En integrerad mångriskbedömning med maskininlärning i Nordpakistans komplexa terränger

Varför den här bergsberättelsen är viktig

Hunza-dalen i norra Pakistan är känd för sina höga toppar och glaciärer — men är också ett av jordens farligaste landskap. Branta sluttningar, smältande is, våldsamma stormar och aktiva förkastningar gör att byar, vägar och megaprojekt utsätts för flera olika typer av faror samtidigt. Denna studie visar hur moderna data och maskininlärning kan kombineras för att skapa en enkel och användbar bild av var flera risker överlappar, vilket hjälper till att skydda människor, infrastruktur och viktiga handelsleder i denna känsliga högfjällsregion.

En dal under många hot

Hunza-distriktet ligger i det karga Karakoram, där flodraviner skär genom berg som reser sig från cirka 1 800 meter till nästan 7 800 meter över havet. Stora glaciärer matar Hunzafloden, som i sin tur levererar vatten och energi till miljontals människor längre nedströms. Men samma krafter som gör detta till ett kraftfullt vattentorn skapar också fara. Kraftiga sommarskurar, snabb snö- och ismeltning, lösa jordlager och aktiva förkastningar samverkar för att framkalla jordskred, brunnna flöden av sediment, plötsliga översvämningar och glaciala sjöutbrottsflöden (GLOF). Jordbävningar kan skaka redan spröda sluttningar och utlösa kedjor av stenras och översvämningar. Eftersom vägar, bostäder och jordbruksmark pressas in i smala dalbottnar kan även en måttlig händelse få allvarliga följder, vilket setts i tidigare katastrofer som förstörde byar, blockerade floder och skar av Karakoramvägen, Pakistans enda landförbindelse med Kina.

Från utspridda kartor till en helhetsbild

Hittills har de flesta studierna fokuserat på en fara i taget — endast jordskred, eller endast översvämningar, till exempel. Det tillvägagångssättet missar hur risker kan inträffa samtidigt eller utlösa varandra, och kan vilseleda planerare som måste utforma vägar, broar och bosättningar för verkliga förhållanden. Författarna gick vidare för att bygga en integrerad ”mångrisk”-bild för Hunza. De samlade en bred uppsättning information: detaljerade höjddata, terrängens lutning och krökning, avstånd till floder och vägar, nederbördsmönster, markanvändning och vegetation, snö- och glaciärindikatorer, underliggande bergarter samt befintliga kartor över glaciala sjörisker och skakningsintensitet. Totalt beaktades arton geo-miljömässiga faktorer som speglar hur vatten, gravitation, klimat och geologi samverkar i terrängen.

Att lära en digital skog att läsa landskapet

För att omvandla detta berg av data till meningsfull vägledning använde teamet en maskininlärningsmetod känd som en skogsbaserad klassificerings- och regressionsmodell, en praktisk form av den populära ”random forest”-metoden. De sammanställde först inventarier över var risker inträffat — jordskred, plötsliga översvämningar, brunnna flöden av sediment, jordbävningsbenägna områden och GLOF-zoner — och matchade dessa platser med de miljöförhållanden som rådde vid varje punkt. Algoritmen lärde sig sedan vilka kombinationer av lutning, nederbörd, bergart, vegetation och andra faktorer som bäst skiljer farliga platser från säkrare områden. Genom att upprepade gånger bygga många beslutsträd på olika sampel och medelvärdesbilda deras resultat producerade modellen tillförlitliga sårbarhetskartor för varje fara. Statistiska kontroller visade god prestanda, vilket innebär att modellen oftare än inte kunde särskilja högrisk- från lågriskområden korrekt.

Var farorna hopar sig

När de individuella kartorna var skapade satte forskarna dem på samma skala och kombinerade dem till en enhetlig mångriskkarta. Resultaten visar att mer än 40 procent av Hunza är utsatt för åtminstone en betydande fara, och mindre men kritiska delar står inför flera hot samtidigt. För omkring en femtedel av distriktet är risken för jordskred ensam hög, medan andra zoner främst hotas av plötsliga översvämningar eller brunnna flöden av sediment. De mest alarmerande områdena — om än relativt små till ytan — är där seismisk skakning, brunnna flöden, jordskred och plötsliga översvämningar sammanfaller. Dessa överlappande heta zoner klustrar sig i dalens centrala och nedre delar längs flodkorridorerna och Karakoramvägen, där bebyggelse, jordbruksmark och större infrastruktur är koncentrerade. Även områden klassade som ”låg risk” täcks ofta av glaciärer och snö, vilket påminner planerare om att framtida uppvärmning kan förändra riskmönstren.

Att omvandla kartor till tryggare framtider

För icke-specialister är huvudbudskapet enkelt: i ett landskap som Hunza berättar ingen enskild fara hela historien. Denna studie visar att genom att kombinera satellitdata, fältobservationer, expertbedömningar och maskininlärning är det möjligt att skapa tydliga kartor som visar var flera hot överlappar och var skyddsåtgärder är mest angelägna. Arbetsfokuset ligger på sårbarhet — sannolikheten att naturliga processer kan orsaka skadliga händelser — men det utgör en stark grund för smartare markanvändningsbeslut, säkrare placeringar av vägar och dammar samt riktad tidigvarning och evakueringsplanering. När klimatförändringarna fortsätter att förstärka extremväder och påskynda glaciärmeltning kommer sådana integrerade, datadrivna verktyg vara nödvändiga för att hjälpa bergssamhällen i Pakistan och runt om i världen att anpassa sig och överleva.

Citering: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

Nyckelord: mångriskkartläggning, bergskatastrofer, maskininlärning, Hunza-dalen, katastrofriskreducering