Erkennung von Hangrutschungssystemen mit Neuronalen Netzen als Grundlage für Georisikoanalysen [online]

KURZFASSUNG

Im Rahmen von Risikoanalysen spielt die Kenntnis über das
Vorhandensein und die Lage von Gefahrenherden eine ganz
wesentliche Rolle. Neben den bisher bekannten deterministischen
und statistischen Verfahren können auch künstliche Neuronale
Netze zur automatischen Gefahrenerkennung genutzt werden. Der
Vorteil Neuronaler Netze liegt in ihrer Fähigkeit begründet,
nichtlineare Zusammenhänge gut darzustellen und mit sehr großen
Datenmengen gut zurechtzukommen.
Für die Erkennung von Hangrutschungsgebieten sind mehrere neu­
ronale Modelle entwickelt und untersucht worden. Eine
Besonderheit ist, dass die Netze verschiedene
Massenbewegungstypen erkennen können. Es wird auch nicht nur die
Rutschung sondern der ganze Einflussbereich der Massenbewegung
erkannt. Bei der Entwicklung der Netze sind verschiedene
Strategien verfolgt worden. Neben Netzen zur Rutschungserkennung
sind in Reihe geschaltete Netze und nach dem MTL-Ansatz
trainierte Netze untersucht worden. Dabei hat sich gezeigt, dass
die einzelnen Modelle z.T. unterschiedliche Spezialisierungen
entwickeln.
Bei Versuchen mit den Netzen Rutschungen in Testgebieten in den
Ostalpen zu erkennen, haben die besten Netze bis zu 86% der
... mehrGebiete richtig klassifiziert. Dabei hat sich gezeigt, dass die
Netze Massenbewegungen in Zusammenhang mit Wildbach­ und
Erosionsprozessen besonders gut erkennen können. Durch gezielte
Abfragen konnten die Ergebnisse auf bis zu 89 % erhöht werden.
Schlüsselwörter: Risikoanalyse, Gefahrenerkennung, Rutschungser­
kennung, Massenbewegung, Rutschung, Neuronales Netz, MLP, Vor­
wärtsgerichtete Neuronale Netze, PROP, MTL, Salzkammergut,
Stambach, Zlambach.

ABSTRACT

In the frame of risk analysis the knowledge of the existence and
location of hazard zones is of major importance. Besides the
traditional deterministic and statistic methods for automatic
hazard analysis, the use of artificial Neural Nets is a new and
interesting approach. The advantage of Neural Nets is their
ability to handle non­linearities as well as large and complex
data sets.
Several types of neural models have been developed and tested
for landslide recognition. It is a characteristic of these
Neural Nets that they are capable to recognize different types
of mass movements. Not only the landslide itself but also the
complete area influenced by mass movements. Various strategies
have been pursued to develop the Neural Nets. Besides the
standard nets for landslide recognition, also nets switched in
line and nets using the MTL­approach have been trained and
tested. The tests demonstrated that the different net models de­
velop different specializations.
The best nets for landslide recognition classified up to 86% of
the test sites in the Eastern Alps correctly. The tests showed
that these nets are especially qualified for the detection of
landslides caused by erosional and mount torrent processes.
Using query techniques it has been possible to further improve
the results up to 89%.

Keywords: risk analysis, hazard analysis, landslide recognition,
landslide, neural net, MLP, feed forward net, RPROP, MTL,
Salzkammergut, Stambach, Zlambach.