Erdrutsche stellen ein erhebliches geologisches Risiko dar und verursachen jedes Jahr betr\u00e4chtliche Sch\u00e4den an Infrastruktur und Menschenleben. In Minnesota, einer Region, die durch die Eiszeit gepr\u00e4gt wurde, sind diese Ph\u00e4nomene auf regionaler Ebene nur unzureichend kartiert. Eine aktuelle Studie hat fortschrittliche Methoden der k\u00fcnstlichen Intelligenz genutzt, um die erste detaillierte Risikokarte f\u00fcr diesen US-Bundesstaat zu erstellen.<\/p>\n
F\u00fcnf Modelle des maschinellen Lernens und des Deep Learning wurden verglichen, um die am st\u00e4rksten gef\u00e4hrdeten Gebiete zu identifizieren. Zwei Ans\u00e4tze erwiesen sich dabei als besonders wirksam: Random Forests und ein spezialisiertes neuronales Netz namens TabKANet. Diese Modelle analysierten Daten wie Hangneigung, H\u00f6he, Landnutzung und Niederschlag. Die Ergebnisse zeigen, dass steile H\u00e4nge und Gebiete in niedriger H\u00f6he am anf\u00e4lligsten sind, lokale Faktoren wie Wasseransammlungen oder menschliche Aktivit\u00e4ten jedoch ebenfalls eine entscheidende Rolle spielen k\u00f6nnen.<\/p>\n
Die Studie nutzte zudem eine Technik namens SHAP, um zu erkl\u00e4ren, wie jeder Faktor das Risiko beeinflusst. Beispielsweise erh\u00f6ht eine steilere Neigung deutlich die Wahrscheinlichkeit eines Erdrutschs, w\u00e4hrend eine geringere H\u00f6he, oft verbunden mit wasserges\u00e4ttigten B\u00f6den, die Situation versch\u00e4rft. Vor Ort k\u00f6nnen jedoch auch andere Elemente wie Entw\u00e4sserung oder vom Menschen verursachte Landschaftsver\u00e4nderungen entscheidend sein.<\/p>\n
Ein bedeutender Innovationsschritt dieser Forschung ist die Verwendung von \u201eGegenfaktischen\u201c, einer Methode, die simuliert, welche \u00c4nderungen erforderlich sind, um ein instabiles Gebiet zu stabilisieren. Beispielsweise k\u00f6nnte eine Verringerung der Hangneigung, eine Verbesserung der Entw\u00e4sserung oder die St\u00e4rkung der Vegetation ausreichen, um einen Erdrutsch zu verhindern. Diese Werkzeuge helfen den Beh\u00f6rden, Pr\u00e4ventionsma\u00dfnahmen zu priorisieren und die zugrundeliegenden Mechanismen besser zu verstehen.<\/p>\n
Dieser Ansatz verbindet Pr\u00e4zision und Transparenz und bietet Risikomanagern und Stadtplanern einen zuverl\u00e4ssigen Rahmen f\u00fcr fundierte Entscheidungen. Er k\u00f6nnte auch in anderen Regionen der Welt angewendet werden, die mit \u00e4hnlichen Herausforderungen konfrontiert sind, und so die Sicherheit der Bev\u00f6lkerung und die Widerstandsf\u00e4higkeit der Infrastruktur verbessern.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s41748-026-01114-6<\/a><\/p>\n Titre\u00a0:<\/strong> Explainable AI (xAI) for Landslide Susceptibility Modeling: A Comparative Analysis of Machine Learning and Deep Learning Approaches<\/p>\n Revue : <\/strong> Earth Systems and Environment<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Ambikesh Dwivedi; Surya Sarat Chandra Congress; Raul Velasquez; Prince Kumar; Ujwalkumar Patil<\/p>\n","protected":false},"excerpt":{"rendered":" Wie k\u00fcnstliche Intelligenz die Vorhersage von Erdrutschen in Minnesota verbessert Erdrutsche stellen ein erhebliches geologisches Risiko dar und verursachen jedes Jahr betr\u00e4chtliche Sch\u00e4den an Infrastruktur und Menschenleben. In Minnesota, einer Region, die durch die Eiszeit gepr\u00e4gt wurde, sind diese Ph\u00e4nomene auf regionaler Ebene nur unzureichend kartiert. Eine aktuelle Studie hat fortschrittliche Methoden der k\u00fcnstlichen Intelligenz… Wie k\u00fcnstliche Intelligenz die Vorhersage von Erdrutschen in Minnesota verbessert<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7,5],"tags":[],"class_list":["post-25","post","type-post","status-publish","format-standard","hentry","category-international","category-mensch-humanitaer","entry"],"_links":{"self":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/25","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/comments?post=25"}],"version-history":[{"count":1,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/25\/revisions"}],"predecessor-version":[{"id":26,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/posts\/25\/revisions\/26"}],"wp:attachment":[{"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/media?parent=25"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/categories?post=25"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/journalofartificialintelligence.com\/de\/wp-json\/wp\/v2\/tags?post=25"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}