Een geïntegreerde multi-risico-evaluatie met machine learning in het complexe terrein van Noord-Pakistan

Waarom dit bergverhaal ertoe doet

De Hunza-vallei in Noord-Pakistan is beroemd om zijn steile toppen en gletsjers — maar het is ook een van de gevaarlijkste landschappen op aarde. Steile hellingen, smeltend ijs, hevige stormen en actieve breukzones betekenen dat dorpen, wegen en megaprojecten gelijktijdig aan allerlei vormen van rampen worden blootgesteld. Deze studie laat zien hoe moderne data en machine learning gecombineerd kunnen worden om één duidelijk en gebruiksvriendelijk beeld te schetsen van waar meerdere gevaren elkaar overlappen, en zo mensen, infrastructuur en vitale handelsroutes in deze kwetsbare hooggebergteregio te beschermen.

Een vallei met vele bedreigingen

Het district Hunza ligt in het ruige Karakoram, waar rivierkloven door gesteente snijden dat stijgt van ongeveer 1.800 meter tot bijna 7.800 meter boven zeeniveau. Reusachtige gletsjers voeden de Hunza-rivier, die op haar beurt miljoenen mensen stroomafwaarts van water en energie voorziet. Maar dezelfde krachten die dit gebied tot een krachtig watertorentje maken, scheppen ook gevaar. Zware zomerse regenval, snelle sneeuw- en ijsafsmelting, losse bodems en actieve breuklijnen werken samen en veroorzaken aardverschuivingen, puinstromen, plotselinge wolkbreuken en uitbarstingen van gletsjermeren (GLOF’s). Aardbevingen kunnen al gebroken hellingen doen schudden en zo ketens van rotslawines en overstromingen in gang zetten. Omdat wegen, huizen en landbouwgrond in smalle valleibodems geperst zitten, kan zelfs een middelgroot incident ernstige gevolgen hebben, zoals eerdere rampen lieten zien die dorpen verwoestten, rivieren blokkeerden en de Karakoram Highway — Pakistan’s enige landverbinding met China — beschadigden.

Van verspreide kaarten naar één groot overzicht

Tot nu toe richtten de meeste studies zich op één gevaar tegelijk — alleen aardverschuivingen of alleen overstromingen, bijvoorbeeld. Die aanpak mist hoe gevaren elkaar kunnen gelijktijdig treffen of elkaar kunnen uitlokken, en kan planners misleiden die wegen, bruggen en nederzettingen moeten ontwerpen voor de echte omstandigheden. De auteurs wilden een geïntegreerd ‘multi-hazard’ beeld voor Hunza opbouwen. Ze verzamelden een breed scala aan informatie: gedetailleerde hoogtegegevens, helling en kromming van het terrein, afstand tot rivieren en wegen, neerslagpatronen, landbedekking en begroeiing, sneeuw- en gletsjerindicatoren, onderliggende gesteentetypen en bestaande kaarten van gletsjermeergevaar en schudintensiteit. In totaal werden achttien geo-omgevingsfactoren in overweging genomen, die laten zien hoe water, zwaartekracht, klimaat en geologie op de grond met elkaar in wisselwerking staan.

Een digitale woud leren het landschap lezen

Om deze berg data om te zetten in bruikbare aanwijzingen gebruikte het team een machine learning-methode die bekendstaat als een bos-gebaseerd classificatie- en regressiemodel, een praktische variant van de populaire ‘random forest’-benadering. Ze stelden eerst inventarissen samen van waar gevaren hebben plaatsgevonden — aardverschuivingen, plotselinge overstromingen, puinstromen, aardbevingsgevoelige zones en GLOF-gebieden — en koppelden deze locaties aan de omgevingscondities op elk punt. Het algoritme leerde vervolgens welke combinaties van helling, neerslag, gesteentetype, begroeiing en andere factoren gevaarlijke plekken het beste onderscheiden van veiligere plekken. Door herhaaldelijk vele beslisboommodellen op verschillende steekproeven te bouwen en hun resultaten te middelen, produceerde het model betrouwbare kwetsbaarheidskaarten voor elk gevaar. Statistische controles toonden sterke prestaties, wat betekent dat het model vaker dan niet hoge- en laagrisicogebieden correct kon onderscheiden.

Waar de gevaren zich ophopen

Nadat de individuele kaarten waren gemaakt, brachten de onderzoekers ze op dezelfde schaal en combineerden ze tot één enkele multi-hazardkaart. De resultaten laten zien dat meer dan 40 procent van Hunza aan ten minste één significant gevaar blootstaat, en dat kleinere maar kritieke delen tegelijk aan meerdere gevaren worden blootgesteld. Ongeveer een vijfde van het district is sterk vatbaar voor alleen aardverschuivingen, terwijl andere zones vooral worden bedreigd door plotselinge overstromingen of puinstromen. De meest alarmerende gebieden — hoewel relatief klein van omvang — zijn waar seismische trillingen, puinstromen, aardverschuivingen en plotselinge overstromingen samenkomen. Deze overlappende brandpunten concentreren zich in de centrale en lagere delen van de vallei langs riviercorridors en de Karakoram Highway, waar nederzettingen, landbouwgrond en belangrijke infrastructuur dicht op elkaar zitten. Zelfs regio’s die als ‘laag risico’ zijn geclassificeerd, worden vaak bedekt door gletsjers en sneeuw, wat planners eraan herinnert dat toekomstige opwarming de risicopatronen kan verschuiven.

Van kaarten naar veiligere toekomst

Voor niet-specialisten is de kernboodschap helder: in een landschap als Hunza vertelt geen enkel risico het hele verhaal. Deze studie toont aan dat door satellietgegevens, veldwaarnemingen, deskundig oordeel en machine learning te combineren, het mogelijk is duidelijke kaarten te maken die laten zien waar meerdere bedreigingen overlappen en waar beschermende actie het meest urgent is. Hoewel het werk zich richt op kwetsbaarheid — de waarschijnlijkheid dat natuurlijke processen schadelijke gebeurtenissen kunnen veroorzaken — biedt het een krachtig fundament voor slimmer grondgebruik, veiliger plaatsing van wegen en dammen en gerichte vroegwaarschuwing en evacuatieplanning. Nu de klimaatverandering extreme weersomstandigheden verergert en de gletsjers sneller doet smelten, zullen zulke geïntegreerde, datagedreven instrumenten essentieel zijn om berggemeenschappen in Pakistan en daarbuiten te helpen zich aan te passen en te overleven.

Bronvermelding: 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

Trefwoorden: multi-risico kaarten, bergongevallen, machine learning, Hunza-vallei, rampenoebeperking