Elk jaar, aardverschuivingen - de beweging van rots, bodem, en puin op een helling - duizenden doden veroorzaken, miljarden dollars aan schade, en storingen aan wegen en hoogspanningsleidingen. Omdat terrein, kenmerken van de rotsen en de bodem, het weer, en klimaat dragen allemaal bij aan aardverschuivingen, het nauwkeurig lokaliseren van gebieden die op een bepaald moment het meeste risico lopen op deze gevaren, kan een uitdaging zijn. Vroegtijdige waarschuwingssystemen zijn over het algemeen regionaal - gebaseerd op regiospecifieke gegevens die worden geleverd door grondsensoren, veldwaarnemingen, en neerslagtotalen. Maar wat als we op elk moment overal ter wereld risicogebieden zouden kunnen identificeren?

Voer NASA's Global Landslide Hazard Assessment (LHASA) model en mapping tool in.

LHASA-versie 2, vorige maand uitgebracht samen met bijbehorend onderzoek, is een op machine learning gebaseerd model dat een verzameling individuele variabelen en van satelliet afgeleide datasets analyseert om aanpasbare 'nowcasts' te produceren. Deze tijdige en gerichte nowcasts zijn schattingen van potentiële aardverschuivingen in bijna realtime voor elk gebied van 1 vierkante kilometer tussen de polen. De modelfactoren in de helling van het land (hogere hellingen zijn meer vatbaar voor aardverschuivingen), afstand tot geologische fouten, de samenstelling van rots, regenval in het verleden en heden, en satelliet-afgeleide bodemvocht- en sneeuwmassagegevens.

"Het model verwerkt al deze gegevens en geeft een probabilistische schatting van het aardverschuivingsgevaar in de vorm van een interactieve kaart, " zei Thomas Stanley, Universities Space Research Association-wetenschapper bij NASA's Goddard Space Flight Center in Greenbelt, Maryland, die het onderzoek leidde. "Dit is waardevol omdat het een relatieve schaal van aardverschuivingsgevaar oplevert, in plaats van alleen maar te zeggen dat er wel of geen aardverschuivingsrisico is. Gebruikers kunnen hun interessegebied definiëren en de categorieën en waarschijnlijkheidsdrempel aanpassen aan hun behoeften."

Om het model te 'leren', onderzoekers voeren een tabel in met alle relevante aardverschuivingsvariabelen en veel locaties die in het verleden aardverschuivingen hebben geregistreerd. Het machine learning-algoritme pakt de tabel en test verschillende mogelijke scenario's en resultaten uit, en wanneer het degene vindt die het meest nauwkeurig bij de gegevens past, het geeft een beslissingsboom weer. Het identificeert vervolgens de fouten in de beslissingsboom en berekent een andere boom die deze fouten herstelt. Dit proces gaat door totdat het model 300 keer heeft "geleerd" en verbeterd.

"Het resultaat is dat deze versie van het model ongeveer twee keer zo nauwkeurig is als de eerste versie van het model, waardoor het de meest nauwkeurige wereldwijde nowcasting-tool is die beschikbaar is, " zei Stanley. "Hoewel de nauwkeurigheid het hoogst is - vaak 100% - voor grote aardverschuivingen veroorzaakt door tropische cyclonen, het verbeterde aanzienlijk in alle voorraden."

Versie 1, uitgebracht in 2018, was geen machine learning-model. Het combineerde satellietneerslaggegevens met een wereldwijde gevoeligheidskaart voor aardverschuivingen om zijn nowcasts te produceren. Het deed zijn voorspellingen met behulp van één beslissingsboom, grotendeels gebaseerd op regenvalgegevens van de voorgaande week en categoriseerde elke rastercel als laag, gematigd, of hoog risico.

"In deze nieuwe versie we hebben 300 bomen met betere en betere informatie vergeleken met de eerste versie, die gebaseerd was op slechts één beslisboom, " zei Stanley. "Versie 2 bevat ook meer variabelen dan zijn voorganger, inclusief gegevens over bodemvocht en sneeuwmassa."

In het algemeen, bodem kan maar zoveel water opnemen voordat het verzadigd raakt, en gecombineerd met andere voorwaarden, een aardverschuivingsrisico opleveren. Door bodemvochtgegevens op te nemen, het model kan onderscheiden hoeveel water er al in de bodem aanwezig is en hoeveel extra regen het over die drempel zou duwen. Hetzelfde, als het model weet hoeveel sneeuw er in een bepaald gebied ligt, het kan rekening houden met het extra water dat de grond binnendringt als de sneeuw smelt. Deze gegevens zijn afkomstig van de Soil Moisture Active Passive (SMAP) satelliet, die wordt beheerd door NASA's Jet Propulsion Laboratory in Zuid-Californië. Het werd gelanceerd in 2015 en biedt een continue bodemvochtdekking.

LHASA versie 2 voegt ook een nieuwe blootstellingsfunctie toe die de verdeling van wegen en bevolking in elke rastercel analyseert om het aantal mensen of infrastructuur te berekenen dat is blootgesteld aan aardverschuivingsgevaren. De blootstellingsgegevens kunnen worden gedownload en zijn geïntegreerd in de interactieve kaart. Door dit soort informatie toe te voegen over blootgestelde wegen en bevolkingsgroepen die kwetsbaar zijn voor aardverschuivingen, wordt het situationeel bewustzijn en de acties van belanghebbenden, van internationale organisaties tot lokale functionarissen, verbeterd.

Voortbouwend op jarenlang onderzoek en toepassingen, LHASA versie 2 is getest door het NASA Disasters-programma en belanghebbenden in reële situaties voorafgaand aan de formele release. In november 2020, toen de orkanen Eta en Iota binnen twee weken Midden-Amerika troffen, onderzoekers die met NASA's Earth Applied Sciences Disasters-programma werkten, gebruikten LHASA versie 2 om kaarten te maken van het voorspelde aardverschuivingsgevaar voor Guatemala en Honduras. De onderzoekers overlapten het model met bevolkingsgegevens op districtsniveau, zodat ze de nabijheid tussen potentiële gevaren en dichtbevolkte gemeenschappen beter konden beoordelen. Coördinatoren van rampenprogramma's deelden de informatie met nationale en internationale hulpdiensten om een ​​beter inzicht te krijgen in de gevaren voor het personeel op de grond.

Hoewel het een handig hulpmiddel is voor planning en risicobeperking, Stanley zegt dat het model bedoeld is om te worden gebruikt met een mondiaal perspectief in het achterhoofd in plaats van als een lokaal noodwaarschuwingssysteem voor een specifiek gebied. Echter, toekomstig onderzoek kan dat doel uitbreiden.

"We werken aan het opnemen van een neerslagvoorspelling in LHASA versie 2, en we hopen dat het meer informatie zal geven voor geavanceerde planning en acties voorafgaand aan grote regenval, "zei Stanley. Een uitdaging, Stanley merkt op, is het verkrijgen van een voldoende lang archief van voorspelde neerslaggegevens waaruit het model kan leren.

Ondertussen, regeringen, hulporganisaties, hulpdiensten, en andere belanghebbenden (evenals het grote publiek) hebben toegang tot een krachtig instrument voor risicobeoordeling in LHASA versie 2.