Eine integrierte Multi-Gefährdungsbewertung mit maschinellem Lernen im komplexen Gelände Nordpakistans

Warum diese Berggeschichte wichtig ist

Das Hunza-Tal im Norden Pakistans ist berühmt für seine steilen Gipfel und Gletscher – aber es gehört auch zu den gefährlichsten Landschaften der Erde. Steile Hänge, schmelzendes Eis, heftige Stürme und aktive Verwerfungen bedeuten, dass Dörfer, Straßen und Großprojekte gleichzeitig vielen verschiedenen Gefahren ausgesetzt sind. Diese Studie zeigt, wie moderne Daten und maschinelles Lernen kombiniert werden können, um ein einheitliches, leicht verständliches Bild davon zu zeichnen, wo sich mehrere Gefährdungen überlagern, und so Menschen, Infrastruktur und wichtige Handelsrouten in dieser empfindlichen Hochgebirgsregion zu schützen.

Ein Tal unter vielen Bedrohungen

Der Distrikt Hunza liegt im rauen Karakorum, wo Flussschluchten durch Gestein schneiden, das sich von etwa 1.800 Metern bis fast 7.800 Metern über dem Meeresspiegel auftürmt. Riesige Gletscher speisen den Hunza-Fluss, der weiter talabwärts Millionen von Menschen mit Wasser und Energie versorgt. Aber dieselben Kräfte, die dies zu einem mächtigen Wasserturm machen, erzeugen auch Gefahren. Starke Sommerregen, rasches Schmelzen von Schnee und Eis, lockere Böden und aktive Verwerfungen führen zusammen zu Erdrutschen, Schuttströmen, plötzlichen Sturzfluten und glazialen Seeausbrüchen (GLOFs). Erdbeben können bereits aufgebrochene Hänge erschüttern und Ketten von Felsstürzen und Überflutungen auslösen. Weil Straßen, Häuser und Ackerland in den engen Talgründen gedrängt liegen, kann bereits ein mittleres Ereignis schwere Folgen haben, wie frühere Katastrophen zeigen, die Dörfer zerstörten, Flüsse verstopften und die Karakorum-Highway – Pakistans einzige Landverbindung nach China – abschnitten.

Von verstreuten Karten zu einem großen Gesamtbild

Bisher betrachteten die meisten Studien jeweils nur eine Gefährdung – etwa nur Erdrutsche oder nur Überflutungen. Dieser Ansatz übersieht, wie Gefahren zusammen auftreten oder sich gegenseitig auslösen können, und kann Planer in die Irre führen, die Straßen, Brücken und Siedlungen für die realen Bedingungen entwerfen müssen. Die Autorinnen und Autoren wollten eine integrierte „Multi-Gefährdungs“-Sicht für Hunza erstellen. Sie sammelten ein breites Spektrum an Informationen: detaillierte Geländehöhendaten, Hangneigung und Krümmung, Entfernung zu Flüssen und Straßen, Niederschlagsmuster, Landbedeckung und Vegetation, Schnee- und Gletscherindikatoren, zugrundeliegende Gesteinsarten sowie vorhandene Karten zu Gletscherseegefahren und Erschütterungsintensität. Insgesamt wurden achtzehn geo-umweltliche Faktoren berücksichtigt, die widerspiegeln, wie Wasser, Schwerkraft, Klima und Geologie vor Ort zusammenwirken.

Einem digitalen Wald beibringen, das Land zu lesen

Um diesen Berg von Daten in sinnvolle Handlungsleitlinien zu verwandeln, nutzte das Team ein maschinelles Lernverfahren, das als waldbasierter Klassifikations- und Regressionsansatz bekannt ist – eine praktische Form des verbreiteten „Random Forest“-Verfahrens. Zunächst stellten sie Inventare der Orte zusammen, an denen Gefahren aufgetreten sind – Erdrutsche, Sturzfluten, Schuttströme, erdbebengefährdete Zonen und GLOF-Gebiete – und verknüpften diese Standorte mit den jeweiligen Umweltbedingungen. Der Algorithmus lernte dann, welche Kombinationen aus Hangneigung, Niederschlag, Gesteinsart, Vegetation und anderen Faktoren gefährliche Stellen am besten von sichereren unterscheiden. Indem viele Entscheidungsbäume auf unterschiedlichen Stichproben wiederholt aufgebaut und ihre Ergebnisse gemittelt wurden, erzeugte das Modell zuverlässige Suszeptibilitätskarten für jede Gefährdung. Statistische Prüfungen zeigten starke Leistungen, was bedeutet, dass das Modell Hoch- und Niedrigrisikogebiete häufiger korrekt unterscheiden konnte als nicht.

Wo die Gefahren sich häufen

Nachdem die Einzelkarten erstellt waren, brachten die Forschenden sie auf dieselbe Skala und kombinierten sie zu einer einzigen Multi-Gefährdungskarte. Die Ergebnisse zeigen, dass mehr als 40 Prozent von Hunza mindestens einer bedeutenden Gefährdung ausgesetzt sind, und kleinere, aber kritische Teile mehreren gleichzeitig. Etwa ein Fünftel des Distrikts ist allein hoch anfällig für Erdrutsche, während andere Zonen hauptsächlich durch Sturzfluten oder Schuttströme bedroht sind. Die alarmierendsten Bereiche – wenn auch relativ klein flächenmäßig – sind jene, in denen seismische Erschütterungen, Schuttströme, Erdrutsche und Sturzfluten zusammenfallen. Diese überlappenden Hotspots gruppieren sich in den zentralen und unteren Teilen des Tals entlang der Flusskorridore und der Karakorum-Highway, wo Siedlungen, Ackerland und wichtige Infrastruktur konzentriert sind. Selbst Regionen, die als „niedrige Gefahr“ eingestuft werden, sind oft von Gletschern und Schnee bedeckt, was Planer daran erinnert, dass künftige Erwärmung die Risikomuster verschieben könnte.

Karten in sichere Zukunft verwandeln

Für Nichtfachleute ist die Kernbotschaft einfach: In einer Landschaft wie Hunza erzählt keine einzelne Gefährdung die ganze Geschichte. Diese Studie zeigt, dass sich durch die Kombination von Satellitendaten, Feldbeobachtungen, Expertinnen- und Expertenurteilen sowie maschinellem Lernen klare Karten erstellen lassen, die zeigen, wo sich mehrere Bedrohungen überlagern und wo Schutzmaßnahmen am dringendsten sind. Obwohl die Arbeit auf Suszeptibilität – die Wahrscheinlichkeit, dass natürliche Prozesse schädliche Ereignisse hervorbringen könnten – fokussiert, bietet sie eine starke Grundlage für klügere Landnutzungsentscheidungen, sicherere Standorte für Straßen und Staudämme sowie gezielte Frühwarn- und Evakuierungsplanung. Da der Klimawandel extreme Wetterereignisse verstärkt und das Gletscherschmelzen beschleunigt, werden solche integrierten, datengetriebenen Werkzeuge entscheidend sein, um Berggemeinschaften in Pakistan und weltweit bei der Anpassung und beim Gedeihen zu unterstützen.

Zitation: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

Schlüsselwörter: Multi-Gefährdungskartierung, Bergkatastrophen, maschinelles Lernen, Hunza-Tal, Katastrophenrisikominderung