Varje år, jordskred - rörelsen av sten, jord, och skräp nerför en sluttning - orsaka tusentals dödsfall, miljarder dollar i skadestånd, och störningar på vägar och kraftledningar. Eftersom terräng, egenskaper hos bergarter och jord, väder, och klimatet bidrar alla till jordskredaktivitet, att exakt identifiera områden som riskerar att riskera dessa faror vid varje given tidpunkt kan vara en utmaning. System för tidig varning är i allmänhet regionala-baserade på regionspecifika data från marksensorer, fältobservationer, och nederbördssumman. Men tänk om vi kunde identifiera riskområden var som helst i världen när som helst?

Ange NASA:s Global Landslide Hazard Assessment (LHASA) modell och kartläggningsverktyg.

LHASA version 2, släpptes förra månaden tillsammans med motsvarande forskning, är en maskininlärningsbaserad modell som analyserar en samling enskilda variabler och satellit-härledda datamängder för att producera anpassningsbara "nowcasts". Dessa snabba och riktade nuutsändningar är uppskattningar av potentiell jordskredaktivitet i nästan realtid för varje område på 1 kvadratkilometer mellan polerna. Modellfaktorerna i landets sluttning (högre sluttningar är mer benägna att skred), avstånd till geologiska fel, rockens smink, tidigare och nuvarande nederbörd, och satellitbaserad jordfuktighet och snömassa.

"Modellen bearbetar all denna data och matar ut en sannolikhetsuppskattning av risk för jordskred i form av en interaktiv karta, "sa Thomas Stanley, Universitets rymdforskningsförenings vetenskapsman vid NASA:s Goddard Space Flight Center i Greenbelt, Maryland, som ledde forskningen. "Detta är värdefullt eftersom det ger en relativ omfattning av jordskred, snarare än att bara säga att det finns eller inte finns risk för jordskred. Användare kan definiera sitt intresseområde och anpassa kategorierna och sannolikhetströskeln för att passa deras behov. "

För att "lära" modellen, forskare lägger in en tabell med alla relevanta jordskredsvariabler och många platser som har registrerat jordskred tidigare. Maskininlärningsalgoritmen tar tabellen och testar olika möjliga scenarier och resultat, och när den hittar den som passar uppgifterna mest exakt, det matar ut ett beslutsträd. Det identifierar sedan felen i beslutsträdet och beräknar ett annat träd som åtgärdar dessa fel. Denna process fortsätter tills modellen har "lärt sig" och förbättrats 300 gånger.

"Resultatet är att den här versionen av modellen är ungefär dubbelt så exakt som den första versionen av modellen, gör det till det mest exakta globala nowcasting -verktyget tillgängligt, "sade Stanley." Medan noggrannheten är högst - ofta 100% - för stora jordskredshändelser som utlöses av tropiska cykloner, det förbättrades avsevärt i alla lager. "

Version 1, släpptes 2018, var inte en maskininlärningsmodell. Den kombinerade satellitutfällningsdata med en global karta för känslighet för jordskred för att producera sina nuutsända. Det gjorde sina förutsägelser med hjälp av ett beslutsträd i stor utsträckning baserat på nederbördsdata från föregående vecka och kategoriserade varje nätcell som låg, måttlig, eller hög risk.

"I den här nya versionen, vi har 300 träd med bättre och bättre information jämfört med den första versionen, som bara baserades på ett beslutsträd, "Stanley sa." Version 2 innehåller också fler variabler än föregångaren, inklusive jordfuktighet och snömassedata. "

Generellt, jorden kan bara absorbera så mycket vatten innan den blir mättad, och i kombination med andra villkor, medför en jordrisk. Genom att införliva jordfuktighetsdata, modellen kan urskilja hur mycket vatten som redan finns i marken och hur mycket ytterligare nederbörd som skulle skjuta det förbi denna tröskel. Likaså, om modellen vet hur mycket snö som finns i ett visst område, det kan orsaka att extra vatten kommer in i jorden när snön smälter. Dessa data kommer från Soil Moisture Active Passive (SMAP) satellit, som hanteras av NASA:s Jet Propulsion Laboratory i södra Kalifornien. Den lanserades 2015 och ger kontinuerlig täckning av markfukt.

LHASA version 2 lägger också till en ny exponeringsfunktion som analyserar fördelningen av vägar och befolkning i varje nätcell för att beräkna antalet personer eller infrastruktur som utsätts för jordskred. Exponeringsdata kan laddas ner och har integrerats i den interaktiva kartan. Att lägga till denna typ av information om exponerade vägar och befolkningar som är sårbara för jordskred hjälper till att förbättra medvetenheten om situationen och handlingar från intressenter från internationella organisationer till lokala tjänstemän.

Bygga på år av forskning och applikationer, LHASA Version 2 testades av NASA-katastrofprogrammet och intressenter i verkliga situationer fram till dess formella släpp. I november 2020, när orkanerna Eta och Iota träffade Centralamerika inom två veckor, forskare som arbetar med NASA:s Earth Applied Sciences Disasters -program använde LHASA Version 2 för att generera kartor över förutsagda jordskredrisk för Guatemala och Honduras. Forskarna överlagde modellen med befolkningsdata på distriktsnivå så att de bättre kunde bedöma närheten mellan potentiella faror och tätbefolkade samhällen. Katastrofprogrammets samordnare delade informationen med nationella och internationella räddningsinsatser för att ge bättre insikt om riskerna för personal på plats.

Även om det är ett användbart verktyg för planering och riskreducering, Stanley säger att modellen är avsedd att användas med ett globalt perspektiv i åtanke snarare än som ett lokalt nödvarningssystem för något specifikt område. Dock, framtida forskning kan utöka det målet.

"Vi arbetar med att införliva en nederbördsprognos i LHASA version 2, och vi hoppas att den kommer att ge ytterligare information för avancerad planering och åtgärder inför stora nederbördshändelser, "sade Stanley. En utmaning, Stanley noterar, erhåller ett tillräckligt långt arkiv med prognostiserade nederbördsdata som modellen kan lära sig.

Sålänge, regeringar, hjälporganisationer, räddningspersonal, och andra intressenter (liksom allmänheten) har tillgång till ett kraftfullt riskbedömningsverktyg i LHASA version 2.