WSL

Künstliche Intelligenz für Lawinenwarnung

Digitale Technologien, wie künstliche Intelligenz, ermöglichen es, in der Umweltforschung zu grösseren Datenpools und neuen wissenschaftlichen Erkenntnissen zu kommen. Die WSL setzt diese Möglichkeiten breitflächig ein. Diese helfen, etwa in der Schnee- und Lawinenforschung, die Prognose der Gefahrensituation zu verbessern.

Ori Schipper 17.04.2023

Im WSL-Institut für Schnee- und Lawinenforschung SLF arbeiten Mensch und Maschine inzwischen Hand in Hand. Beide Expertisen fliessen konsolidiert in das Lawinenbulletin ein, welches das Institut im Auftrag des Bunds täglich publiziert. Zunächst erstellen drei Lawinenprognostikerinnen unabhängig voneinander eine konventionelle, expertenbasierte Prognose der Lawinengefahr für den folgenden Tag. Sie verwenden dabei aktuelle Informationen über Entwicklung und Prognose des Wetters, Daten automatischer Messstationen, aber auch von Beobachterinnen und Beobachtern in den Berggebieten und Rückmeldungen von Bergführern. Diese Erkenntnisse ordnen sie nach Regionen einer der fünf Gefahrenstufen zu. Erst danach ziehen sie die automatisch erstellte Prognose des Computers bei, die auf maschinellem Lernen (ML) basiert. Solche Prognosen zu erstellen, haben ihm SLF-Forscherinnen beigebracht, die eng mit dem Swiss Data Science Center (SDSC) zusammenarbeiten. Ihre Forschung ist vom operativ arbeitenden Warnteam sofort aufgenommen worden.

«Eine Prognose auf dem Handy über den Schneehang, den ich gerade hinunter cruise? Das wäre doch eine faszinierende Zukunftsvision!» Jürg Schweizer, SLF-Leiter

Im ersten Winter hatte ein SLF-Prognostiker mit dem numerischen Prognosemodell erste Erfahrungen gesammelt. Seit dem Winter 2021/2022 steht die automatisch erstellte Prognose der Lawinengefahr dem ganzen Warnteam zur Verfügung. Anhand von Mess- und Modelldaten wird mit der Methode des ML eine menschenunabhängige Vorhersage erstellt. Daten automatischer Messstationen, des numerischen Schneedeckenmodells SNOWPACK und von COSMO, dem Wetterprognosemodell von MeteoSchweiz, werden kombiniert, um die Gefahrenstufe für eine Situation trockener Lawinen für die nächsten 24 Stunden zu prognostizieren.

Automatische Prognosen

Inzwischen haben SLF-Forschende das auf ML basierende Computermodell weiterentwickelt und die Modellpalette erweitert. Im Winter 2022 / 2023 können damit erstmals auch automatische Prognosen für Nassschneelawinen und die Stabilität der Schneedecke erstellt werden. «Dank der Zusammenarbeit mit dem SDSC war nach nur 18 Monaten ab Start des Projekts die Modellkette halbwegs operational und wir konnten die automatisierten Prognosen testen. Die Resultate waren vielversprechend», betont Projektleiter Jürg Schweizer. Die Modellprognosen fliessen anschliessend in die von Menschenhand erstellten Vorhersagen mit ein. «Wir erhoffen uns von den digital und automatisch erstellten Prognosen, dass sich die Konsistenz unserer Warnungen verbessert. Sie sind eine wertvolle unabhängige Zweitmeinung», konstatiert SLF-Leiter Schweizer.

«Bei sehr grossen Lawinen machen wir Drohnenaufnahmen, um die Umrisse der Niedergänge zu erfassen.» Jürg Schweizer, SLF-Leiter

Je höher die Lawinengefahr, umso grössere Lawinen sind zu erwarten. Zudem weisen sie auf eine kritische Situation hin. Doch Informationen zu aktuellen Lawinenabgängen sind kaum in Echtzeit verfügbar. Detektionssysteme, die auf Seismik oder Infraschall beruhen, schliessen diese Lücke. Um die Lawinensignale herauszufiltern, kommt ML zum Zuge. Inzwischen laufen am SLF auch erste Tests, um über Satellitenbilder oder Aufnahmen von Drohnen zu Informationen über die räumliche Verteilung oder die Grösse von Lawinenabgängen zu kommen. Diese Fernerkundungsmethoden haben den grossen Vorteil, dass sie die Lawinenaktivität flächendeckend, im Idealfall für die ganzen Schweizer Alpen, erfassen. Die Fernerkundungsdaten werden in der Lawinenwarnung erfasst und dienen auch der Validierung und Verbesserung von Modellen, wie für die lawinendynamischen Modelle bei der Gefahrenzonierung. «Bei sehr grossen Lawinen machen wir Drohnenaufnahmen, um die Umrisse der Niedergänge zu erfassen, Lawinenvolumen und Massenbilanz zu berechnen.»

Karten dank Deep Learning

Künstliche Intelligenz (KI) findet sich auch in anderen Bereichen der WSL-Forschung. In Kooperation mit der ETH Zürich und finanziert durch die Bundesämter für Umwelt und Strassen entwickelte die WSL ein System, dass automatisiert entlang der Autobahnen das Schmalblättrige Greiskraut und den Götterbaum erfasst. Beide Arten stehen auf der «schwarzen Liste» invasiver Neophyten der Schweiz. Für die Kartierung kam eine eigens entwickelte, auf Deep Learning (DL) basierende zielgenaue Methode zum Einsatz, bei der aus dem fahrenden Auto heraus gefilmt wurde. Dieser Ansatz lieferte gut reproduzierbare, räumlich hoch aufgelöste Verbreitungskarten, die auch für weitere Arten erstellt werden.

Moderne digitale Möglichkeiten in der Umweltforschung erlauben es, automatisiert zu einer grösseren Fülle und Breite von Daten zu kommen und diese zielgerichteter wissenschaftlich auszuwerten. Dass die WSL diese nutzt, unterstützt nicht nur deren Ruf als führende Adresse in der modernen Umweltforschung, sondern ist auch der interdisziplinären Komplexität der Fragestellungen rund um den Klimawandel geschuldet.