Wissenschaft / Regionale Forschung

Forschung mit Wurzeln
in den Azoren.

Wie Erdbeobachtung, Umweltdaten und maschinelles Lernen in der regionalen Entwicklung von SOILRISK zusammenkamen.

Die Forschung entdecken
Forschungsumfeld
Die Azoren
Ansatz
Maschinelles Lernen
Ursprüngliche Modelleingaben
20+ Einflussfaktoren

01 / Die Frage hinter der Forschung

Wo könnte
der nächste Erdrutsch
auftreten?

Auf den Azoren können lang anhaltende und starke Niederschläge Erdrutsche auslösen und Menschen, Häuser und Infrastruktur gefährden.

Die ursprüngliche SOILRISK-Fallstudie befasste sich mit einer praktischen Herausforderung: zu erkennen, wo in den kommenden Tagen ein Erdrutsch auftreten könnte, mit ausreichender räumlicher Detailtiefe zur Unterstützung von Vorsorge und Notfallplanung.

Die Forschung verband Informationen über das Gelände und veränderliche Umweltbedingungen. Ziel war es, vom Verständnis der Anfälligkeit einzelner Hänge zum Verständnis der zeitlichen Entwicklung des Risikos zu gelangen.

02 / Der Ansatz

Viele Faktoren.
Ein verbundenes Gesamtbild.

Ein eigener Frühwarnalgorithmus auf Grundlage maschinellen Lernens.

Der ursprüngliche SOILRISK-Ansatz beschreibt mehr als 20 Einflussfaktoren. Bodenbedeckung, Geologie, Vegetation, Bodenfeuchte, Wind, Niederschlag und Bodenbewegung tragen unterschiedliche Teile zum Gesamtbild bei.

Durch die Kombination dieser Faktoren kann das Modell sowohl die Eigenschaften eines Hangs als auch die sich verändernden Bedingungen in seinem Umfeld berücksichtigen.

03 / Die Informationen dahinter

Von Satelliten
zu lokale Bedingungen.

Vier Datenquellen aus dem ursprünglichen technischen Überblick.

01 / Bodenverformung

Die
Hangbewegungen verfolgen.

Satellitengestützte Radarinterferometrie (InSAR) hilft, Bewegungen der Bodenoberfläche zu erkennen. Diese Beobachtungen liefern Informationen darüber, wie sich Hangaktivität räumlich und zeitlich verändert, und können helfen, vereinzelte Instabilitäten zu erkennen.

02 / Vegetation

Verstehen
die Bodenbedeckung.

Vegetation, Bodeneigenschaften und Hangneigung helfen, anfällige Gebiete zu erkennen. Die Forschung verwendete Sentinel-2-Bilder zur Ableitung des NDVI, eines Index für den Vegetationszustand.

03 / Bodenfeuchte

Veränderungen verfolgen
der Feuchtigkeit.

Das ursprüngliche Verfahren nutzte Sentinel-1-Radardaten und Änderungserkennung zur Schätzung der Bodenfeuchte. Karten der Bodenbedeckung dienten dazu, Gebiete mit weniger zuverlässigen Schätzungen auszublenden.

04 / Wetter

Bedingungen einbeziehen
die sich ständig ändern.

Niederschlag und Wind gehen als dynamische Variablen in den Algorithmus ein. Soweit verfügbar, liefern stündliche Beobachtungen lokaler Wetterstationen neben Wetterprognosediensten zusätzlichen Kontext.

04 / Von der Forschung zur App

Eine regionale Grundlage.
Eine breitere Perspektive.

Die Arbeit auf den Azoren ist Teil der wissenschaftlichen Grundlage für Eyecons eigene SOILRISK-Modelle.

Die App verbindet regionale SOILRISK-Modelle mit globalen LHASA-Informationen, Wetter und kompatiblen lokalen Messungen. Jede Quelle hat ihre eigene Abdeckung, Auflösung und ihren eigenen Prognosehorizont.

Prüfen Sie in der App, welches Modell und welche Informationen für Ihren Standort verfügbar sind. Die hier beschriebene regionale Forschung ist nicht als weltweite Spezifikation zu verstehen.

Die Wissenschaft hinter SOILRISK erkunden

Das Gespräch fortsetzen

Möchten Sie mehr erfahren?

Sprechen Sie mit dem Team über die Arbeit auf den Azoren, die Methodik oder regionale Forschung.

Über die Forschung sprechen

Auf Grundlage der Azoren-Fallstudie und des technischen Überblicks, veröffentlicht auf der ursprünglichen SOILRISK-Website ↗.

Fotografie, Video und Illustration

Bilder und
Videos.

Die Bilder veranschaulichen Umweltbedingungen. Sie zeigen keine von SOILRISK vorhergesagten Ereignisse.