Voorspelling van aardverschuivingsgevoeligheid met behulp van ANN-modellen geoptimaliseerd door evolutionaire algoritmen

Waarom het kaartieren van onstabiele heuvels belangrijk is

Aardverschuivingen kunnen een rustige helling binnen enkele seconden veranderen in een dodelijke stroom van steen en modder. Naarmate wegen, dorpen en landbouw zich uitbreiden in steil terrein, wordt het essentieel om te weten welke hellingen het meest waarschijnlijk falen om levens en geld te sparen. Deze studie onderzoekt hoe moderne computer-"leer"methoden verspreide observaties van vroegere aardverschuivingen en omgevingscondities kunnen omzetten in gedetailleerde kaarten die aangeven waar toekomstige schuivingen het meest waarschijnlijk zullen optreden.

De verborgen waarschuwingssignalen van het landschap lezen

De onderzoekers concentreerden zich op de provincie Oost-Azerbeidzjan in het noordwesten van Iran, een grotendeels bergachtig gebied waar aardverschuivingen veel voorkomen en waar een groeiende bevolking en infrastructuur steeds meer risico lopen. Ze stelden een gedetailleerd beeld van het landschap samen met 16 verschillende factoren die de hellingstabiliteit beïnvloeden. Deze omvatten natuurlijke kenmerken zoals hoogte, hellingsgraad, neerslag, bodem- en gesteentetypen, vegetatiebedekking en de ruigheid van het terrein, evenals door mensen veroorzaakte factoren zoals afstand tot wegen en rivieren. Met behulp van satellietbeelden, digitale hoogtekaarten en langjarige neerslagreeksen converteerden ze deze ruwe informatie naar uniforme kaartlagen en bouwden ze een inventaris van aardverschuivingen: locaties waar al aardverschuivingen hadden plaatsgevonden en nabijgelegen plaatsen waar hellingen stabiel waren gebleven.

Computers leren risicovolle hellingen herkennen

Om patronen te leren die verborgen liggen in deze complexe mix van gegevens, gebruikte het team kunstmatige neurale netwerken — computermodellen geïnspireerd op de manier waarop hersencellen informatie verwerken. Deze netwerken nemen veel invoerwaarden, leiden die door meerdere interne lagen van eenvoudige wiskundige eenheden en produceren een uitvoer: in dit geval hoe waarschijnlijk het is dat een bepaald punt op de kaart gevoelig is voor aardverschuivingen. De wetenschappers experimenteerden met verschillende netwerkdieptes en aantallen interne eenheden, op zoek naar een structuur die de niet-lineaire relaties tussen veel factoren kon vastleggen zonder zo ingewikkeld te worden dat het alleen de trainingsdata uit het hoofd leerde. Ze ontdekten dat een dieper netwerk met meerdere verborgen lagen de beste balans bood tussen flexibiliteit en betrouwbaarheid.

Evolutionaire verfijning van de modellen

In plaats van het netwerk met de hand aan te passen, wendden de auteurs zich tot zogenaamde evolutionaire algoritmen — zoekmethoden die natuurlijke processen nabootsen zoals zwaartekracht, gedrag van dieren en de interactie van meerdere universums. Er werden vier verschillende optimalisatiestrategieën getest: een door zwarte gaten geïnspireerde methode, een koekoeksneststrategie, een multiverse-optimalisator en een vortex-achtige zoekmethode. Elk van deze paste herhaaldelijk de interne instellingen van het netwerk aan en evalueerde hoe goed het bekende aardverschuivingslocaties van stabiele gebieden kon scheiden. Gedurende vele cycli "evolueerden" deze algoritmen versies van het neurale netwerk die kleinere fouten en consistentere voorspellingen gaven dan een standaard, niet-geoptimaliseerd netwerk.

Van cijfers naar praktische risico-kaarten

Met deze getunede modellen genereerde het team kaarten van de gevoeligheid voor aardverschuivingen die elk deel van Oost-Azerbeidzjan classificeren in vijf niveaus, variërend van zeer laag tot zeer hoog risico. De resulterende patronen waren geografisch logisch: clusters met hoge en zeer hoge gevoeligheid verschenen vooral in de noordelijke, centrale en zuidoostelijke delen van de provincie, waar steile hellingen, hogere neerslag en bepaalde landgebruiken samenkomen. Gebieden in het westen en het uiterste zuidoosten vielen vaak in de lage of zeer lage categorieën. Van de vier hybride modellen was het door het multiverse-geïnspireerde neurale netwerk het meest nauwkeurig en stabiel, met succespercentages boven 80 procent en bijna perfecte scores op standaard tests van classificatieprestaties.

Wat dit betekent voor mensen die onder steile hellingen wonen

Voor niet-specialisten is de kernboodschap dat het combineren van slimme computerleeroplossingen met ideeën ontleend aan de natuur zeer gedetailleerde, betrouwbare kaarten kan opleveren van waar aardverschuivingen het meest waarschijnlijk toeslaan. Deze kaarten kunnen richting geven bij waar wegen en huizen gebouwd moeten worden, waar bestaande hellingen versterkt moeten worden en waar vroegwaarschuwingssystemen en noodplanning moeten worden geconcentreerd. Hoewel de studie is geworteld in één provincie in Iran, kan het raamwerk — zorgvuldig selecteren van omgevingsfactoren, trainen van neurale netwerken en het aanscherpen ervan met evolutionair zoeken — worden aangepast aan andere bergachtige regio’s wereldwijd. Kortom, het werk toont aan dat digitale hulpmiddelen decennia aan verspreide observaties kunnen omzetten in praktische, kosteneffectieve richtlijnen om aardverschuivingsrampen te verminderen.

Bronvermelding: Cifci, M.A., Hu, X., Öney, B. et al. Prediction of landslide susceptibility through ANN models optimized by evolutionary algorithms. Sci Rep 16, 9471 (2026). https://doi.org/10.1038/s41598-026-39458-8

Trefwoorden: gevoeligheid voor aardverschuivingen, kunstmatige neurale netwerken, evolutionaire algoritmen, gevaarkaarten, rampenrisicoreductie