Op basis van remote sensing: voorspellng van aardverschuivingen en risicoanalyse met een hybride CNN–LSTM deep learning-model

Waarom weten waar hellingen kunnen falen levens kan redden

Aardverschuivingen kunnen met weinig waarschuwing toeslaan, huizen begraven, wegen blokkeren en vitale infrastructuur beschadigen. In bergachtige gebieden, vooral waar veel regen valt en de grond al onder spanning staat, wonen en reizen mensen onder hellingen waarvan de stabiliteit met het blote oog moeilijk te beoordelen is. Deze studie laat zien hoe satellietgegevens en een geavanceerd patroonherkennend computermodel samen kunnen bepalen welke delen van een groot gebied het meest waarschijnlijk schuiven, waardoor planners en hulpverleners een krachtig nieuw middel krijgen om risico’s te verkleinen.

Risicovolle hellingen vanuit de ruimte waarnemen

De onderzoekers richten zich op de provincie Kerman in zuidoostelijk Iran, een landschap van hoge bergen, diepe valleien en droge vlakten gevormd door actieve breuken en een streng klimaat. In zo’n ruig terrein zijn traditionele veldonderzoeken traag en onvolledig. Het team gebruikt daarom remote sensing: satellietbeelden die landbedekking en vegetatie laten zien, en digitale hoogtemodellen die hoogte en steilheid van het terrein beschrijven. Uit deze bronnen halen ze belangrijke eigenschappen zoals hellingshoek, oriëntatie en indicatoren voor hoe water zich verzamelt of stroomt. Ze brengen ook in kaart hoe dicht elke locatie bij rivieren, wegen en breuken ligt en classificeren het landgebruik, van landbouw tot kale rotsen.

Het verhaal van water door de tijd volgen

Aardverschuivingen worden echter niet alleen door de vorm van het land aangedreven. Water, gekomen als regen of opgeslagen in reservoirs, kan hellingen geleidelijk verzwakken totdat ze falen. Om dit veranderlijke aspect vast te leggen, verzamelt de studie dagelijkse registraties van neerslag en reservoirpeilen. Voor elke plek in de regio kijkt het model terug over de 30 dagen voorafgaand aan een bekende aardverschuiving — of naar een periode zonder falen — om te zien hoeveel water er viel en hoe dat van dag tot dag veranderde. Dit rollende venster van één maand stelt de methode in staat niet alleen extreme stortbuien te herkennen, maar ook het cumulatieve effect van vele natte dagen die de grond langzaam verzadigen.

Een hybride model leren ruimte en tijd te lezen

Het hart van het werk is een hybride deep learning-model dat twee complementaire technieken combineert. Het ene deel, een convolutioneel neuraal netwerk, is gespecialiseerd in het herkennen van ruimtelijke patronen. Het onderzoekt kleine patches van de gestapelde terrein- en landgebruikslaagen en leert welke combinaties van helling, gesteentetype en andere factoren vaak met eerdere aardverschuivingen samenhangen. Het andere deel, een long short-term memory-netwerk, is ontworpen om met sequenties om te gaan. Het leest de 30-daagse ketens van neerslag en reservoirpeilen en leert welke temporele patronen het gevaarlijkst zijn. Het model voegt deze twee stromen samen — waar de helling is en hoe nat het de laatste tijd is geweest — tot één enkele inschatting van de kans dat elke locatie zal schuiven.

Testen aan de hand van echte aardverschuivingen

Om te beoordelen hoe goed hun systeem werkt, stellen de auteurs een inventaris samen van 719 gedocumenteerde aardverschuivingen uit rapporten, veldcontroles en gedetailleerde beelden, en koppelen deze aan een gelijk aantal stabiele locaties. Ze splitsen deze gegevens in trainings- en onafhankelijke testsets, waarbij ze ervoor zorgen dat het model de testvoorbeelden nooit tijdens het leren te zien krijgt. Wanneer het model wordt getest op de niet eerder geziene gevallen, onderscheidt het hybride model aardverschuivingen van niet-verschuivingen in meer dan 95 procent van de gevallen correct en levert het een van de hoogst mogelijke scores op een standaard diagnostische curve. Het presteert beter dan veelgebruikte methoden zoals support vector machines, decision trees, random forests en zelfs eenvoudigere deep learning-modellen die alleen ruimte of alleen tijd gebruiken.

Voorspellingen omzetten in bruikbare kaarten

Met het getrainde model genereert het team een continue waarschijnlijkheid van het optreden van aardverschuivingen voor elke rastercel in de provincie Kerman, en classificeert de resultaten vervolgens in lage, matige, hoge en zeer hoge vatbaarheid. Ongeveer een kwart van de regio valt in de hoog-risicogroep, voornamelijk op steile hellingen waar neerslag en veranderingen in reservoirs uitgesproken zijn, terwijl ongeveer een derde als laag risico wordt beschouwd. Wanneer de auteurs hun kaart over de onafhankelijke inventaris van aardverschuivingen leggen, valt meer dan 86 procent van de geregistreerde gebeurtenissen binnen de hoge en zeer hoge zones, wat aantoont dat de waarschuwingen van het model nauw aansluiten bij echte falingen. Een analyse van de invoerdata bevestigt dat hellingssteilheid de dominante factor is, op de voet gevolgd door de totale recente neerslag en verschuivingen in reservoirniveaus.

Wat dit betekent voor mensen ter plaatse

Kort gezegd toont de studie aan dat het combineren van “waar”-informatie van satellieten met “wanneer”-informatie over water een veel scherper beeld van aardverschuivingsgevaar oplevert dan elk van beide afzonderlijk. Het hybride model voorspelt niet de exacte dag waarop een helling zal falen, maar het laat wel zien welke gebieden in wezen kwetsbaar zijn onder typische natte omstandigheden. Die kennis kan veiligere locaties voor wegen en gebouwen aanwijzen, dorpen en infrastructuur identificeren die bescherming of monitoring nodig hebben, en hulpverleningsplanners helpen schaarse middelen te richten waar ze het meest nodig zijn. De aanpak is ook flexibel: met geschikte gegevens kan ze worden aangepast aan andere bergachtige regio’s die met vergelijkbare dreigingen van zwaartekracht en water te maken hebben.

Bronvermelding: 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

Trefwoorden: vatbaarheid voor aardverschuivingen, remote sensing, deep learning, risicokaartering, gevarenvoorspelling