Prognozowanie osuwisk i ocena ryzyka na podstawie danych zdalnego rozpoznawania z użyciem hybrydowego modelu głębokiego uczenia CNN–LSTM

Dlaczego wiedza o tym, gdzie zbocza mogą osunąć się, może ratować życie

Osuwiska mogą wystąpić niemal bez ostrzeżenia, grzebiąc domy, blokując drogi i uszkadzając infrastrukturę krytyczną. W obszarach górskich, zwłaszcza tam, gdzie opady są intensywne, a grunt już obciążony, ludzie żyją i przemieszczają się pod stokami, których stabilności trudno ocenić gołym okiem. Badanie pokazuje, jak dane satelitarne i zaawansowany model komputerowy rozpoznający wzorce mogą współdziałać, wskazując części rozległego terenu, które najprawdopodobniej się osuną — dając planistom i służbom ratunkowym potężne narzędzie do ograniczania ryzyka.

Oglądanie niebezpiecznych zboczy z kosmosu

Naukowcy skupili się na prowincji Kerman w południowo-wschodnim Iranie — krajobrazie wysokich gór, głębokich dolin i suchych równin uformowanych przez aktywne uskoki i surowy klimat. W tak trudnym terenie tradycyjne badania terenowe są powolne i niepełne. Zespół sięgnął więc po zdalne rozpoznawanie: zdjęcia satelitarne ujawniające pokrycie terenu i roślinność oraz cyfrowe modele wysokości opisujące ukształtowanie i nachylenie terenu. Z tych źródeł wyprowadzono kluczowe cechy, takie jak kąt i ekspozycja stoku oraz wskaźniki gromadzenia i spływu wody. Zmapowano też odległość każdego miejsca od rzek, dróg i uskoków oraz sklasyfikowano użytkowanie ziemi — od pól uprawnych po odsłoniętą skałę.

Śledzenie historii wody w czasie

Jednak osuwiska nie są powodowane wyłącznie kształtem terenu. Woda, która przychodzi w postaci deszczu lub magazynowana jest w zbiornikach, stopniowo osłabia stoki, aż do ich zawalenia. Aby uchwycić ten zmienny wymiar problemu, badanie kompiluje dzienne zapisy opadów i poziomów w zbiornikach. Dla każdego punktu w regionie model analizuje 30 dni poprzedzających znane osuwisko — albo okres bez osuwiska — by sprawdzić, ile wody napłynęło i jak zmieniała się z dnia na dzień. To miesięczne, przesuwne okno pozwala metodzie rozpoznać nie tylko skrajne ulewy, lecz także skumulowany efekt wielu mokrych dni, które stopniowo nasycają grunt.

Nauczanie hybrydowego modelu czytania przestrzeni i czasu

W centrum pracy znajduje się hybrydowy model głębokiego uczenia łączący dwie techniki uzupełniające się nawzajem. Jedna część, zwana konwolucyjną siecią neuronową, specjalizuje się w rozpoznawaniu wzorców w przestrzeni. Analizuje małe fragmenty wielowarstwowych danych o terenie i użytkowaniu ziemi, ucząc się, które kombinacje nachylenia, typu skały i innych czynników były związane z wcześniejszymi osuwiskami. Druga część, sieć długiej pamięci krótkotrwałej (LSTM), jest zaprojektowana do przetwarzania sekwencji. Odczytuje 30-dniowe ciągi opadów i poziomów zbiorników, ucząc się, które wzorce czasowe są najbardziej niebezpieczne. Model łączy te dwa strumienie — gdzie jest stok i jak ostatnio wilgotno było — w jedną ocenę prawdopodobieństwa wystąpienia osuwiska dla każdego miejsca.

Testowanie na prawdziwych osuwiskach

Aby ocenić skuteczność systemu, autorzy sporządzili inwentarz 719 udokumentowanych osuwisk z raportów, kontroli terenowych i szczegółowych zdjęć, dopasowując je do takiej samej liczby stabilnych lokalizacji. Dane podzielili na zestawy treningowe i niezależne testowe, dbając, by model nie widział przykładów testowych podczas uczenia. W konfrontacji z niewidzianymi przypadkami hybrydowy model poprawnie rozróżnił miejsca z osuwiskiem od bez niego w ponad 95 procentach i osiągnął jeden z najwyższych możliwych wyników na standardowej krzywej diagnostycznej. Przewyższył powszechnie stosowane metody, takie jak maszyny wektorów nośnych, drzewa decyzyjne, lasy losowe, a także prostsze modele głębokiego uczenia wykorzystujące tylko przestrzeń lub tylko czas.

Przekształcanie prognoz w użyteczne mapy

Wykorzystując wytrenowany model, zespół wygenerował ciągłe prawdopodobieństwo wystąpienia osuwiska dla każdej komórki siatki w całej prowincji Kerman, a następnie sklasyfikował wyniki na niskie, średnie, wysokie i bardzo wysokie podatności. Około jedna czwarta regionu trafiła do grupy wysokiego ryzyka, głównie na stromych stokach, gdzie opady i zmiany poziomów zbiorników są znaczące, natomiast około jedna trzecia uważana jest za niskie ryzyko. Po nałożeniu mapy na niezależny inwentarz osuwisk okazuje się, że ponad 86 procent zarejestrowanych zdarzeń leży w strefach wysokiego i bardzo wysokiego ryzyka, co pokazuje, że ostrzeżenia modelu dobrze pokrywają się z rzeczywistymi osuwiskami. Analiza wejść potwierdza, że nachylenie stoku jest czynnikiem dominującym, tuż za nim plasują się łączna ostatnia suma opadów i zmiany poziomów zbiorników.

Co to oznacza dla ludzi na ziemi

Mówiąc najprościej, badanie pokazuje, że połączenie informacji „gdzie” z satelitów z informacjami „kiedy” o wodzie tworzy znacznie ostrzejszy obraz zagrożenia osuwiskowego niż każde z nich z osobna. Hybrydowy model nie prognozuje dokładnego dnia, kiedy stok się zawali, ale wskazuje obszary zasadniczo wrażliwe w typowych mokrych warunkach. Wiedza ta może ukierunkować bezpieczniejsze lokalizacje dróg i budynków, wyznaczyć wsie i elementy infrastruktury wymagające ochrony lub monitoringu oraz pomóc planistom ratunkowym skupić ograniczone zasoby tam, gdzie są najbardziej potrzebne. Podejście jest także elastyczne: przy dostępności odpowiednich danych można je dostosować do innych regionów górskich narażonych na podobne zagrożenia ze strony grawitacji i wody.

Cytowanie: 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

Słowa kluczowe: podatność na osuwiska, zdalne rozpoznawanie, głębokie uczenie, mapowanie ryzyka, prognozowanie zagrożeń