Pilotprojekt für Hangmurenwarnung
Für viele Naturgefahren stehen ständig aktuelle, schweizweite Gefahrenprognosen für die Bevölkerung und Experten digital zur Verfügung. In LandslidePredict_CH wollen wir für Rutschungen ein Proof of Concept erstellen.
Steckbrief
- Lead-Departement Hochschule für Agrar-, Forst- und Lebensmittelwissenschaften
- Weitere Departemente Technik und Informatik
- Institut Multifunktionale Waldwirtschaft
- Forschungseinheit Gebirgswald und Naturgefahren
- Förderorganisation BFH
- Laufzeit 01.01.2021 - 30.06.2023
- Projektverantwortung Prof. Dr. Luuk Dorren
- Projektleitung Prof. Dr. Luuk Dorren
-
Projektmitarbeitende
Prof. Dr. Luuk Dorren
Adel Albaba
Dr. Massimiliano Schwarz
Christoph Schaller
Prof. Marcel Pfahrer - Schlüsselwörter Big Data, Rutschungen, Hangmuren, Warnung, Simulation, Modellierung, Naturgefahren
Ausgangslage
In der Schweiz sind Rutschungen (Erdrutsche, Hangmuren; insbesondere an steilen Hängen schnell abgehende Gemische aus Lockergestein und Wasser) jedes Jahr verantwortlich für Infrastrukturschäden und -sperrungen, sowie Todesfälle. Die mit dem Klimawandel zunehmenden Starkregenereignisse führen zu einer höheren Wahrscheinlichkeit solcher Rutschungen. Aktuell stehen unter www.naturgefahren.ch zu verschiedenen Naturgefahren (z.B., Hochwasser, Erdbeben, Wind, Lawinen, Hitze) Bulletins für die Öffentlichkeit und über die Gemeinsame Informationsplattform Naturgefahren (GIN) detaillierte Daten und Vorhersagen für Experten zur Verfügung. Bislang fehlen dabei aber Werkzeuge zur aktuellen und realitätsnahen Vorhersage der Gefahr von Rutschungen. Solche werden vielmehr durch Fachgremien auf Basis verfügbarer Daten und Expertenwissen erstellt.
Vorgehen
Durch die Entwicklung von Modellen für Rutschungsanriss und –Auslauf an der HAFL ist jetzt eine praxistaugliche, voll digitale Prognose von Ort und Wahrscheinlichkeit des Auftretens von Rutschungen möglich. Als Input werden grosse Mengen verschiedener digitaler Daten benötigt, wobei insbesondere die Radar-basierten Niederschlagsmessungen eine hohe Aktualisierungsfrequenz aufweisen. Durch die Nutzung von Big Data Verarbeitungsmethoden wird eine schweizweite ständig aktuelle Vorhersage der Rutschungsgefahr machbar und damit eine bessere Vorbereitung für den Ernstfall ermöglicht.