Beoordeling van aardverschuivingsrisico onder specifieke neerslagscenario's op basis van een hybride CNN-TRIGRS en matrixbenadering: een casestudie van Meishan Town, provincie Zhejiang, China

Waarom glijdende hellingen ertoe doen in het dagelijks leven

Aardverschuivingen klinken misschien als zeldzame bergrampen, maar in veel heuvelachtige dorpen bedreigen ze elk regenseizoen huizen, wegen en elektriciteitsleidingen. In Meishan Town in oostelijk China zorgen frequente tyfonen en lange natte periodes er regelmatig voor dat de hellingen boven gemeenschappen doorweekt raken. Deze studie onderzoekt een nieuwe methode om vast te stellen welke delen van het landschap bij verschillende soorten regen het waarschijnlijkst bezwijken, en biedt zo lokale planners en bewoners duidelijkere aanwijzingen over waar het gevaar het grootst is en wanneer het het meest waarschijnlijk toeslaat.

Een stad tussen steile hellingen en hevige regen

Meishan Town ligt in een laaggebergte waar de hoogtes meestal tussen 160 en 250 meter liggen. Lagen van zwak gesteente zoals schalie verweren tot losse bodems die bovenop harder, minder doorlatend moedergesteente liggen. Wanneer regenwater in deze bodem sijpelt, kan het langs het contact met het moedergesteente druk opbouwen en het grensvlak glad maken. Samen met steile hellingen en beken die afstroming concentreren, maakt deze geologische situatie het gebied gevoelig voor ondiepe schuiven die de bovenste bodemlaag wegnemen, een patroon bevestigd door 45 geregistreerde aardverschuivingen geconcentreerd in de omliggende heuvels.

Het combineren van slimme leeralgoritmen met de fysica van hellingen

Om te begrijpen waar aardverschuivingen het vaakst beginnen, combineerden de onderzoekers twee typen instrumenten. Ten eerste gebruikten ze een vorm van kunstmatige intelligentie genaamd convolutioneel neurale netwerk, dat patronen rechtstreeks uit gegevens leert in plaats van te vertrouwen op handmatige regels. Het onderzocht tien kenmerken die een hellingsfalen kunnen beïnvloeden, waaronder hoogte, steilheid, gesteentetype, afstand tot rivieren en wegen, en vegetatiebedekking, om elk perceel van 30 bij 30 meter een gevoeligheidsscore toe te kennen. Ten tweede gebruikten ze een fysisch hellingsmodel dat simuleert hoe neerslag in de grond infiltreert en de veiligheidsmarge van de bodem op een helling vermindert, uitgedrukt als een veiligheidsfactor. Dit model, bekend als TRIGRS, volgt hoe veranderende waterdrukken tijdens stormen een helling van stabiel naar onstabiel kunnen duwen.

Verschillende stormen testen op dezelfde hellingen

Het team richtte zich op vier realistische neerslagscenario’s afgeleid van een decennium aan lokale weersgegevens. Deze varieerden van meerdere dagen van aanhoudende matige regen, via zware en stortbuien, tot korte maar intense wolkbreuken. Voor elk scenario schatte TRIGRS hoeveel van elke helling in verschillende stabiliteitsklassen kwam, van zeer stabiel tot zeer onstabiel. De resultaten toonden aan dat het grootste deel van het gebied veilig is onder droge omstandigheden, maar dat hevige neerslag, zelfs over enkele uren, de meest onstabiele zones sterk vergroot — vooral op steile hellingen nabij bassinranden en in de centrale heuvels waar eerdere aardverschuivingen geconcentreerd waren. Ook de duur is van belang, maar intense buien bleken bijzonder effectief in het snel ondermijnen van hellingssterkte.

Een duidelijk raster om waar en wanneer te combineren

Het vertalen van al deze informatie naar praktische risicokaarten vereiste een manier om de langetermijngevoeligheid in elk rastervak te combineren met de kortetermijnstabiliteit onder specifieke regen. De onderzoekers bouwden een eenvoudige beslismatrix die vijf niveaus van gevoeligheid kruist met vijf niveaus van stabiliteit. Elke combinatie krijgt een risiconiveau toegewezen, opnieuw in vijf stappen van zeer laag tot zeer hoog. Bijvoorbeeld: een vak dat zowel zeer gevoelig is als onstabiel onder een gegeven storm, wordt als hoog of zeer hoog risico gemarkeerd, terwijl een vak met lage gevoeligheid en stabiel gedrag laag risico blijft. Deze op regels gebaseerde tabel maakt het gecombineerde resultaat gemakkelijk te interpreteren: elke risicocategorie weerspiegelt zowel hoe vatbaar de grond is als hoe deze reageert op een bepaald neerslagpatroon.

Wat dit betekent voor mensen die op risicovolle hellingen wonen

Toen het team hun risicokaarten vergeleek met de bekende locaties van aardverschuivingen, viel meer dan 90 procent van de eerdere glijvlakken binnen de hoge en zeer hoge risicozones, en bijna geen enkele vond plaats in de zeer lage zones. Deze sterke overeenkomst suggereert dat de hybride benadering betrouwbaar gevaarlijke gebieden kan aanwijzen, zelfs waar gedetailleerde monitoringsnetwerken ontbreken. Hoewel de methode nog steeds afhankelijk is van goede invoergegevens en niet elk klein terreinattribuut kan vastleggen, biedt zij lokale autoriteiten een efficiënte en transparante manier om ruimtelijke planning te onderbouwen, inspecties van hellingen te prioriteren en vroegtijdige waarschuwingen af te stemmen op specifieke soorten stormen, zodat gemeenschappen zoals Meishan Town veiliger met hun omliggende heuvels kunnen leven.

Bronvermelding: Wang, Z., Wang, Z., Shi, F. et al. Assessment of landslide hazard under specific rainfall scenarios based on a hybrid CNN-TRIGRS and matrix approach: a case study of Meishan Town, Zhejiang Province, China. Sci Rep 16, 16200 (2026). https://doi.org/10.1038/s41598-026-46051-6

Trefwoorden: aardverschuivingsrisico, neerslag, hellingstabiliteit, neurale netwerken, risicokaart