Predykcja podatności na osuwiska za pomocą modeli ANN optymalizowanych algorytmami ewolucyjnymi

Dlaczego mapowanie niestabilnych zboczy ma znaczenie

Osuwiska mogą w ciągu kilku sekund przemienić spokojne zbocze w śmiertelny potok kamieni i błota. W miarę jak drogi, miasta i gospodarstwa rozrastają się na stromych terenach, poznanie, które stoki są najbardziej narażone na zawalenie, staje się kluczowe dla ratowania życia i pieniędzy. Niniejsze badanie bada, jak nowoczesne metody „uczenia” komputerowego mogą przekształcić rozproszone obserwacje przeszłych osuwisk i warunków środowiskowych w szczegółowe mapy wskazujące miejsca, gdzie przyszłe osuwiska najprawdopodobniej wystąpią.

Odczytywanie ukrytych ostrzeżeń krajobrazu

Naukowcy skupili się na prowincji East Azerbaijan w północno‑zachodnim Iranie, w przeważającej mierze górzystym regionie, gdzie osuwiska są powszechne, a rosnąca liczba ludności i infrastruktury znajduje się w coraz większym zagrożeniu. Zebrali szczegółowy obraz terenu, wykorzystując 16 różnych czynników wpływających na stabilność stoków. Należały do nich cechy naturalne, takie jak wysokość n.p.m., nachylenie stoku, opady, typy gleby i skał, pokrycie roślinne oraz surowość terenu, jak również czynniki związane z działalnością człowieka, np. odległość od dróg i rzek. Korzystając z obrazów satelitarnych, cyfrowych modeli wysokości i długoterminowych zapisów opadów, przekształcili surowe dane w jednolite warstwy mapowe i zbudowali inwentarz osuwisk: lokalizacje, gdzie osuwiska już wystąpiły, oraz pobliskie miejsca, gdzie stoki pozostały stabilne.

Nauczanie komputerów rozpoznawania ryzykownych stoków

Aby wydobyć wzorce ukryte w tym złożonym zestawie danych, zespół użył sztucznych sieci neuronowych — modeli komputerowych inspirowanych sposobem przetwarzania informacji przez komórki mózgowe. Sieci te przyjmują wiele danych wejściowych, przekazują je przez kilka wewnętrznych warstw prostych jednostek matematycznych i generują wynik: w tym wypadku prawdopodobieństwo tego, że dany punkt na mapie jest podatny na osuwiska. Naukowcy eksperymentowali z różną głębokością sieci i liczbą jednostek wewnętrznych, poszukując struktury, która potrafiłaby uchwycić nieliniowe relacje między wieloma czynnikami, bez popadania w nadmierne dopasowanie do danych uczących. Stwierdzili, że głębsza sieć z kilkoma ukrytymi warstwami daje najlepszy kompromis między elastycznością a niezawodnością.

Pozwalając ewolucji dopracować modele

Zamiast ręcznie dostrajać sieć, autorzy zwrócili się ku tzw. algorytmom ewolucyjnym — metodom poszukiwania naśladującym procesy naturalne, takie jak grawitacja, zachowania zwierząt czy interakcje wielu wszechświatów. Przetestowano cztery różne strategie optymalizacyjne: metodę inspirowaną czarną dziurą, strategię gniazdujących kukułek, optymalizator wieloświata i poszukiwanie przypominające wir. Każda z nich wielokrotnie modyfikowała wewnętrzne ustawienia sieci i oceniała, jak dobrze odróżnia znane lokalizacje osuwisk od obszarów stabilnych. W trakcie wielu cykli te algorytmy „ewoluowały” wersje sieci neuronowej, które generowały mniejsze błędy i bardziej spójne prognozy niż standardowa sieć nieoptymalizowana.

Od liczb do praktycznych map ryzyka

Wykorzystując te dostrojone modele, zespół wygenerował mapy podatności na osuwiska, które klasyfikują każdy fragment East Azerbaijan na pięć poziomów, od bardzo niskiego do bardzo wysokiego ryzyka. Uzyskane wzory miały sens geograficzny: skupiska wysokiej i bardzo wysokiej podatności pojawiły się głównie w północnej, centralnej i południowo‑wschodniej części prowincji, gdzie strome stoki, większe opady i określone sposoby użytkowania terenu się pokrywają. Regiony na zachodzie i na dalekim południowym wschodzie miały tendencję do klasyfikacji jako niskie lub bardzo niskie. Spośród czterech hybrydowych modeli, sieć neuronowa oparta na koncepcji wieloświata okazała się najdokładniejsza i najbardziej stabilna, osiągając wskaźniki sukcesu powyżej 80 procent oraz niemal idealne wyniki w standardowych testach wydajności klasyfikacji.

Co to znaczy dla mieszkańców żyjących poniżej stromych stoków

Dla osób niebędących specjalistami kluczowe przesłanie jest takie, że łączenie zaawansowanego uczenia komputerowego z pomysłami zaczerpniętymi z przyrody może dać bardzo szczegółowe, wiarygodne mapy miejsc, gdzie osuwiska najprawdopodobniej się zdarzą. Mapy te mogą wskazywać, gdzie budować drogi i domy, gdzie wzmacniać istniejące stoki oraz gdzie skoncentrować systemy wczesnego ostrzegania i planowanie awaryjne. Choć badanie osadzone jest w jednej prowincji Iranu, ramy metodologiczne — staranny dobór czynników środowiskowych, trenowanie sieci neuronowych i ich dopracowywanie za pomocą poszukiwań ewolucyjnych — można zaadaptować do innych górskich obszarów na całym świecie. Krótko mówiąc, praca pokazuje, że narzędzia cyfrowe mogą przekształcić dziesięciolecia rozproszonych obserwacji w praktyczne, opłacalne wskazówki zmniejszające liczbę katastrof spowodowanych osuwiskami.

Cytowanie: 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

Słowa kluczowe: podatność na osuwiska, sztuczne sieci neuronowe, algorytmy ewolucyjne, mapowanie zagrożeń, redukcja ryzyka katastrof