Maschinelles Lernen prognostiziert Nachbrand-Mudflow-Start aus Labordaten

Mit der Zunahme von Waldbränden, insbesondere an der Grenze zwischen Wald und Siedlung, wird das Risiko von Nachbrand-Mudflows immer gravierender. Durch die Verbrennung wird der Boden an der Oberfläche oder kurz darunter hydrophob, ein Effekt, der vor allem bei sandbasierten Hängen auftritt. Regenwasser und abgetragenes Sediment bedecken die Hangseite, was zu katastrophalen Ablagerungsströmungen führt. Die Hydrophobie verstärkt die Erosion und erzeugt Mudflows, die in Intensität, Dauer und Zerstörungskraft von natürlichen Ablagerungen abweichen.

Um den Zeitpunkt und die Bedingungen des Auftretens dieser Ablagerungsströmungen besser zu verstehen, wurden kritische Parameter wie Regenintensität, Hangneigung, Wasseraufnahmewerte und Körnung (D50) untersucht. Diese Faktoren wirken gekoppelt und bestimmen, wann und wie stark ein Mudflow entsteht.

In einer experimentellen Studie wurden mehrere maschinelle Lernverfahren eingesetzt, um die Ergebnisse aus Laborversuchen zu prognostizieren und zu klassifizieren. Dazu gehörten Multiple Linear Regression (MLR), Logistische Regression (LR), Support Vector Classifier (SVC), K‑Means Clustering und Principal Component Analysis (PCA). MLR konnte die Gesamtausflussmenge zuverlässig vorhersagen, während die Erosionsvorhersage, besonders bei grobem Sand, weniger genau war. LR und SVC erreichten jedoch hohe Genauigkeit bei der Klassifizierung von Versagensausfällen, unterstützt durch Clustering und Dimensionsreduktion. Sensitivitätsanalysen zeigten, dass feiner Sand besonders empfindlich auf die untersuchten Parameter reagiert.

Die Ergebnisse demonstrieren, dass maschinelles Lernen ein leistungsfähiges Werkzeug für die Vorhersage von Nachbrand-Mudflows ist. Durch die Kombination von Experimentaldaten und fortschrittlichen Analyseverfahren können Ingenieure und Katastrophenschutzbehörden besser planen und präventive Maßnahmen ergreifen, um die Gefährdung von Gemeinden zu reduzieren.