Een systematische beoordeling van regionaal lawine- en aardverschuivingsrisico bij tyfoonregens: een casestudy van Taishun, Zhejiang, China in september 2016

Waarom berghellingen falen bij zware stormen

Wanneer een krachtige tyfoon aan land komt, denken de meeste mensen eerst aan wind en overstromingen. Maar in steile, natte gebieden speelt zich een ander gevaar stilzwijgend af: hele hellingen kunnen plotseling wegglijden. Deze studie onderzoekt zo’n gebeurtenis in district Taishun, provincie Zhejiang, waar tyfoon Meranti in september 2016 duizenden aardverschuivingen veroorzaakte. Door satellietbeelden, neerslaggegevens en geavanceerde computermodellen samen te brengen, laten de onderzoekers zien hoe intense regen, ruig terrein en lokale geografie samenwerken om stabiele, groene hellingen te veranderen in snel bewegende stromen van aarde.

Waar de grond het begaf

Het team concentreerde zich op een bergachtig gebied in zuidoostelijk China dat vaak in de baan van tyfoons ligt. Met behulp van hoge-resolutie satellietbeelden van voor en na Meranti, gecombineerd met veldcontroles ter plaatse, brachten ze 4.102 aardverschuivingen in kaart over een gebied van ongeveer 3.400 vierkante kilometer. De meeste schuivers waren relatief klein, maar samen bestreken ze meer dan zes vierkante kilometer. De aardverschuivingen clusteren in een gordel die van noordwest naar zuidoost door de centrale bergen loopt, in overeenstemming met het traject van de hevigste neerslag. Veel hellingen toonden lange, smalle littekens met kale grond en beschadigde begroeiing, een typisch patroon voor door regen veroorzaakte instortingen in deze regio.

Regen, bergen, rivieren en bossen die samenwerken

Om te begrijpen waarom sommige hellingen bezweken terwijl nabijgelegen hellingen standhielden, onderzochten de wetenschappers negen sleutelvariabelen: hoogte boven zeeniveau, steilheid, hellingsoriëntatie, gesteentetype, vegetatie, landgebruik, oppervlaktedoorweking, afstand tot rivieren en totale neerslag tijdens de storm. Ze vonden dat aardverschuivingen het meest voorkwamen op middelmatige hoogtes (ongeveer 400–800 meter) op tamelijk steile hellingen (25–40 graden). Hellingen met een zuidelijke en zuidoostelijke oriëntatie, direct blootgesteld aan moessonregens, faalden vaker. Zachte, diep verweerde gesteentelagen, vooral Krijt-zandstenen en -slibstenen, boden zwakke grondslagen. Gemiddelde vegetatiebedekking en bebost land, vaak te vinden op steilere, diepere bodems, werden ook geassocieerd met meer aardverschuivingen — niet omdat bomen de instabiliteit veroorzaken, maar omdat deze omgevingen meer water vasthouden en op fragielere hellingen liggen. Dichtbij rivieren liggen verhoogde het risico ook, aangezien stromend water de basis van hellingen kan wegslijten en ze tijdens stormen makkelijker kan ondermijnen.

Hoe slimme modellen verborgen patronen onthullen

De onderzoekers gingen vervolgens over op geautomatiseerde machine learning om deze factoren om te zetten in een praktische gevaarkaart. Ze voerden alle in kaart gebrachte aardverschuivingen, plus een gelijk aantal stabiele locaties, in een “ensemble” van verschillende computermodellen die leren van voorbeelden. Dit systeem, AutoGluon genoemd, test en combineert vele modellen om de meest betrouwbare mix te vinden. Het beste gecombineerde model kon onstabiele van stabiele hellingen onderscheiden met zeer hoge nauwkeurigheid. Wanneer de voorspellingen op een kaart werden uitgezet, kwamen gebieden die als hoog of zeer hoog gevaar werden aangemerkt sterk overeen met waar aardverschuivingen daadwerkelijk plaatsvonden tijdens tyfoon Meranti, vooral in de centrale bergengordel. Het team gebruikte ook een methode bekend als SHAP om de “black box” van het model te openen en te meten hoe sterk elke factor hellingen naar falen of stabiliteit duwde.

De kantelpunten voor rampen vinden

De interpretatieve tools toonden aan dat drie factoren het belangrijkst zijn: hoeveel regen viel, hoe hoog de helling ligt en hoe steil die is. De interne scores van het model maakten een sprong zodra de totale neerslag rond de 160–180 millimeter bereikte gedurende de cruciale periode van vier dagen van de storm, wat een kantelpunt markeert waarna hellingen snel onstabiel werden. Hoogte en hellingssteilheid vertoonden vergelijkbaar drempelgedrag: middenbergen en matig tot zeer steile hellingen waren veel vatbaarder voor falen dan lage, zachte heuvels of zeer hoge, rotsachtige toppen. Andere factoren — zoals gesteentetype, vochtconcentratie in valleien en vegetatie — stelden het risico matig bij omhoog of omlaag, vaak op niet-lineaire manieren. Samen verklaren deze patronen waarom aardverschuivingen in dichte clusters ontstonden in plaats van gelijkmatig over het landschap verspreid te zijn.

Inzicht omzetten in vroegtijdige waarschuwingen

Door gedetailleerde kaartlegging, satellietneerslaggegevens en transparante machine learning te combineren, biedt deze studie een helderder beeld van hoe tyfoonregens zich vertalen naar aardverschuivingsgevaar op de grond. Voor niet‑specialisten en lokale autoriteiten is de kernboodschap eenvoudig: wanneer zeer veel regen valt op middelhoge, tamelijk steile, door rivieren ingesneden beboste hellingen, neemt het risico op plotselinge hellingsinstabiliteit sterk toe. Het hier ontwikkelde raamwerk kan worden aangepast aan andere stormgevoelige bergachtige gebieden, en helpt autoriteiten monitoring, vroegtijdige waarschuwingen en beschermende maatregelen te richten op de plaatsen die het meest waarschijnlijk zullen wegglijden bij de volgende grote tyfoon.

Bronvermelding: Xie, C., Xu, C., Xu, X. et al. A systematic assessment of regional landslide risk under typhoon rainfall: a case study of Taishun, Zhejiang, China in September 2016. Sci Rep 16, 10857 (2026). https://doi.org/10.1038/s41598-026-46166-w

Trefwoorden: aardverschuivingen, tyfoonregens, berggevaren, machine learning, vroegtijdige waarschuwing