Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

In de ruige, bergachtige landschappen van het zuidwesten van China verschuift de aarde soms met een plotselinge, destructieve kracht. Aardverschuivingen vormen een voortdurende bedreiging voor het leven, de huizen en de infrastructuur van de mensen die in deze steile valleien wonen. Decennialang hebben wetenschappers en ingenieurs vertrouwd op computermodellen om te voorspellen waar deze rampen zich als volgende zouden kunnen voordoen. Deze modellen zijn uitstekend in het herkennen van patronen; ze kunnen naar een kaart van een helling kijken en zeggen: "Deze plek ziet er gevaarlijk uit," door factoren te analyseren zoals hoe steil de helling is, hoeveel regen het daar regent, of wat voor soort gesteente er onder de grond ligt. Er is echter een cruciaal verschil tussen het herkennen van een patroon en het begrijpen van een oorzaak. Weten dat een aardverschuiving vaak voorkomt op plekken waar de grond steil is, vertelt ons niet automatisch wat er zou gebeuren als we de steilheid op de een of andere manier zouden kunnen veranderen, of als we de hoeveelheid water in de bodem zouden kunnen aanpassen. Om risico's echt te kunnen beheersen, moeten we niet alleen weten wat geassocieerd is met een aardverschuiving, maar ook wat de oorzaak zou zijn waardoor het risico stijgt of daalt als we zouden ingrijpen.

Dit is de uitdaging die een team onderzoekers van de Chongqing Polytechnic University of Electronic Technology, Chongqing University of Education en Peking University probeerde aan te pakken. Zij richtten hun studie op Chongqing, een stad die beroemd is om haar dramatische topografie en snelle stedelijke groei, waar de intersectie van natuur en menselijke activiteit een perfect laboratorium vormt voor het testen van nieuwe manieren om geologische gevaren te begrijpen. In plaats van simpelweg te vragen welke factoren een aardverschuiving voorspellen, vroegen zij een andere, moeilijkere vraag: als we een specifieke omgevingsfactor zouden kunnen veranderen, hoe zou het risico op een aardverschuiving dan veranderen? Om dit te beantwoorden, gingen zij verder dan standaard voorspellingsinstrumenten en pasten zij een methode toe die bekend staat als een T-learner. Deze benadering stelt onderzoekers in staat om een "wat als"-scenario te simuleren, waarbij het verschil in risico wordt geschat tussen een hoog niveau van een factor, zoals hevige regenval, en een laag niveau, terwijl alle andere aanwezige condities in het landschap zorgvuldig worden meegewogen.

De onderzoekers begonnen met een enorme dataset die meer dan 30.000 records bevatte, waarvan de helft locaties waren waar aardverschuivingen hadden plaatsgevonden en de andere helft waar dat niet het geval was. Ze verzamelden 17 verschillende stukken informatie voor elke locatie, variërend van de hoogte van het land en de hellingshoek tot de hoeveelheid water die uit de bodem verdampte, de afstand tot rivieren en het type gesteente onder de grond. Met behulp van een krachtig computerleeralgoritme trainden ze eerst een model om de patronen te herkennen die een locatie met een aardverschuiving onderscheiden van een veilige locatie. Dit model was zeer accuraat en identificeerde locaties van aardverschuivingen in hun testdata met een hoge mate van succes. De onderzoekers wisten echter dat een hoge nauwkeurigheid alleen niet de oorzaak onthult. Een model kan leren dat aardverschuivingen vaak in de buurt van wegen voorkomen simpelweg omdat wegen op steile hellingen worden gebouwd, en niet omdat de wegen zelf de verschuiving veroorzaken. Om dit te ontwarren, gebruikten ze de T-learner om het gemiddelde effect van het veranderen van elke factor te schatten.

De resultaten boden een genuanceerd beeld van wat de drijfveer is achter het risico op aardverschuivingen in deze regio. De analyse suggereerde dat de drie factoren met de grootste geschatte contrafeitelijke risicoverschillen evapotranspiratie, neerslag en hoogte waren. Evapotranspiratie is een maatstaf voor hoeveel water er vanuit de bodem en planten naar de lucht beweegt; in deze studie waren gebieden met hogere niveaus van dit proces geassocieerd met een lager voorspeld risico op aardverschuivingen. Op dezelfde manier waren een hogere hoogte en hogere totale neerslag in hun specifieke model ook gekoppeld aan een lager risico. De onderzoekers waarschuwden dat deze bevinding met betrekking tot neerslag niet direct vertaald moet worden naar een interventieadvies om de neerslag te verhogen. Zij legden uit dat dit resultaat waarschijnlijk langetermijncondities reflecteert in plaats van onmiddellijke triggers; misschien hebben gebieden met een hoge jaarlijkse regenval vegetatie die beter aangepast is om de grond vast te houden, of legt de data een ander aspect van de watercyclus vast dan de plotselinge stormen die directe instortingen veroorzaken. In contrast hiermee toonde de intensiteit van de neerslag — de snelheid waarmee de regen valt — een positief effect, wat betekent dat snellere, intensere regen geassocieerd werd met een hoger risico, wat overeenkomt met het algemene begrip van hoe aardverschuivingen worden getriggerd.

De studie benadrukte ook een cruciaal onderscheid tussen wat een computermodel belangrijk vindt en wat daadwerkelijk een verandering in het risico veroorzaakt. De onderzoekers vergeleken hun nieuwe "wat als"-schattingen met een standaardmethode genaamd SHAP, die simpelweg factoren rangschikt op basis van hoeveel ze het model helpen bij het doen van voorspellingen. In de standaardrangschikking was evapotranspiratie de belangrijkste factor, gevolgd door neerslag en hoogte. Hoewel de volgorde vergelijkbaar was, was de betekenis anders. De standaardmethode zei dat deze factoren het beste waren in het raden waar een aardversucheving zou plaatsvinden. De nieuwe methode suggereerde dat als we deze factoren zouden veranderen, het risico aanzienlijk zou verschuiven. Zo vonden de onderzoekers dat het geschatte risicoververschil voor evapotranspiratie groter was dan dat voor de hellinghelling, een factor die traditioneel als de meest kritieke wordt beschouwd in de aardverschuivingswetenschap. De onderzoekers merkten echter expliciet op dat dit patroon niet impliceert dat deze variabelen bewezen sterkere directe causale effecten hebben dan de helling. De definitie van behandelingen, ruimtelijke covariatie en niet-gemeten verstorende variabelen kunnen allemaal de relatieve rangschikking beïnvloeden, wat betekent dat deze resultaten moeten worden beschouwd als hypothesen voor verdere verificatie in plaats van definitief bewijs van causale kracht.

Ondanks deze intrigerende bevindingen waren de onderzoekers voorzichtig in het definiëren van de grenzen van hun werk. Zij benadrukten dat hun studie een momentopname was, gebruikmakend van data die in één keer werden verzameld in plaats van veranderingen over jaren heen te volgen. Daarom konden zij niet bewijzen dat de ene factor definitief een andere veroorzaakt, noch konden zij de mogelijkheid uitsluiten dat een verborgen factor, zoals het type bodem of eerder menselijk ingrijpen, zowel de omgevingsfactoren als het risico op aardverschuivingen heeft beïnvloed. Zij merkten ook op dat hun resultaten specifiek zijn voor het bergachtige, vochtige klimaat van Chongqing en mogelijk niet van toepassing zijn op droge woestijnen of vlakke vlaktes. De studie dient als een krachtig verkennend kader, dat laat zien dat we verder kunnen gaan dan eenvoudige voorspelling om diepere vragen te stellen over oorzaak en gevolg. Het suggereert dat toekomstige inspanningen om aardverschuivingen te voorkomen nauw moeten kijken naar de watercyclus en vegetatie, maar het houdt in dat het niet precies vertelt aan ingenieurs wat ze moeten bouwen of waar ze moeten graven. In plaats daarvan biedt het een nieuwe set hypothesen om te testen, die wetenschappers aanspoort om toekomstige studies te ontwerpen die veranderingen in de loop van de tijd kunnen volgen en kunnen bevestigen of deze geschatte effecten in de echte wereld standhouden.

De uiteindelijke waarde van dit onderzoek ligt in het vermogen om het signaal van voorspelling te scheiden van het signaal van oorzaak. Door deze geavanceerde statistische instrumenten toe te passen op een reëel probleem, toonde het team aan dat de factoren die we gebruiken om een ramp te voorspellen, niet altijd dezelfde factoren zijn die we moeten aanpakken om een ramp te voorkomen. Zij lieten zien dat hoewel een computer met grote precisie een gevaarlijke helling kan herkennen, het begrijpen van waarom die helling gevaarlijk is een ander soort denken vereist. De studie concludeert dat hoewel we nog niet kunnen beweren het mysterie van de oorzaken van aardverschuivingen in Chongqing te hebben opgelost, we een belangrijke stap hebben gezet naar het begrijpen van de complexe relaties tussen regen, bodem en helling. Dit nieuwe perspectief biedt een routekaart voor toekomstig onderzoek, een die prioriteit geeft aan het verifiëren van deze causale verbanden met betere data en striktere tests, wat uiteindelijk leidt tot veiligere gemeenschappen in deze uitdagende landschappen.