Fernerkundungsbasierte Prognose von Erdrutschen und Risikoabschätzung mit einem hybriden CNN–LSTM-Deep-Learning-Modell

Warum das Wissen, wo Hänge versagen könnten, Leben retten kann

Erdrutsche können mit wenig Vorwarnung auftreten, Häuser verschütten, Straßen blockieren und wichtige Infrastruktur beschädigen. In Bergregionen, besonders dort, wo starker Regen fällt und der Untergrund bereits belastet ist, leben und reisen Menschen unter Hängen, deren Stabilität mit bloßem Auge schwer zu beurteilen ist. Diese Studie zeigt, wie Satellitendaten und eine fortschrittliche Form eines mustererkennenden Computermodells zusammenwirken können, um jene Teile einer großen Region zu identifizieren, die am wahrscheinlichsten abrutschen — und damit Planern und Einsatzleitern ein wirkungsvolles neues Instrument zur Risikominderung zu geben.

Risikoreiche Hänge aus dem Weltraum sehen

Die Forschenden konzentrieren sich auf die Provinz Kerman im Südosten Irans, eine Landschaft aus hohen Gebirgen, tiefen Tälern und trockenen Ebenen, geprägt von aktiven Verwerfungen und rauem Klima. In solch zerklüftetem Gelände sind traditionelle Feldbegehungen langsam und lückenhaft. Stattdessen nutzt das Team Fernerkundung: Satellitenbilder, die Landbedeckung und Vegetation zeigen, sowie digitale Höhenmodelle, die Geländeform und Steilheit beschreiben. Aus diesen Quellen leiten sie zentrale Eigenschaften wie Hangneigung, Exposition und Indikatoren dafür ab, wie Wasser sich sammelt oder abfließt. Sie kartieren außerdem die Entfernung jeder Stelle zu Flüssen, Straßen und Verwerfungen und klassifizieren die Landnutzung, von Ackerflächen bis zu blankem Fels.

Der Wasserverlauf im Zeitverlauf

Erdrutsche werden jedoch nicht nur durch die Form des Geländes angetrieben. Wasser, das als Regen fällt oder in Reservoirs gespeichert ist, kann Hänge allmählich schwächen, bis sie versagen. Um diese sich verändernde Seite des Problems zu erfassen, stellt die Studie tägliche Aufzeichnungen zu Niederschlag und Stauseinspiegeln zusammen. Für jeden Punkt in der Region betrachtet das Modell die 30 Tage vor einem bekannten Erdrutsch — oder vor einer Periode ohne Versagen — um zu sehen, wie viel Wasser angekommen ist und wie es sich von Tag zu Tag verändert hat. Dieses rollierende Einmonatfenster erlaubt der Methode, nicht nur extreme Platzregen zu erkennen, sondern auch die kumulative Wirkung vieler nasser Tage, die den Boden langsam sättigen.

Ein hybrides Modell lernen, Raum und Zeit zu lesen

Im Kern der Arbeit steht ein hybrides Deep-Learning-Modell, das zwei komplementäre Techniken kombiniert. Ein Teil, genannt Convolutional Neural Network, ist auf die Erkennung räumlicher Muster spezialisiert. Er untersucht kleine Ausschnitte der geschichteten Gelände- und Landnutzungsdaten und lernt, welche Kombinationen aus Hangneigung, Gesteinsart und anderen Faktoren mit früheren Erdrutschen zusammenhängen. Der andere Teil, ein Long Short-Term Memory-Netzwerk, ist darauf ausgelegt, Sequenzen zu verarbeiten. Es liest die 30-tägigen Reihen von Niederschlag und Stauseinfluss und lernt, welche zeitlichen Muster besonders gefährlich sind. Das Modell verbindet diese beiden Ströme — wo der Hang liegt und wie feucht er in letzter Zeit war — zu einer einzelnen Abschätzung der Rutschwahrscheinlichkeit für jeden Ort.

Tests anhand realer Erdrutsche

Um die Leistungsfähigkeit ihres Systems zu bewerten, stellen die Autorinnen und Autoren ein Inventar von 719 dokumentierten Erdrutschen aus Berichten, Feldkontrollen und detaillierten Bildern zusammen und ordnen ihnen dieselbe Anzahl stabiler Standorte gegenüber. Sie teilen diese Daten in Trainings- und unabhängige Testsätze auf und stellen sicher, dass das Modell die Testbeispiele während des Lernens nie zu sehen bekommt. Bei der Prüfung an den unbekannten Fällen unterscheidet das hybride Modell Erdrutsch- von Nicht-Erdrutsch-Stellen in mehr als 95 Prozent der Fälle korrekt und erreicht einen der bestmöglichen Werte auf einer standardisierten diagnostischen Kurve. Es übertrifft weit verbreitete Methoden wie Support Vector Machines, Entscheidungsbäume, Random Forests und sogar einfachere Deep-Learning-Modelle, die nur Raum- oder nur Zeitinformationen nutzen.

Vorhersagen in nützliche Karten verwandeln

Mit dem trainierten Modell erzeugt das Team für jede Rasterzelle in der Provinz Kerman eine kontinuierliche Wahrscheinlichkeit für das Auftreten eines Erdrutsches und klassifiziert die Ergebnisse dann in geringe, mittlere, hohe und sehr hohe Gefährdung. Etwa ein Viertel der Region fällt in die Hochrisikogruppe, hauptsächlich auf steilen Hängen, wo Niederschlag und Stauseinschwankungen ausgeprägt sind, während ungefähr ein Drittel als geringes Risiko gilt. Wenn die Autorinnen und Autoren ihre Karte mit dem unabhängigen Erdrutsch-Inventar überlagern, liegen mehr als 86 Prozent der aufgezeichneten Ereignisse in den Bereichen mit hoher und sehr hoher Gefährdung, was zeigt, dass die Warnungen des Modells eng mit tatsächlichen Ausfällen übereinstimmen. Eine Analyse der Eingangsgrößen bestätigt, dass die Hangsteilheit der dominierende Faktor ist, dicht gefolgt von der jüngsten Gesamtniederschlagsmenge und Änderungen der Stausepiegel.

Was das für Menschen vor Ort bedeutet

Einfach gesagt demonstriert die Studie, dass die Kombination von „wo“-Informationen aus Satelliten mit „wann“-Informationen über Wasser ein deutlich schärferes Bild der Erdrutschgefahr liefert als jede der beiden allein. Das hybride Modell sagt nicht den genauen Tag eines Hangversagens voraus, aber es zeigt, welche Gebiete unter typischen nassen Bedingungen von Natur aus fragil sind. Dieses Wissen kann die Planung sichererer Straßen- und Gebäudestandorte lenken, Dörfer und Infrastruktur hervorheben, die Schutz oder Überwachung benötigen, und Einsatzplaner dabei unterstützen, knappe Ressourcen dort zu konzentrieren, wo sie am dringendsten gebraucht werden. Der Ansatz ist zudem flexibel: Mit geeigneten Daten lässt er sich auf andere Bergregionen übertragen, die ähnlichen Bedrohungen durch Schwerkraft und Wasser ausgesetzt sind.

Zitation: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

Schlüsselwörter: Empfindlichkeit gegenüber Erdrutschen, Fernerkundung, Deep Learning, Risikokartierung, Gefahrenvorhersage