Navigation mit Access Keys

Offene Masterarbeiten Gruppe Wildbäche und Massenbewegungen

Hauptinhalt

 

Frühwarnung von flachgründigen Hangrutschungen: Pilotstudie Napf-Region (Kanton Bern)

Hintergrund: Der Bund soll in den nächsten Jahren eine regionale Warnung für Hang-rutschungen in der Schweiz entwickeln. Im Rahmen einer laufenden Pilotstudie der WSL (in enger Zusammenarbeit mit dem Bundesamt für Umwelt) wird untersucht, wie Bodenfeuchte-Messungen oder –simulationen für eine regionale Warnung vor (flachgründigen, spontanen) Hangrutschungen genutzt werden können. Zu diesem Zweck wurden im Frühling 2019, resp. werden im Frühling 2021 an insgesamt sechs Standorten in der Region Napf (Kanton Bern) umfangreiche Bodenfeuchte-Messungen installiert. Damit kann u.a. ein numerisches Modell der ETH Zürich (Step-TRAMM) getestet werden, welches für ganze Einzugsgebiete das Auftreten von Hangrutschungen berechnet. Wichtige Informationen für die Modellierung liefert eine Datenbank der WSL mit über 700 dokumentierten Hangrutschungen.

Ziel: Das numerische Modell soll für die Pilot-Region Napf aufgesetzt und mit den Bodenfeuchte-Messungen der WSL verglichen werden. Am Beispiel von ausgewählten Starkniederschlags-Ereignissen (2019-2021) soll insbesondere die simulierte Aufsättigung im Boden eines steilen Hangs überprüft werden. Welche Rolle spielen die Bodeneigenschaften im Modell?

Links:
www.wsl.ch/de/projekte/beurteilung-des-potentials-von-bodenfeuchtedaten-fuer-die-vorwarnung-vor-hangrutschungen.html (Infos zu SNF-Projekt)
step.ethz.ch/step-tramm (numerisches Modell)
hangmuren.wsl.ch (Hangmuren-Datenbank der WSL)

benötigtes Fachwissen: Grundlagen in Bodenphysik/Bodenhydrologie;

Betreuung: Adrian Wicki, WSL (adrian.wicki@wsl.ch); Manfred Stähli, WSL (manfred.staehli@wsl.ch); Peter Lehmann, ETH Zürich (peter.lehmann@env.ethz.ch)

 

Erkennung von alpinen Naturgefahrenprozesse mittels seismischer Messungen

Hintergrund: In den vergangenen Jahren waren Forscher der VAW-ETH und des SED-ETH zusammen mit der WSL an der Entwicklung und Optimierung eines seismischen Frühwarn-systems für Murgangereignisse beteiligt. Dabei wurden jeweils saisonal acht Seismometer im Einzugsgebiet des Illgrabens installiert und die Daten mit typischen Verzögerungen von weniger als 10 Sekunden an die Forscher übertragen. Die kontinuierliche Echtzeitanalyse zur Erkennung von Murgängen basiert auf Ortungsalgorithmen, die nach dem Ursprung der Hinter-grundseismizität suchen. Obwohl die Ortung und damit die Detektion von Murgängen im gesamten Einzugsgebiet möglich war, wurde relativ schnell klar, dass das Problem der Fehl-alarme (Fehlerkennungen) gelöst werden musste. Es wurde zu diesem Zweck ein Algorithmus des Machine Learning (ML) implementiert, um die Anzahl von Fehlalarmen erfolgreich zu eliminieren. Im Sommer 2020 konnte die Murgangaktivität gut erfasst werden, wobei weder false positives (Fehlalarme) noch false negatives (nicht erfasste Ereignisse) zu verzeichnen waren1. Die aktuelle Implementierung des ML-Algorithmus "Random Forest" ist besonders für Einzugsgebiete mit häufigem Auftreten von Murgängen geeignet, die grosse Mengen an Trainingsdaten liefern. Lösungen für Gebiete mit nur seltenen (durchschnittlich ≤ 1 pro Jahr) Murgangereignissen könnten jedoch aus verschiedenen ingenieurwissenschaftlichen Anwendungen adaptiert werden, die ebenfalls mit der Herausforderung begrenzter Trainingsdaten umgehen können.

Ziel: Der Detektionsalgorithmus für Murgänge am Illgraben soll erweitert werden. Als nächstes werden zwei konkrete Herausforderungen bearbeitet: 1. automatische Erkennung von zerstörerischen Ereignissen (messbar anhand von Volumen, Fliesstiefe, Gehalt grösserer Felsen im Murgang, etc.); 2. Reduzierung der benötigten Trainingsereignisse für das maschinelle Lernen. Hierzu müssen die Illgrabendaten der letzten vier Jahre untersucht werden, um die seismische Signatur von Murgängen besser zu verstehen. Parallel werden Schritte vom «supervised learning» hin zu «unsupervised learning» implementiert.

Links:
• [https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2020GL090874]
agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2020GL090874
nhess.copernicus.org/articles/21/339/2021/

benötigtes Fachwissen: Grundlagen in Seismologie und in alpiner Geomorphologie. Erste Erfahrungen mit maschinellem Lernen von Vorteil

Betreuung: Fabian Walter, WSL (fabian.walter@wsl.ch); Malgorzata Chmiel, ETHZ (chmiel@vaw.baug.ethz.ch)

 

Laboratory experiments on landslides flow behavior

Background: Within the framework of the SNF Ambizione project "Measuring and Modelling Catastrophic Landslides and Debris Flows" the following mechanisms that control flow-like landslide motion will be investigated: (a) longitudinal sorting of the flow, which leads to destructive surges; (b) liquefaction, which can dramatically increase the area impacted by an event; and (c) material entrainment, which can increase the volume of a flow by orders of magnitude.

Objectives: Accordingly, one of the goals of this project is to quantify how the liquefied strength of the flowing debris governs flow-like landslide motion and runout. This will be partially achieved by performing laboratory experiments, in which the factors that control the strength of liquefied debris are systematically varied. These experiments will be performed in the WSL's large-scale laboratory, and the results from the laboratory investigations will be incorporated (together with parallel field study results) into a new numerical modelling framework.

Supervision: PhD student (NN) WSL; Jordan Aaron, ETH/WSL (jordan.aaron@erdw.ethz.ch)