Auslösung von oberflächlichen Erdrutschen und bodenhydrologische Prozesse

Oberflächliche Erdrutsche, ausgelöst durch Regenereignisse, stellen eine ernsthafte Bedrohung für Menschen und Infrastruktur dar. Bisherige Forschung hat gezeigt, dass die Berücksichtigung sowohl der Bodenfeuchtebedingungen als auch der Niederschlagsereignisse dazu beiträgt, Zeiträume erhöhter Erdrutschgefahr effektiv vorherzusagen. Hier in diesem Projekt sollen Bodenfeuchtemessdaten von Messstationen aus der ganzen Schweiz, Niederschlagsinformationen und Erdrutschbeobachtungen mit Hilfe von Machine Learning und physikalisch-basierter Modellierung zu noch besseren regionalen Frühwarnungen vor Erdrutschungen führen. 

In einem zweiten Schritt gehen wir der Frage nach, wieso Erdrutsche an gewissen Standorten vorkommen, und an anderen nicht, obschon sie an beiden Standorten aus objektiver Sicht (aufgrund von GIS-basierten Anfälligkeitskarten [Susceptibility maps]) mit gleicher Wahrscheinlichkeit auftreten sollten. Dafür werden im Sommer 2025 mit verschiedenen Methoden (z.B. Elektrische Widerstandsmessung) Feldaufnahmen des Untergrunds gemacht. Die entsprechenden Untersuchungsstandorte befinden sich in St. Anthönien und Sachseln, wo im 2005, resp. im 1997 verbreitet Rutschungen auftraten.

Ausserdem soll untersucht werden, wie sich der Klimawandel auf das Auftreten solcher Rutschungsereignisse auswirken wird. Dabei verwenden wir zukünftige hydrologische Szenarien, welche aufzeigen, wie sich Starkniederschlagsereignisse, die Bodenfeuchte und die Schneeschmelze in verschiedenen Regionen der Schweiz mit dem Klimawandel ändern werden. 

Publikationen:

Halter T., Lehmann P., Wicki A., Aaron J., Stähli M. (2024) Optimising landslide initiation modelling with high-resolution saturation prediction based on soil moisture monitoring data. Landslides. doi:10.1007/s10346-024-02304-x

Halter, T., Lehmann, P., Bast, A., Aaron, J., & Stähli, M. (2025). In situ soil moisture data improve precipitation-based shallow landslide early warning through innovative machine learning methods. Landslides. https://doi.org/10.1007/s10346-025-02599-4

Konferenzbeiträge:

Stähli M., Halter T., Walter F., Wicki A., Lehmann P. (2023) A pilot study in the Napf-Region (Central Switzerland) for an upcoming national landslide early warning system In V. Capobianco, L. Rødvand, F. Nadim, H. Heyerdahl, & S. Lacasse (Eds.), Proceedings of the 3rd JTC1 workshop. Impact of global changes on landslide hazard and risk. Oslo: Norwegian Geotechnical Institute (NGI). 121-124. Institutional Repository DORA

Stähli M., Halter T., Walter F., Wicki A., Lehmann P. (2023) Towards a national Landslide Early Warning System for Switzerland: a pilot study to assess the use of soil wetness information and physically-based modelling, World Landslide Forum 6, Florence, Italy, 13-17 November, 2023, oral presentation (slides).

Halter T., Lehmann P., Bast A., Stähli M. (2023) Combining climate and soil moisture information in statistical modelling for landslide early warning. 21st Swiss Geoscience Meeting, Mendrisio, 18 November, 2023, abstract.