Michael Steffen, Thomas Hertwig, Mandy Schipek, Bernd Torchalla

• Ziel des Forschungsvorhabens war die Entwicklung eines Verfahrens, welches zurückliegende gravitative Massenbewegungen auf Basis hochauflösender digitaler Höhendaten erfasst und klassifiziert sowie die einzelnen Prozesse in Form geeigneter Werkzeuge für das Geoinformationssystem Esri ArcGIS bereitstellt. Für die Erfüllung dieses Forschungsziels wurde zunächst eine Literaturanalyse durchgeführt und darauf aufbauend die grundlegende Vorgehensweise abgeleitet. Durch die Berechnung von morphologischen Parametern auf Basis der digitalen Höhenmodelle wurden die charakteristischen Oberflächeneigenschaften bekannter Massenbewegungsprozesse ermittelt und mit deren Hilfe unter Einsatz von Machine-Learning-Algorithmen und einer objektbasierten Herangehensweise die generelle Machbarkeit des Verfahrens getestet sowie verschiedene Trainingsszenarien erstellt und der Modellaufbau optimiert. Zur Anwendung kamen die Verfahren der Künstlichen Neuronalen Netze sowie der Zufallswälder. Die Durchführung erfolgte bundeslandweit für Nordrhein-Westfalen und Sachsen in Versionen mit 2 m und 5 m Pixelgröße. Nach Abschluss der Berechnungen wurden die Unterschiede der Modellergebnisse hinsichtlich der Machine-Learning-Verfahren sowie der Auflösung herausgearbeitet und beurteilt, wobei teils signifikante Unterschiede erkennbar wurden. Dies spiegelt sich vor allem in Lage und Anzahl der ermittelten Objekte wider, bezogen auf den kleinmaßstäblichen Bereich werden jedoch prinzipiell die gleichen Regionen ausgewiesen. Weiterhin erfolgte eine Attributierung der ermittelten Flächen bezüglich Größe, Position, Hangneigung, Geologie und Landnutzungsart sowie die Kennzeichnung potentiell stark betroffener Straßenabschnitte. Der darauf aufbauende Abgleich auf Plausibilität ergab, dass sich im Durchschnitt ca. ein Fünftel der Objekte in anthropogenen Bereichen befindet. Unter Einbeziehung geologischen Gegebenheiten konnten weiterhin potentielle aktive Sturzgebiete identifiziert werden.
• The aim of this research project was the development of a method that identifies and classifies post-event gravitational mass movements on the basis of high-resolution digital elevation data and furthermore provides appropriate tools for the geographic information system Esri ArcGIS. For the fulfilment of this research objective, a literature analysis was first carried out. Based on this, a primary procedure was inferred. By calculating morphological parameters on the basis of the digital elevation models, characteristic surface properties of known gravitational mass movements were determined and in combination with machine learning algorithms as well as an object-based approach, the general methodical feasibility was tested and various training scenarios were created. Thus, the models were stepwise improved. For the application, artificial neural networks and random forests were used. The implementation was done for the areas of the federal states of North Rhine-Westphalia and Saxony in versions with 2 m and 5 m pixel size. After completion of the calculations, the model results were analysed and evaluated with regard to the machine learning methods and their respective resolution. At this, the results showed up significant differences in part, which becomes apparent by observing both the position as well as the number of the identified objects. Though, relating to a small-scale range, the detected areas are basically located in the same regions. Furthermore, an attribution of the identified areas regarding size, position, slope, geology and land use was carried out and potentially heavy affected road sections were distinguished. Based on this information, a test of plausibility revealed that, on average, about one fifth of the identified objects are located in anthropogenic affected areas. Taking into account geological conditions, potentially active rockfall areas could be identified.