Geologen nutzen künstliche Intelligenz zur Verbesserung der Erdrutschvorhersage

Geologen an der UCLA haben eine bahnbrechende Technik entwickelt, die künstliche Intelligenz (KI) nutzt, um die Vorhersage von Erdrutschen zu verbessern. Diese innovative Methode, die in einem in „Communications Earth & Environment“ veröffentlichten Papier beschrieben wird, bietet im Vergleich zu traditionellen prädiktiven Modellen eine höhere Genauigkeit und Interpretierbarkeit. Durch die Nutzung der Kraft der KI zielen Geologen darauf ab, Leben und Eigentum in Regionen zu schützen, die anfällig für Naturkatastrophen sind, wie Kalifornien, wo das Zusammentreffen von Dürren, Waldbränden und Erdbeben das Risiko verheerender Erdrutsche erhöht.

Die Vorhersage des Auftretens von Erdrutschen ist eine komplexe Aufgabe, die von mehreren Faktoren beeinflusst wird, darunter Geländegestalt, Hangneigung, Entwässerungsgebiete, Boden- und Gesteinseigenschaften sowie Umweltbedingungen wie Klima, Niederschlag, Hydrologie und Bodenbewegungen infolge von Erdbeben. Geologen integrieren diese Faktoren traditionell in physikalische und statistische Modelle, um Erdrutschrisiken einzuschätzen. Während diese Modelle relativ genaue Vorhersagen liefern können, erfordern physikalische Modelle erhebliche Zeit und Ressourcen und sind nicht für den großflächigen Einsatz geeignet. Statistische Modelle hingegen bieten keine Transparenz hinsichtlich der Bewertung von Risikofaktoren.

Nutzung von KI für die Erdrutschvorhersage

Seit Jahren trainieren Forscher KI-Maschinenlernmodelle, insbesondere tiefe neuronale Netze (DNNs), um Erdrutsche vorherzusagen. Diese vernetzten Algorithmen-Netzwerke sind hervorragend darin, große Datenmengen zu verarbeiten und schnell daraus zu lernen, was zu hochgenauen Vorhersagen führt. Allerdings haben DNNs Einschränkungen, wenn es darum geht, ihre Vorhersagen zu erklären und die spezifischen Variablen zu identifizieren, die zum Auftreten von Erdrutschen beitragen.

Um die Einschränkungen von DNNs zu adressieren, entwickelten Forscher der UCLA eine Methode, die eine Art von KI namens superponierbares neuronales Netzwerk (SNN) nutzt. Im Gegensatz zu DNNs trennen SNNs die Ergebnisse aus verschiedenen Dateneingaben, was eine nützlichere Analyse der wichtigsten beitragenden Faktoren zu Naturkatastrophen ermöglicht. Das Forschungsteam fütterte das SNN mit Daten zu verschiedenen geospatialen und klimatischen Variablen, die für die östlichen Himalaya-Berge relevant sind, eine Region, die für ihre hohe Häufigkeit von Erdrutschen bekannt ist. Das SNN-Modell zeigte eine mit DNNs vergleichbare Genauigkeit bei der Vorhersage der Erdrutschanfälligkeit, während es gleichzeitig Einblicke in die Variablen lieferte, die eine signifikante Rolle bei den Ergebnissen spielen.

Auflösung von Variablen und Reduzierung der Rechenressourcen

Die Fähigkeit des SNN-Modells, Schlüsselvariablen zu identifizieren und ihren Beitrag zur Erdrutschanfälligkeit zu quantifizieren, bietet Geologen wertvolle Einblicke. Darüber hinaus erfordert dieser Ansatz im Vergleich zu DNNs weniger Computerressourcen, was ihn effizient und anpassungsfähig macht, selbst bei begrenzter Rechenleistung. Die Forscher betonen, dass ihr SNN-Modell auf Geräten so klein wie einer Apple Watch ausgeführt werden kann, wodurch die Notwendigkeit leistungsstarker Computerserver entfällt.

Zukünftige Anwendungen und Frühwarnsysteme

Das UCLA-Forschungsteam plant, seine Arbeit auf andere erdrutschgefährdete Regionen weltweit auszuweiten. Besonders in Gebieten wie Kalifornien, wo das Zusammenkommen häufiger Waldbrände und Erdbeben die Erdrutschrisiken verschärft, könnte das neue KI-Vorhersagemodell bei der Entwicklung von Frühwarnsystemen helfen. Diese Systeme würden mehrere Signale integrieren und eine Reihe von Oberflächengefahren, einschließlich Überschwemmungen, vorhersagen, um die Vorbereitung und Reaktionsmaßnahmen zu verbessern.

Geologen an der UCLA haben erfolgreich KI-Technologie eingesetzt, um die Erdrutschvorhersage zu revolutionieren. Ihre Methode, die superponierbare neuronale Netze nutzt, bietet im Vergleich zu traditionellen Modellen eine verbesserte Genauigkeit und Interpretierbarkeit. Durch die Identifizierung von Schlüsselvariablen und die Quantifizierung ihres Beitrags ermöglicht dieser KI-Ansatz Geologen, die Faktoren, die Erdrutsche beeinflussen, besser zu verstehen. Mit der Fähigkeit, auf Geräten mit begrenzter Rechenleistung ausgeführt zu werden, hat dieses Modell das Potenzial, Frühwarnsysteme zu verbessern und Leben und Eigentum in erdrutschgefährdeten Regionen weltweit zu schützen.