Künstliche Intelligenz für Murgangprognose

In diesem Projekt untersuchen wir die Kombination von Expertenwissen und digitalisierten Daten zu Murgängen mit maschinellem Lernen zur laufenden Aktualisierung der Prognose der Murganggefahr.

Steckbrief

Beteiligte Departemente Hochschule für Agrar-, Forst- und Lebensmittelwissenschaften
Technik und Informatik
Institut(e) Institut für Optimierung und Datenanalyse (IODA)
Multifunktionale Waldwirtschaft
Forschungseinheit(en) Gebirgswald und Naturgefahren
Strategisches Themenfeld Themenfeld Nachhaltige Entwicklung
Laufzeit (geplant) 01.04.2025 - 31.12.2025
Projektleitung Prof. Dr. Luuk Dorren
Prof. Dr. Vidushi Christina Bigler
Projektmitarbeitende Prof. Dr. Luuk Dorren
Alexandra Erbach
Christoph Schaller
Benjamin Noah Fankhauser
Partner Bundesforschungsanstalt für Wald (BFW)
Schlüsselwörter Murgang, KI, machine learning, Naturgefahren

Ausgangslage

Die extremen Niederschläge von Juni/Juli 2024, die zu Murgängen in GR, VS, TI und BE geführt haben, zeigten wieder, dass im Alpenraum seit einigen Jahren fast jährlich Todesfälle sowie hohe Sachkosten zu beklagen sind. Es besteht wissenschaftlicher Konsens, dass die Zunahme dieser Ereignisse auf den Klimawandel zurückzuführen ist. Um eine nachhaltige Entwicklung der Siedlungsräume in den Alpentälern zu gewährleisten, müssen wir uns besser auf solche Ereignisse vorbereiten können. Aktuell stehen verschiedene Naturgefahren Bulletins für die Öffentlichkeit und detaillierte Vorhersagen für Experten zur Verfügung. Bislang fehlen dabei aber Werkzeuge zur aktuellen und realitätsnahen Vorhersage von schädlichen Murgängen mit grossen Geschiebevolumen. Durch die Nutzung von KI in Kombination mit Big Data könnte eine schweizweite Vorhersage schädlicher Murgänge machbar und damit eine bessere Vorbereitung für den Ernstfall ermöglich werden.

Vorgehen

(1) Bedarfsanalyse: welche Informationen, in welcher Genauigkeit, zeitlicher und räumlicher Auflösung müssen für eine nützliche Murgang-Warnung vorliegen. (2) Sammlung von Geodaten zu Einzugsgebieten (EZG) schädlicher Murgänge in der Schweiz, Liechtenstein und Österreich (insgesamt >3000) von denen das Ereignisdatum sowie geschätzte Volumen bekannt ist. (3) Preprocessing: für die gewählten EZG werden Covariablen u.a. zur Bodenbedeckung, Topographie, Geologie und Meteodaten (z.B. CombiPrecip Daten) vor/während dem Murgang erfasst. Dazu kommen Daten zu aufgetretenen Rutschungen und Fels-/Bergstürzen im EZG. (4) Machine Learning und Deep Learning (ML/DL): eine zufällige Teilmenge der Daten wird als Validierungssatz verwendet. Verschiedene ML/DL Modelle werden mit den verbleibenden Trainingsdaten einer x-fachen Kreuzvalidierung unterzogen, um die Quantifizierung der Vorhersage-Güte zu überprüfen.