Vorhersage von Böschungsbrandgefahren an Bahngleisen mittels maschinellen Lernens – BurnML

Als Folge des Klimawandels kommt es in Deutschland inzwischen häufiger zu Bränden entlang von Bahnstrecken. Mit teils massiven Folgen für den Betriebsablauf und die betroffene Infrastruktur. Angesichts fehlender systematischer Untersuchungen ist jedoch wenig über die Ursachen solcher Brände bekannt. Da mit einer weiteren Zunahme dieser Gefährdungen zu rechnen ist, besteht Bedarf an fundiertem Wissen über Auslöser und Treiber von Bränden sowie an methodischen Kenntnissen über Vorhersagewerkzeugen.

Vor diesem Hintergrund verfolgen adelphi und der Projektpartner Hochschule für Nachhaltige Entwicklung Eberswalde (HNEE) mit dem Projekt BurnML folgende Ziele:

den Aufbau eines Datensatzes für das Training eines Modells, u. a. mit Daten zu vergangenen Böschungsbränden.
das Training eines Machine-Learning-Modells zur Vorhersage von Brandgefahren
die Pilot-Anwendung des Modells mit der DB Netz AG. Hierbei bezieht das Team u. a. folgende Daten ein: Satellitendaten zu Bränden und Landnutzung, Wetterdaten vom DWD und Infrastrukturdaten von der DB Netz.

Das Projektteam wird u. a. freie Satellitendaten auswerten und damit vergangene Böschungsbrände räumlich identifizieren sowie mögliche auslösende und beitragende Faktoren analysieren. Anschließend wird ein Algorithmus zur Analyse und Vorhersage solcher Brände ausgewählt und erprobt. Dieser soll als Grundlage für ein Vorhersagemodell dienen, das schließlich mit der DB Netz AG getestet wird. Diskussionen der (Zwischen-)Ergebnisse mit den Stakeholdern sowie Veröffentlichungen begleiten das Projekt.

Im Ergebnis publizieren adelphi und die HNEE u. a. einen umfangreichen offenen Geo-Datensatz, einen dokumentierten Machine-Learning-Klassifikator (in Python), einen Fachartikel mit Erkenntnissen zu Auslösern und Treibern sowie ein Vorhersagetool für Böschungsbrandrisiken. Die Ergebnisse erweitern das Wissen um Böschungsbrände und Vorsorgemöglichkeiten und setzen Infrastrukturunternehmen in die Lage, effizienter Vorsorge zu betreiben.

Das Projekt wird mit einer Zuwendung aus dem mFund-Förderprogramm vom Bundesministerium für Digitales und Verkehr (BMDV) gefördert.