Evaluating disaster triggers and spatial susceptibility of retrogressive thawing slumps in permafrost regions Hoh Xil, Qinghai-Tibet Plateau

Auf den hohen, windgepeitschten Ebenen des Qinghai-Tibet-Plateaus ist der Boden nicht nur Erde und Gestein; er ist ein gefrorenes Archiv. Seit Jahrtausenden ist ein Großteil dieser Landschaft in einem Zustand dauerhafter Kälte verharrt, einem Zustand, den Wissenschaftler Permafrost nennen. Diese gefrorene Erde dient als solides Fundament für die riesigen Ökosysteme der Region und ihre kritische Infrastruktur, einschließlich der höchstgelegenen Eisenbahn und Autobahn der Welt. Doch während sich das globale Klima erwärmt, beginnt dieses gefrorene Fundament aufzuweichen. Wenn das Eis innerhalb des Bodens schmilzt, verliert der Boden seine Festigkeit und kann plötzlich kollabieren. Eine der dramatischsten und zerstörerischsten Formen dieses Kollapses ist der retrogressive Thaw-Slump (Rückschreitende Auftaubacke). Dies sind keine einfachen Senkküsten; es sind aktive, zurückweichende Narben in der Landschaft, bei denen eine steile Wand aus eisreicher Erde nachgibt, rückwärts abrutscht und einen chaotischen Haufen aus Schlamm und Trümmern hinterlässt. Während diese Slumps wachsen, drohen sie Straßen, Eisenbahnen und das empfindliche alpine Ökosystem zu verschlingen, was es lebensnotwendig macht, zu verstehen, wo sie als Nächstes wahrscheinlich auftreten werden.

In einer kürzlich durchgeführten Studie, die sich auf die Hoh-Xil-Region konzentrierte – einen abgelegenen und unwegsamen Teil des Plateaus –, setzten sich Forscher zum Ziel, die zukünftigen Gefahrenzonen dieser auftauenden Erdrutsche zu kartieren. Die Herausforderung war immens. Die Landschaft ist weitläufig, die Daten sind komplex und die Faktoren, die einen Slump auslösen, sind tief miteinander verwoben. Ein Slump geschieht nicht aufgrund einer einzigen Ursache; er ist das Ergebnis einer spezifischen Kombination aus Hitze, Wasser, Bodentyp und der Form des Geländes. Um dieses Geflecht zu entwirren, entwickelte das Team eine neue Art, das Problem zu betrachten, die über einfache Beobachtungen hinausgeht und hin zu einer anspruchsvollen digitalen Analyse führt, die simuliert, wie das menschliche Gehirn Muster erkennt.

Die Forscher begannen damit, eine gewaltige Menge an Informationen über die Hoh-Xil-Region zu sammeln. Sie untersuchten die Lufttemperatur, die Regenmenge, die Steilheit der Hänge und die Art des Bodens unter der Oberfläche. Sie untersuchten auch die Menge des im Boden verborgenen Eises und die Dichte der die Oberfläche bedeckenden Vegetation. Mithilfe von Satellitenbildern und Felduntersuchungen erstellten sie ein detailliertes Inventar von 1.825 bestehenden Thaw-Slumps in der Gegend. Dieses Inventar diente als „Ground Truth“ (Bodenwahrheit), eine Karte dessen, wo der Schaden bereits entstanden ist. Das Ziel war es, einem Computer beizubringen, das spezifische „Umweltrezept“ zu erkennen, das zu einem Slump führt, damit er vorhersagen kann, wo die nächsten entstehen werden.

Um diese Berg an Daten zu bewältigen, musste das Team zuerst das „Rauschen“ herausfiltern. Sie verwendeten eine statistische Methode, um zu identifizieren, welche Faktoren die Slumps tatsächlich antrieben und welche lediglich Hintergrundrauschen waren. Sie fanden heraus, dass die stärksten Auslöser mit Wasser und Hitze zusammenhingen. Insbesondere extreme Regenfälle und der intensive Zyklus aus Gefrieren und Auftauen während der Sommermonate waren die primären Treiber. Diese Bedingungen sättigen den Boden und schwächen die gefrorenen Bindungen, die den Boden zusammenhalten. Während die Form des Landes und der Bodentyp eine Rolle spielten, nahmen sie eine unterstützende Rolle gegenüber dem überwältigenden Einfluss der hydrothermalen Bedingungen ein. Die Studie bestätigte, dass Gebiete mit hohem Eisgehalt und feinkörnigen Böden, die Wasser wie ein Schwamm speichern, besonders anfällig waren, wenn das Wetter warm und feucht wurde.

Der Kern der Studie bestand darin, ein Computersystem darauf zu trainieren, aus diesen Mustern zu lernen. Die Forscher standen vor einem häufigen Problem dieser Art der Forschung: Es ist einfach, Beispiele dafür zu finden, wo Slumps aufgetreten sind, aber es ist schwierig, zuverlässige Beispiele dafür zu finden, wo sie nicht aufgetreten sind. Wenn ein Computer nur gezeigt bekommt, wo die Gefahr liegt, könnte er vermuten, dass die ganze Welt gefährlich ist. Um dies zu lösen, entwickelte das Team eine intelligente Stichprobenstrategie. Sie nutzten eine Clustering-Technik, um Gebiete zu finden, die in Bezug auf ihre Umgebung exakt wie die Slump-Zonen aussah, aber stabil geblieben waren. Durch die sorgfältige Auswahl dieser „sicheren“ Stellen stellten sie sicher, dass der Computer den Unterschied zwischen einer potenziellen Katastrophenzone und einem stabilen Hang lernte, anstatt nur wahllos Orte auswendig zu lernen.

Nachdem die Daten vorbereitet worden waren, testete das Team mehrere verschiedene maschinelle Lernmodelle. Sie probierten Standardalgorithmen aus, stellten jedoch fest, dass ein spezieller Typ eines Deep-Learning-Systems, bekannt als Convolutional Neural Network (faltendes neuronales Netzwerk), weitaus überlegen war, um die Landschaft zu verstehen. Dieses System ist darauf ausgelegt, Daten so zu betrachten, wie ein Mensch ein Foto betrachtet, indem es die räumlichen Beziehungen zwischen Merkmalen erkennt. Es konnte sehen, wie ein steiler Hang, ein Stück nasser Boden und ein warmer Sommertag zusammenpassen, um ein Risiko zu erzeugen. Die Forscher kombinierten dieses leistungsstarke Mustererkennungswerkzeug dann mit einem Ensemble-Learning-Ansatz. Diese Technik funktioniert wie ein Gremium von Experten: Anstatt sich auf ein einzelnes Modell zu verlassen, kombinierten sie die Vorhersagen vieler verschiedener Modelle und ließen sie über das Endergebnis abstimmen. Diese Methode reduzierte Fehler und machte die Vorhersagen wesentlich zuverlässiger.

Das Ergebnis war eine hochgenaue Karte der Anfälligkeit für die Hoh-Xil-Region. Die Karte zeigte, dass die Gebiete mit dem höchsten Risiko nicht zufällig verstreut sind, sondern in spezifischen Übergangszonen konzentriert liegen, in denen sich das Gelände von steilen Hängen zu Tälern wandelt, sowie in Gebieten mit intensiver Thermokarst-Aktivität. Das erfolgreichste Modell, das die Deep-Learning-Merkmalsextraktion mit der intelligenten Stichprobenstrategie kombinierte, erreichte eine Genauigkeitsrate, die frühere Methoden weit übertraf. Es identifizierte den Großteil der bekannten Slumps korrekt und vermied gleichzeitig Fehlalarme in stabilen Gebieten. Die Karte zeigte, dass fast 15.000 Quadratkilometer der Region in die Kategorien „hohes“ oder „sehr hohes Risiko“ fallen, wobei die gefährlichsten Zonen die Korridore der großen Verkehrswege säumen.

Diese Studie zeichnet mehr als nur eine Karte; sie klärt den Mechanismus der Katastrophe. Sie bestätigt, dass das Land zwar von Natur aus instabil ist, der endgültige Auslöser jedoch oft ein spezifisches Wetterereignis ist, wie etwa ein schwerer Sommerregenstoß, der auf einen eisreichen Hang trifft. Die Forschung zeigt, dass Wissenschaftler durch den Einsatz fortschrittlichen Computerlernens zur Analyse der komplexen Wechselwirkungen zwischen Klima, Boden und Gelände diese Gefahren mit einem Präzisionsgrad vorhersagen können, der zuvor unmöglich war. Diese Fähigkeit bietet ein mächtiges Werkzeug für Planer und Ingenieure. Indem sie genau wissen, wo der Boden am wahrscheinlichsten nachgeben wird, können sie die Infrastruktur verstärken, Straßen umleiten oder spezifische Bereiche überwachen, bevor ein Kollaps eintritt. In einer Region, in der sich das Klima schneller verändert als fast überall sonst auf der Erde, ist diese Art der Voraussicht nicht nur eine akademische Übung; sie ist ein notwendiger Schritt zum Schutz der Leben und Lebensgrundlagen, die von der Stabilität des gefrorenen Plateaus abhängen.