er nutzte Satellitenbilder, um die Arten der Bodenbedeckung zu erkennen, wobei er zwischen grüner Vegetation, nacktem Boden und den harten, undurchlässigen Oberflächen von Gebäuden und Straßen unterschied. Er zog Radarbilder heran, die Wasser selbst bei bewölktem Himmel detektieren können, um den tatsächlichen Umfang vergangener Überschwemmungen sichtbar zu machen. Zudem integrierte er eine detaillierte 3D-Karte des Geländes, um das Gefälle und die Form des Landes zu verstehen, zusammen mit jahrzehntelangen Niederschlagsaufzeichnungen, um zu sehen, wo die schwersten Stürme niedergingen. Schließlich kartierte er die Straßennetze, die entweder als Barrieren oder als Kanäle für das Wasser dienen können. Mit all diesen Informationen ausgestattet, wandte er sich einem Machine-Learning-Algorithmus zu, einer Art von Computerprogramm, das durch Beispiele lernt. Er zeigte dem Computer tausende Beispiele von Gebieten, die in der Vergangenheit überflutet wurden, und tausende Beispiele von Gebieten, die trocken geblieben waren. Der Computer analysierte diese Beispiele, um die verborgenen Muster zu finden, die die Landschaft mit dem Wasser verbinden.

Der Computer lernte, dass das Überschwemmungsrisiko in dieser Region durch einige Schlüsselfaktoren angetrieben wird. Der wichtigste Faktor stellte sich als die Dichte des Entwässerungsnetzes heraus. Gebiete mit einer hohen Konzentration von Bächen und Kanälen sind wahrscheinlicher von Überschwemmungen betroffen, da sich das Wasser dort konzentriert, insbesondere bei starken Regenfällen. Der zweitkritischste Faktor ist die Art der Landbedeckung. Stadtteile mit vielen Gebäuden und befestigten Straßen, in denen Wasser nicht einsickern kann, tragen ein wesentlich höheres Risiko als Gebiete mit mehr Boden oder Vegetation. Die Niederschlagsintensität war der dritte wesentliche Treiber, was bestätigte, dass das schiere Volumen des Wassers, das in kurzer Zeit fällt, eine Hauptursache des Problems ist. Der Computer lernte auch, dass die Rauheit des Geländes eine Rolle spielt; glattere, flachere Flächen lassen Wasser ausbreiten und sammeln, während raueres Gelände es verlangsamen kann. Andere Faktoren, wie die Richtung des Landgefälles oder die exakte Höhe, spielten eine Rolle, waren jedoch weniger entscheidend als die Entwässerungs- und Landnutzungsmuster.

Nachdem der Computer diese Muster gelernt hatte, wandte er sie auf das gesamte Wadi-Hanifa-Becken an, um das Hochwasserrisiko für jeden einzelnen Punkt auf der Karte vorherzusagen. Die Ergebnisse waren verblüffend genau. Als der Forscher das Modell mit realen Daten testete, identifizierte es überflutete Gebiete zu 90 Prozent korrekt. Das Modell konnte erfolgreich zwischen Orten unterscheiden, die überflutet würden, und solchen, die trocken blieben, was bewies, dass die Kombination aus Satellitendaten und maschinellem Lernen die komplexe Realität städtischer Überschwemmungen erfassen kann. Die resultierende Karte unterteilt das Becken in fünf Risikokategorien, die von sehr gering bis sehr hoch reichen. Die Analyse ergab, dass etwa 6,1 Prozent des Beckens ein sehr hohes Risiko aufweisen, während weitere 14,2 Prozent einem hohen Risiko ausgesetzt sind. Diese Gefahrenzonen sind nicht zufällig verteilt; sie häufen sich in bestimmten, dicht besiedelten Stadtteilen.

Die Karte identifizierte mehrere Gemeinden, die sofortige Aufmerksamkeit erfordern. Gebiete wie Center Uraija, Uraija, Derab, Ukaz, Marwwah, Uraid, Twaeeq-Etaigah und Hejrat Wadi Leban wurden als Gebiete mit einer sehr hohen Anfälligkeit für städtische Überschwemmungen markiert. Diese Stadtteile liegen in tiefer gelegenen Gebieten, in denen sich Wasser natürlich ansammelt, und sind von weitläufigen Straßen- und Gebäudenetzen umgeben, die den Wasserabfluss verhindern. Die Studie verdeutlicht, dass dies keine rein theoretischen Risiken sind; die Vorhersagen des Modells stimmen mit den tatsächlichen Orten überein, an denen Überschwemmungen aufgetreten sind. Beispielsweise fielen bei einem schweren Hochwasserereignis im April 2026 die meisten der beobachteten Überflutungspunkte exakt in jene Zonen, die das Modell zuvor als hoch oder sehr hoch risikobehaftet eingestuft hatte. Diese Validierung gibt Stadtbehörden ein mächtiges Werkzeug für die Entscheidungsfindung. Sie können nun genau sehen, wo sie Entwässerungssysteme verstärken, wo sie neue Bauvorhaben einschränken und wo sie Prioritäten bei den Notfallplänen setzen müssen.

Diese Forschung zeigt, dass die Zukunft des Hochwassermanagements in der Integration fortschrittlicher Technologie mit lokalem Wissen liegt. Indem Wissenschaftler maschinelles Lernen nutzen, um das komplexe Zusammenspiel von Regen, Gelände und menschlicher Entwicklung zu analysieren, können sie klare, handlungsorientierte Erkenntnisse liefern, um wachsende Städte zu schützen. Die Studie behauptet nicht, das Problem der Überschwemmungen für immer gelöst zu haben, aber sie hat eine zuverlässige Methode bereitgestellt, um die verwundbarsten Stellen zu identifizieren. Für die Bewohner von Riad und anderen schnell urbanisierenden Städten bedeutet dies einen Wandel vom Hoffen auf das Beste hin zum sicheren Vorbereiten auf das Schlimmste. Die Karte dient als Leitfaden, der zeigt, wohin das Wasser fließen wird, damit Menschen besser bauen, klüger planen und sicher bleiben können.