Wie künstliche Intelligenz die Vorhersage von Erdrutschen in Minnesota verbessert

Erdrutsche stellen ein erhebliches geologisches Risiko dar und verursachen jedes Jahr beträchtliche Schäden an Infrastruktur und Menschenleben. In Minnesota, einer Region, die durch die Eiszeit geprägt wurde, sind diese Phänomene auf regionaler Ebene nur unzureichend kartiert. Eine aktuelle Studie hat fortschrittliche Methoden der künstlichen Intelligenz genutzt, um die erste detaillierte Risikokarte für diesen US-Bundesstaat zu erstellen.

Fünf Modelle des maschinellen Lernens und des Deep Learning wurden verglichen, um die am stärksten gefährdeten Gebiete zu identifizieren. Zwei Ansätze erwiesen sich dabei als besonders wirksam: Random Forests und ein spezialisiertes neuronales Netz namens TabKANet. Diese Modelle analysierten Daten wie Hangneigung, Höhe, Landnutzung und Niederschlag. Die Ergebnisse zeigen, dass steile Hänge und Gebiete in niedriger Höhe am anfälligsten sind, lokale Faktoren wie Wasseransammlungen oder menschliche Aktivitäten jedoch ebenfalls eine entscheidende Rolle spielen können.

Die Studie nutzte zudem eine Technik namens SHAP, um zu erklären, wie jeder Faktor das Risiko beeinflusst. Beispielsweise erhöht eine steilere Neigung deutlich die Wahrscheinlichkeit eines Erdrutschs, während eine geringere Höhe, oft verbunden mit wassergesättigten Böden, die Situation verschärft. Vor Ort können jedoch auch andere Elemente wie Entwässerung oder vom Menschen verursachte Landschaftsveränderungen entscheidend sein.

Ein bedeutender Innovationsschritt dieser Forschung ist die Verwendung von „Gegenfaktischen“, einer Methode, die simuliert, welche Änderungen erforderlich sind, um ein instabiles Gebiet zu stabilisieren. Beispielsweise könnte eine Verringerung der Hangneigung, eine Verbesserung der Entwässerung oder die Stärkung der Vegetation ausreichen, um einen Erdrutsch zu verhindern. Diese Werkzeuge helfen den Behörden, Präventionsmaßnahmen zu priorisieren und die zugrundeliegenden Mechanismen besser zu verstehen.

Dieser Ansatz verbindet Präzision und Transparenz und bietet Risikomanagern und Stadtplanern einen zuverlässigen Rahmen für fundierte Entscheidungen. Er könnte auch in anderen Regionen der Welt angewendet werden, die mit ähnlichen Herausforderungen konfrontiert sind, und so die Sicherheit der Bevölkerung und die Widerstandsfähigkeit der Infrastruktur verbessern.

Sources et crédits

Étude source

DOI : https://doi.org/10.1007/s41748-026-01114-6

Titre : Explainable AI (xAI) for Landslide Susceptibility Modeling: A Comparative Analysis of Machine Learning and Deep Learning Approaches

Revue : Earth Systems and Environment

Éditeur : Springer Science and Business Media LLC

Auteurs : Ambikesh Dwivedi; Surya Sarat Chandra Congress; Raul Velasquez; Prince Kumar; Ujwalkumar Patil